😤 総当たりで手法を発掘するな！AIデータマイニングの闘〜仮説なき戦略は情報の産業廃棄物〜

😤「AIに総当たりさせれば勝てる手法が見つかる！」

最近こんな人が増えてきた：

「ChatGPTに100個のインジケーターの組み合わせをバックテストさせたら、勝率80%の手法が見つかった！」

「Pythonで1000パターンのパラメータを総当たりしたら、年利300%の戦略が出てきた！」

「機械学習で特徴量を片っ端から入れたら、シャープレシオ3.0のモデルが完成した！」

俺は断言する。

これらは全部ゴミだ。 🗑️

いや、ゴミ以下だ。情報の産業廃棄物だ。

なぜなら、仮説がないからだ。

🎯 なぜ「総当たり」がダメなのか

学術研究の衝撃的事実

ローレンス・バークレー国立研究所の研究者らは、こう結論づけている：

「学術誌に発表された投資戦略の90%以上は、実資本で運用すると失敗する」

— Bailey, Borwein, López de Prado, Zhu (2014)

なぜ失敗するのか？

バックテストで「偽の聖杯」を発見してしまうからだ。

データマイニングバイアスの恐怖

Portfolio Optimization Bookによると、金融分野では数百万、数十億回のテストが同じデータに対して行われる。

問題は、試行回数を報告しないこと。

例えば：

100個のパラメータ組み合わせをテスト
その中で1つだけ「勝率80%」が出た
「勝率80%の手法を発見！」と発表

でも待ってくれ。

100回試して1回当たるのは、統計的に当たり前だ。

これを「p-hacking」（ピーハッキング）または「データドレッジング」と呼ぶ。学術界では不正行為とみなされる手法だ。

「45回以上試したら過学習」の法則

同研究は具体的な数字も示している：

「5年分の日次データしかない場合、戦略のバリエーションを45回以上試すと過学習になる」

45回だ。たったの45回。

「1000パターン総当たりしました！」とか言ってる人、21倍以上の過学習を起こしている可能性がある。

🧠 仮説がなぜ必要なのか

帰納法 vs 演繹法

科学には2つのアプローチがある：

アプローチ	説明	例
演繹法（仮説駆動）	理論から予測を導き、検証する	アインシュタイン「重力で光が曲がるはず」→実験で確認
帰納法（データ駆動）	データからパターンを発見する	ケプラー「惑星の軌道データ」→楕円軌道の法則

どちらも正当な科学的手法だ。

問題は、**帰納法を劣化させた「総当たり」**だ。

ケプラーは膨大なデータを観察し、考え、仮説を立て、検証した。

「とりあえず全パターン試して当たったやつを採用」ではない。

「背骨」がない戦略は崩れる

総当たりで見つけた戦略には因果関係がない。

「なぜこのパラメータで勝てるのか？」に答えられない。

例えば：

「RSI(7)とMA(23)のクロスで勝てた！」
「なぜ7と23？」
「...総当たりで一番良かったから」

これでは相場環境が変わった瞬間に崩壊する。

なぜなら、過去のノイズにフィットしただけだから。

対して、仮説に基づく戦略は違う：

「ゴトー日にドル高になりやすいのは、日本企業の実需買いがあるから」
「だから9:55前にロング、仲値発表後にクローズ」

これには「なぜ」がある。「背骨」がある。

相場環境が変わっても、根拠が残っている限り有効性を期待できる。

😱 機械学習の「聖杯」幻想

richmanbtcの教訓

2021年、仮想通貨bot界を席巻した「richmanbtc式MLBOT」を覚えているだろうか。

「機械学習で年利1700%！」と騒がれたが、その後の検証で判明したこと：

機械学習はほぼ効果なし。真の収益源はシンプルな逆張り戦略だった。

しかも、2022年にはrichmanbtcさん本人も「今年はマイナスです」と告白。

なぜ負けたか？

相場環境が変わったから。それだけの話だ。

「なぜこの戦略が勝てるのか」という因果関係の理解がなければ、環境変化に対応できない。

カーブフィッティングの罠

OANDAの解説より：

「カーブフィッティングとは、過去の値動きに合わせて設定を過剰に調整すること。FX市場では過去と全く同じ動きになることはあり得ないため、それ以上の結果になる可能性は低く、逆に悪い結果となることが多い」

そう、バックテストで右肩上がりだから実運用でも勝てる、は嘘だ。

むしろ、バックテストが良すぎる戦略ほど危険。

過去のノイズに完璧にフィットしている可能性が高いから。

🔥 「情報の産業廃棄物」を量産する人たち

問題児その1：YouTuber/インフルエンサー

「AIで見つけた勝率90%の手法！」とサムネで煽る。

視聴者は真似して負ける。

なぜなら、その「手法」は過去のデータにオーバーフィットした幻想だから。

問題児その2：EA販売者

「機械学習で最適化されたEA！」と宣伝。

購入者は負ける。

なぜなら、バックテスト期間にカーブフィットしただけだから。

問題児その3：Noteで「手法」を売る人

「1000パターン検証して見つけた最強設定！」

購入者は負ける。

なぜなら、1000パターンも試せば、偶然勝てるパターンは必ず出るから。

✅ じゃあどうすればいいのか

1. 仮説から始める

「総当たり」ではなく、「なぜこれで勝てるはずか」から考える。

良い例：

「月末にドレッシング買いがあるから、月末のロングは有利なはず」
「ロンドン時間はボラティリティが高いから、ブレイクアウトが有効なはず」
「ゴールドは金利に敏感だから、FOMC前後で動きやすいはず」

悪い例：

「とりあえず100個のインジケーター組み合わせを試してみよう」
「パラメータ総当たりで一番いいの探そう」

2. アウトオブサンプルテストを必ず行う

Build Alphaより：

「戦略結果が許容範囲になったら、アウトオブサンプルデータで検証せよ。もし同様の結果が出なければ、ほぼ確実にカーブフィットしている」

データを2つに分ける：

インサンプル：戦略開発に使う
アウトオブサンプル：最終検証に使う（一度も見せない）

3. シンプルに保つ

QuantifiedStrategiesより：

「カーブフィッティングを避ける一番の方法は、戦略をシンプルに保つこと」

パラメータが多いほど、過去のノイズにフィットしやすい。

「でもパラメータを増やした方が精度が上がるのでは？」

いいえ。それはバックテスト上の幻想だ。

実運用では、パラメータが少ないシンプルな戦略の方が堅牢。

4. 複数市場でテストする

一つの市場でしか機能しない戦略は危険。

ドル円で勝てた手法が、ユーロドルでも勝てるか？ゴールドでも？

汎用性がない戦略は、そのデータにオーバーフィットしている可能性が高い。

5. 「なぜ」を説明できるか確認する

最後に自問しよう：

「この戦略はなぜ勝てるのか？」

答えられないなら、それは戦略ではない。偶然の産物だ。

📊 データ分析は悪ではない

誤解しないでほしい。

データ分析自体は素晴らしいツールだ。

問題は、思考なき総当たりだ。

正しいデータ分析の流れ：

経験・観察から疑問が生まれる
仮説を立てる（「こうなるはずだ」）
データで検証する
仮説が支持されれば戦略化
アウトオブサンプルで最終確認

間違ったデータ分析の流れ：

データに総当たりをかける
良さそうなパターンを抽出
「発見しました！」と発表
実運用で爆死

🙏 まとめ：仮説と因果関係を大切に

総当たりで見つけた手法には「背骨」がない。

仮説がない
因果関係がない
「なぜ」が説明できない

だから崩れやすい。

相場は常に変化する。過去のノイズにフィットした戦略は、環境が変われば即死する。

本当に価値のある戦略とは：

実際の市場を観察して生まれた仮説がある
「なぜ勝てるか」の因果関係が説明できる
経験から来る肌感に裏打ちされている

「でも俺のAI戦略はバックテストで年利500%だぞ！」

その気持ちは分かる。バックテストの右肩上がりグラフは気持ちいい。

でも、その戦略に**「なぜ」**はあるか？

相場という戦場で戦ったことはあるか？

答えられないなら、それは情報の産業廃棄物だ。

ゴミ箱に捨てて、仮説から始めよう。 🔥