学習データ構造

本ページは2024年11月から実口座・リアルタイム暗号資産取引運用で収集したデータを基にし、AI意思決定の追跡性・監査・再現可能性を確保するために設計されたデータ構造を説明します。

なぜ必要か

暗号資産取引AIは単なる結果予測を超え、実運用中の意思決定の追跡・監査・再現が可能でなければなりません。NoahAIはすべての判断をデータとして残し、透明性と信頼性を確保します。

誰が読むべきか

本構造は実口座運用を前提に設計されており、技術検証・拡張・監査に共通で使える基準構造です。

実運用ベースのデータフロー

リアルタイム市場情報の収集（価格、ボラティリティ、オーダーブック）
AI意思決定の生成（シグナル、信頼度、ガードレール適用）
注文実行のフィードバック（約定、スリッページ、拒否の有無）
取引後の検証と学習ループ

核心は「記録の標準化」です。

判断／文脈／結果を同一スキーマで残すことで、レビュー・学習・監査／追跡・ユーザー信頼の確保が可能になります。以下はCareLogに類似したスキーマで設計された主要データ構造です。

DecisionLog

意思決定ログ

フィールド名	型	説明
decision_id	UUID	一意の決定ID
timestamp	TIMESTAMP	決定時点
strategy	STRING	選択された戦略
action	ENUM	アクション種別（BUY/SELL/HOLD）
reasoning	JSON	判断根拠（パターン、シグナル、重み）
confidence	FLOAT	信頼度スコア（0〜1）
model_version	STRING	使用したAIモデルバージョン

MarketSnapshot

市場データスナップショット

フィールド名	型	説明
snapshot_id	UUID	一意のスナップショットID
timestamp	TIMESTAMP	スナップショット時点
symbol	STRING	取引シンボル
price	DECIMAL	現在価格
volume	DECIMAL	出来高
volatility	DECIMAL	ボラティリティ指標
orderbook_depth	JSON	オーダーブック深度データ
market_signals	JSON	検出された市場シグナル

AccountSnapshot

口座状態スナップショット

フィールド名	型	説明
snapshot_id	UUID	一意のスナップショットID
timestamp	TIMESTAMP	スナップショット時点
balance	DECIMAL	残高
positions	JSON	現在のポジション一覧
leverage	DECIMAL	レバレッジ比率
margin_used	DECIMAL	使用中のマージン
unrealized_pnl	DECIMAL	未実現損益

RiskEvent

リスクイベント

フィールド名	型	説明
event_id	UUID	一意のイベントID
timestamp	TIMESTAMP	イベント時点
risk_type	ENUM	リスク種別（LOSS_LIMIT/VOLATILITY/LEVERAGE/ANOMALY）
severity	ENUM	深刻度（LOW/MEDIUM/HIGH/CRITICAL）
trigger_value	DECIMAL	トリガー値
action_taken	STRING	取られた措置
guardrail_applied	BOOLEAN	ガードレール適用の有無

ExecutionResult

実行結果

フィールド名	型	説明
execution_id	UUID	一意の実行ID
decision_id	UUID	紐づく決定ID
timestamp	TIMESTAMP	実行時点
order_type	ENUM	注文種別（MARKET/LIMIT/STOP）
quantity	DECIMAL	数量
executed_price	DECIMAL	約定価格
slippage	DECIMAL	スリッページ
fee	DECIMAL	手数料
status	ENUM	状態（PENDING/FILLED/PARTIAL/CANCELLED/FAILED）

XAITrace

XAI追跡ログ

フィールド名	型	説明
trace_id	UUID	一意の追跡ID
decision_id	UUID	紐づく決定ID
timestamp	TIMESTAMP	追跡時点
explanation	TEXT	意思決定の説明（人が読める形式）
evidence	JSON	根拠データ（パターン、シグナル、統計）
confidence_breakdown	JSON	信頼度の内訳
alternative_options	JSON	検討されたが選ばれなかったオプション

学習データ構造の例

以下の例は実運用構造を理解しやすく単純化したものです。

実際に使用される学習データ構造は次のとおりです：

{
  "ai_learning_data": {
    "decision_history": [
      {
        "timestamp": "2025-01-26T10:30:00Z",
        "asset_type": "crypto",
        "decision": "long_entry",
        "reasoning": {
          "signal_strength": 0.85,
          "pattern": "bull_flag",
          "market_conditions": "high_volatility"
        },
        "confidence": 0.9,
        "tp": 50000,
        "sl": 48000,
        "exchange": "Binance",
        "execution_status": "filled",
        "result": "profit_target_hit"
      }
    ],
    "conversation_patterns": {
      "common_questions": [
        "取引所への入金方法",
        "暗号資産の出金手順",
        "APIキー設定",
        "取引手数料の案内"
      ],
      "response_effectiveness": {
        "step_by_step_guide": 0.95,
        "simple_language": 0.92
      }
    },
    "user_satisfaction_metrics": {
      "comprehension_rate": 0.88,
      "task_completion_rate": 0.85
    }
  }
}

この構造はリアルタイム暗号資産取引の意思決定、実行状態の追跡、市場状況を反映した学習を支援します。

スキーマ設計原則

標準化：すべての判断／文脈／結果が同一形式で記録され、レビュー可能
追跡可能性：各レコードが一意IDとタイムスタンプを持ち、時系列で追跡可能
接続性：DecisionLog、ExecutionResult、XAITrace等が相互に接続され全体フローを追跡
匿名化：個人識別情報なしにパターン単位で学習し集合学習が可能
拡張性：JSONフィールドにより既存構造を壊さず新フィールドを追加可能

データ利用例

取引パターンの類似性検証

過去の暗号資産取引パターンと現在の市場状況を比較し、類似パターンでの成績を分析します。エントリー前のパターン検証によるリスク管理に活用されます。

市場局面別の閾値調整

ボラティリティ急騰、横ばい、トレンドなど市場局面に応じて信頼度とリスク閾値を動的に調整し、最適な意思決定を支援します。

ガードレール効果と損失防止

ガードレール適用結果と最大ドローダウンを分析し、政策改善とリスク管理戦略の最適化に反映します。