本番運用で証明されるAI金融意思決定構造
NoahAIは概念ではなく、実口座・リアルタイム・ログで稼働するAI金融インフラです。
機関・パートナー視点：判断の痕跡と再現性
外部レビューやデューデリジェンスで求められるのは、単一の目立つリターンではなく、 各判断が生まれた文脈（入力・ポリシー・リスク・結果）が記録され、同一条件で再生・レビュー可能な構造かどうかです。NoahAIは実口座運用を通じてこのログ・連携構造を製品に組み込んでおり、運用可能性・監査可能性を、見かけ上のパフォーマンスより優先するインフラ観と一致します。
技術実証の必要性
多くの金融AIは概念にとどまります。バックテスト結果、シミュレーション成績、PoCデモは示しても、本番ですべての判断が記録され再現可能な構造は稀です。
NoahAIは2024年11月から実口座ベースの常時監視運用体制で運用されています。 すべての判断・実行・結果がログに記録され、そのログが学習データにつながり、継続的に改善される構造が実際に稼働しています。
概念にとどまる金融AI
- • バックテスト結果のみ公開
- • 選択的な成績開示
- • 本番ログがない
- • 再現不能な構造
本番運用で証明されるNoahAI
- • 実口座ベースの常時監視運用
- • すべての判断をログ化
- • ログが学習データに接続
- • 再現・検証可能な構造
本番運用パイプライン
以下は本番環境で動作するパイプラインです。各段階がログに記録され、次の段階につながり、最終的に学習データへ還流します。
Market Data
リアルタイム市場データの収集（価格、出来高、ボラティリティ、オーダーブック）
ログカテゴリ: [analysis]： 収集時刻、データソース、取得した指標値
Analyzer
テクニカル指標（RSI、MACD、ボリンジャーバンド等）の算出と市場状況の分析
ログカテゴリ: [analysis]： 算出した指標値、分析結果、シグナル強度
Decision
AIが市場データと個人の金融文脈を統合して判断を整理
ログカテゴリ: [analysis]： 判断根拠、信頼度、選択された戦略、検討した代替案
Risk
ガードレール適用とリスク評価（限度、停止条件、保守的な統制ルール）
ログカテゴリ: [monitor]： ガードレール適用の有無、リスク評価結果、安全装置の作動
Execution
ユーザー設定と安全装置の範囲内での任意の実行支援
ログカテゴリ: [trade], [order]： 注文生成、実行結果、スリッページ、約定状態
Exit
ポジション決済（TP/SL到達、動的しきい値、外部変化の検知など）
ログカテゴリ: [exit]： 決済理由、結果、損益、学習データの記録
XAI
全プロセスを説明可能な形で記録（判断根拠、実行結果、リスク評価）
ログカテゴリ: [analysis], [trade], [order], [monitor], [exit]： 各段階の説明可能なログ
Learning
記録されたログを学習データに変換し、ポリシー改善に反映
データ構造: DecisionLog、ExecutionResult、XAITraceが学習データに変換され、パターン分析とポリシー補正に使用
要点：このパイプラインの各段階は独立して動きません。 すべての段階がログ化され、そのログが次の判断と学習につながる構造です。
本番運用ログの例
以下は実際のBinance Futures環境で動作したログの例です。機微情報は除去しており、構造と接続関係を中心に示します。
2025-01-26 10:30:00 | INFO - [analysis] 市場データ収集開始 2025-01-26 10:30:01 | INFO - [analysis] BTC/USDT 価格: 42,350, ボラティリティ: 0.023, RSI: 58.5 2025-01-26 10:30:02 | INFO - [analysis] MACDシグナル検出、ボリンジャーバンド上限付近 2025-01-26 10:30:03 | INFO - [analysis] パターン類似性検証: bull_flag 類似度 0.78 2025-01-26 10:30:04 | INFO - [decision] 判断: long_entry, 信頼度: 0.85, TP: 43,500, SL: 41,800 2025-01-26 10:30:05 | INFO - [monitor] ガードレール確認: 最大リスク限度内、実行許可 2025-01-26 10:30:06 | INFO - [trade] 注文生成: Binance Futures, BTC/USDT, Long, 数量: 0.01 2025-01-26 10:30:07 | INFO - [order] 約定: 価格 42,360, スリッページ: 0.024% 2025-01-26 10:30:08 | INFO - [monitor] ポジション監視開始, 現在PnL: 0 2025-01-26 10:35:12 | INFO - [monitor] ポジション追跡: 価格 42,850, 含み損益: +1.16% 2025-01-26 10:40:25 | INFO - [exit] TP到達: 目標 43,500 到達、ポジション決済 2025-01-26 10:40:26 | INFO - [exit] 結果: 利益確定、最終リターン: +2.69% 2025-01-26 10:40:27 | INFO - [xai] 判断根拠要約: RSI 58.5, MACD上昇シグナル, bull_flag, 信頼度 0.85 2025-01-26 10:40:28 | INFO - [learning] 学習データ記録: decision_id, execution_status, result, feedback
ログ構造の特徴
- • 時系列記録：すべての段階がタイムスタンプ付きで順に記録
- • カテゴリ分類：[analysis], [trade], [order], [monitor], [exit]で追跡しやすい
- • 接続可能：decision_id、execution_id等でログが接続され全体フローを追跡
- • 再現可能：同一の市場データと設定で再現可能
ログと学習データ構造の接続
運用ログは単に保存されるだけでなく、標準化された学習データ構造に変換され、次の判断の品質向上に使われます。
ログ → 学習データへの変換
1. DecisionLog の生成
[analysis], [decision] ログから抽出：
- decision_id（一意の決定ID）
- timestamp（決定時点）
- reasoning（判断根拠：パターン、シグナル、重み）
- confidence（信頼度スコア）
- model_version（使用したAIモデル版）
2. ExecutionResult の生成
[trade], [order] ログから抽出：
- execution_id（一意の実行ID）
- decision_id（紐づく決定ID）
- executed_price（実行価格）
- slippage（スリッページ）
- status（状態: FILLED/CANCELLED/FAILED）
3. 結果とフィードバックの接続
[exit] ログから抽出：
- result（損益、TP/SL到達の有無）
- feedback（学習に使うフィードバックデータ）
- pattern（成功/失敗パターンの分類）
接続構造：
DecisionLog {
decision_id: "uuid-123",
reasoning: { pattern: "bull_flag", signal_strength: 0.85 },
confidence: 0.9
}
↓（リンク）
ExecutionResult {
execution_id: "uuid-456",
decision_id: "uuid-123", ← リンク
executed_price: 42360,
status: "FILLED"
}
↓（リンク）
ExitResult {
execution_id: "uuid-456", ← リンク
result: "profit_target_hit",
feedback: { pattern: "success", profit_rate: 0.0269 }
}
↓（学習データへ）
LearningData {
decision_history: [DecisionLog + ExecutionResult + ExitResult],
pattern: "success",
market_conditions: "high_volatility"
}詳細なデータ構造は データ構造ページで確認できます。
Analyst AI の役割
Analyst AIは取引を実行するAIではありません。 運用結果を要約・比較・説明し、ユーザーと運用者が理解できるよう整理する分析層です。
❌ Analyst AI ではないもの
- • 取引を直接実行するAI
- • 投資判断を代行するAI
- • 収益を保証するAI
✔ Analyst AI の役割
- • 運用結果を要約・整理
- • パターンを比較し説明
- • 判断根拠を分かりやすく提示
Analyst AI の動作構造
1. 市場分析（analyzer.py）
テクニカル指標の算出、市場状況の分析、シグナル生成。分析プロセスはすべて [analysis] ログに記録されます。
2. パターン認識（ai_manager.py）
過去パターンとの類似検証、市場局面の分析、動的しきい値の調整。パターン分析結果が判断根拠に使われます。
3. レポート生成（ai_manager.py）
日次/週次/月次レポート、判断根拠の要約、選択肢の比較説明。ユーザーと運用者が理解できる形に整理します。
要点：Analyst AIはDecision Layerへの入力を提供し、 実行結果を分析して説明する分析層です。 実行そのものはExecution Layerが担い、Analyst AIはそのプロセスを理解可能にします。
強化学習と集合学習のメカニズム
記録されたログは学習データに変換され、ポリシー改善に反映されます。個人の結果は保護され、パターンレベルのみが集合学習に使われます。
強化学習メカニズム
失敗ログの包含
成功取引だけでなく失敗取引も学習データに含まれます。失敗原因の分析により同じ過ちを繰り返さないようポリシーが改善されます。
パターン単位の学習
単純な損益数値ではなく、成功/失敗のパターン単位で学習します。市場局面（上昇/下落/横ばい）ごとに異なるパターンを学び、状況に応じた判断が可能になります。
集合学習メカニズム
個人情報の保護
個人の取引金額、口座情報、正確なタイミングは集合学習に使用されません。
集合学習に使われるのは匿名化されたパターンです：
- 市場状況パターン（ボラティリティ、トレンド、出来高）
- 成功/失敗パターン（TP到達、SL到達、動的しきい値）
- リスク管理パターン（ガードレール作動、停止条件）
集合学習の効果
パターンレベルの集合学習により、あるユーザーの経験が他ユーザーの判断品質向上に寄与します。パターンが蓄積されるほどシステム全体の判断品質がともに成長します。
学習量の増加 → 改善構造：
取引が記録されるほど多様なパターンが学習データに蓄積され、ポリシー補正に反映されます。次の判断の信頼度と精度が向上します。短期的な成績競争ではなく、長期的により慎重で安全な判断構造を構築するプロセスです。
NoahAI の技術的差別化（要約）
多くの金融AIでは実行・説明・学習が分離しているか、一部のみ実装されています。NoahAIはこの三つを一つのパイプラインで接続し、実際に稼働します。
実行
ユーザー設定と安全装置の範囲内での任意の実行支援
すべての実行がログ化され、実行結果が学習データにつながります。
説明
すべての判断根拠を説明可能な形で記録
XAI方針に基づき意思決定プロセスを透明に公開し、再現可能です。
学習
記録ログを学習データに変換しポリシー改善に反映
実行・説明・学習が分離せず一つのパイプラインで動きます。
主要な差別化
- • 実行・説明・学習が分離しない構造：各段階は独立せず、一つのパイプラインで接続されます。
- • すべての判断が記録され再現可能：本番ですべての判断がログ化され、同一条件で再現できます。
- • ログが学習データに接続：単なる記録ではなく標準化された学習データに変換され、次の判断の品質向上に使われます。
- • 失敗ログを含む：成功だけでなく失敗も学習に含め、同じ過ちを繰り返さないよう改善します。
- • 集合学習と個人保護の両立：個人情報は保護され、パターンレベルのみが集合学習に使われ、全体の判断品質がともに成長します。
NoahAIは概念ではなく、実際に動く構造です。
2024年11月から実口座ベースの常時監視運用体制で運用し、すべての判断・実行・結果をログ化し、 そのログが学習データにつながり継続的に改善される構造が本番で稼働しています。
関連技術ドキュメント
本ページは本番運用の実証に焦点を当てます。各構成要素の詳細は以下の文書を参照してください。