技術コラム
AI学習データシステム：全取引シグナルを自動収集する構造
2025年12月
学習データシステムの目的
NoahAI Labsの金融AIシステムは、「固定された自動化」ではなく「経験を蓄積する判断構造」を目指します。そのために、すべての取引シグナルを自動で収集・分析する学習データシステムを構築しました。
このシステムの目的は次のとおりです。
- 継続学習：実際の取引経験に基づく継続的な学習
- パターン認識：市場パターンの自動認識と学習
- 動的最適化：市場変化に応じた動的な最適化
- 取引所ごとの特性反映：各取引所の特性を独立して学習
データ収集構造
1. 自動シグナル収集
すべての取引所で1分間隔で自動的にシグナルを収集します。
- APISignalManager：取引所ごとのAPIシグナル交換と学習データ生成
- 自動実行：バックグラウンドで自動実行
- 標準化：取引所ごとのデータを標準形式に変換
- 保存：学習データベースへ自動保存
2. 収集データの種類
- 市場データ：価格、出来高、ボラティリティなど
- テクニカル指標：RSI、MACD、ボリンジャーバンドなど
- 市場センチメント：恐怖・強欲指数、ファンディングなど
- 取引シグナル：売買シグナルと結果
データ構造の設計
1. Signal History
すべての取引シグナルの履歴を記録します。
- シグナル発生時刻
- シグナル種別（買い/売り）
- 市場状況（上昇/下落/横ばい）
- 取引結果（損益）
2. Pattern Analysis
収集データを分析しパターンを抽出します。
- 成功した取引パターン
- 失敗した取引パターン
- 市場状況別パターン
- 取引所別パターン
3. Dynamic Thresholds
市場変化に応じて閾値を動的に調整します。
- 市場状況別の閾値
- 取引所別の閾値
- 時間帯別の閾値
- 自動調整メカニズム
4. Exchange Specific
各取引所の特性を独立して学習します。
- 取引所別パターン
- 取引所別の最適化戦略
- 取引所別のリスク特性
学習ループ構造
1. Record（記録）
すべての取引シグナルと結果を標準形式で記録します。
2. Normalize（正規化）
取引所ごとのデータを標準形式に変換します。
3. Insight（インサイト）
記録データを分析しパターンとインサイトを抽出します。
4. Policy（ポリシー）
抽出したインサイトに基づき取引ポリシーを更新します。
5. Risk（リスク）
更新したポリシーをリスク観点で検証します。
6. Feedback（フィードバック）
実際の取引結果を次の学習に反映します。
主な特徴
1. 自動化
すべてのプロセスが自動実行され、手動介入は不要です。
2. 持続性
システムが稼働している間、継続的に学習します。
3. 独立性
取引所ごとに独立して学習し、各取引所の特性を反映します。
4. 検証可能性
すべての学習データは標準形式で保存され検証可能です。
政府R&Dおよび投資家の視点
技術的革新性
AI学習データシステムは継続学習と自動最適化を可能にします。
- 自動学習：手動介入なしで自動的に学習
- パターン認識：市場パターンを自動認識
- 動的最適化：市場変化に応じて動的に最適化
拡張可能性
学習データシステムは新しい取引所や資産種別が追加されても動作します。
- 新規取引所追加時に自動で学習開始
- 新規資産種別追加時に独立して学習
- 既存の学習データへの影響なし
結論
AI学習データシステムは、「固定された自動化」ではなく「経験を蓄積する判断構造」を実現する中核システムです。
すべての取引シグナルを自動収集・分析し継続的に学習・最適化する構造は、技術的革新性と拡張可能性を示す重要な事例です。