🥇【完全検証】ゴールド時間帯分析！566回のトレードで判明した「勝てる時間」と「地獄の時間」

- データソース: MetaTrader5 (5分足)
- 期間: 2023年2月〜2025年12月（約2年10ヶ月）
- 対象: XAUUSD (ゴールド)
- データ本数: 約200,000本
- ツール: Python (pandas, matplotlib, numpy)
- 時間基準: JST（日本時間）に変換済み

エントリー: 毎日 JST 04:00 にロング
決済: 同日 JST 14:00 にクローズ
方向: ロングのみ（ショートなし）

"""
🥇 ゴールドロールオーバー戦略の本格検証
MT5から5分足データを取得し、04:00-14:00 JSTのロングトレードを検証
"""

import MetaTrader5 as mt5
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# === 設定 ===
SYMBOL = "XAUUSDm"
TIMEFRAME = mt5.TIMEFRAME_M5
NUM_BARS = 200000

# JST時間での戦略
ENTRY_HOUR_JST = 4   # JST 04:00
EXIT_HOUR_JST = 14   # JST 14:00

def initialize_mt5():
    """MT5に接続"""
    if not mt5.initialize():
        print("MT5の初期化に失敗")
        return False
    print(f"MT5 version: {mt5.version()}")
    return True

def get_ohlc_data(symbol, timeframe, num_bars):
    """OHLCデータを取得"""
    rates = mt5.copy_rates_from_pos(symbol, timeframe, 0, num_bars)
    if rates is None:
        raise Exception(f"Failed to get data for {symbol}")

    df = pd.DataFrame(rates)
    df['time'] = pd.to_datetime(df['time'], unit='s')
    df.set_index('time', inplace=True)
    return df

def analyze_hourly_returns(df):
    """時間帯別リターンを分析（JST時間ベース）"""
    df['return'] = (df['close'] - df['open']) * 10  # pips換算

    # JST時間に変換（MT5はUTC+0、JSTはUTC+9）
    df['jst_time'] = df.index + pd.Timedelta(hours=9)
    df['hour'] = df['jst_time'].dt.hour
    df['weekday'] = df['jst_time'].dt.weekday

    # 時間帯別集計
    hourly_stats = df.groupby('hour')['return'].agg([
        'mean', 'std', 'count',
        lambda x: (x > 0).mean()  # 勝率
    ]).round(4)
    hourly_stats.columns = ['mean_return', 'volatility', 'count', 'win_rate']

    return hourly_stats

def extract_rollover_trades(df):
    """JST 04:00 にエントリー、JST 14:00 に決済のトレードを抽出"""
    trades = []

    # JST時間を追加（MT5はUTC+0）
    df['jst_time'] = df.index + pd.Timedelta(hours=9)
    df['jst_hour'] = df['jst_time'].dt.hour
    df['jst_date'] = df['jst_time'].dt.date

    dates = df['jst_date'].unique()

    for date in dates:
        day_df = df[df['jst_date'] == date]

        # エントリー・決済時刻を探す
        entry_df = day_df[day_df['jst_hour'] == ENTRY_HOUR_JST]
        exit_df = day_df[day_df['jst_hour'] == EXIT_HOUR_JST]

        if len(entry_df) == 0 or len(exit_df) == 0:
            continue

        entry_price = entry_df.iloc[0]['open']
        exit_price = exit_df.iloc[0]['close']

        # リターン計算（pips: ゴールドは$0.1 = 1pip）
        return_pips = (exit_price - entry_price) * 10

        trades.append({
            'date': date,
            'weekday': entry_df.iloc[0]['jst_time'].weekday(),
            'month': entry_df.iloc[0]['jst_time'].month,
            'year': entry_df.iloc[0]['jst_time'].year,
            'entry_price': entry_price,
            'exit_price': exit_price,
            'return_pips': return_pips,
            'win': return_pips > 0
        })

    return pd.DataFrame(trades)

def calculate_statistics(trades_df):
    """トレード統計を計算"""
    wins = trades_df[trades_df['win'] == True]
    losses = trades_df[trades_df['win'] == False]

    total_return = trades_df['return_pips'].sum()
    avg_return = trades_df['return_pips'].mean()
    win_rate = len(wins) / len(trades_df)
    avg_win = wins['return_pips'].mean() if len(wins) > 0 else 0
    avg_loss = losses['return_pips'].mean() if len(losses) > 0 else 0

    # シャープレシオ（年率換算）
    daily_returns = trades_df['return_pips']
    sharpe = (daily_returns.mean() / daily_returns.std()) * np.sqrt(252)

    print(f"\n=== ロールオーバー戦略 検証結果 ===")
    print(f"期間: {trades_df['date'].min()} 〜 {trades_df['date'].max()}")
    print(f"トレード数: {len(trades_df)}")
    print(f"総損益: {total_return:.1f} pips")
    print(f"平均リターン: {avg_return:.2f} pips")
    print(f"勝率: {win_rate*100:.1f}%")
    print(f"平均勝ち: {avg_win:.1f} pips")
    print(f"平均負け: {avg_loss:.1f} pips")
    print(f"シャープレシオ: {sharpe:.2f}")

    return {
        'total_return': total_return,
        'avg_return': avg_return,
        'win_rate': win_rate,
        'sharpe': sharpe
    }

def analyze_by_weekday(trades_df):
    """曜日別分析"""
    weekday_names = ['月', '火', '水', '木', '金', '土', '日']

    print(f"\n=== 曜日別成績 ===")
    for wd in sorted(trades_df['weekday'].unique()):
        wd_df = trades_df[trades_df['weekday'] == wd]
        avg_ret = wd_df['return_pips'].mean()
        win_rate = wd_df['win'].mean()
        count = len(wd_df)
        print(f"{weekday_names[wd]}曜日: 平均 {avg_ret:+.1f} pips, "
              f"勝率 {win_rate*100:.1f}%, n={count}")

def main():
    """メイン処理"""
    if not initialize_mt5():
        return

    try:
        # データ取得
        print(f"データ取得中: {SYMBOL}")
        df = get_ohlc_data(SYMBOL, TIMEFRAME, NUM_BARS)
        print(f"取得完了: {len(df)} 本")

        # 時間帯別分析
        print("\n=== 時間帯別リターン分析 (JST) ===")
        hourly_stats = analyze_hourly_returns(df)
        print(hourly_stats)

        # ロールオーバー戦略検証
        trades_df = extract_rollover_trades(df)
        stats = calculate_statistics(trades_df)
        analyze_by_weekday(trades_df)

        # 累積リターングラフ
        trades_df['cumulative'] = trades_df['return_pips'].cumsum()

        plt.figure(figsize=(12, 6))
        plt.plot(trades_df['date'], trades_df['cumulative'])
        plt.title('Gold Rollover Strategy - Cumulative Return (pips)')
        plt.xlabel('Date')
        plt.ylabel('Cumulative Return (pips)')
        plt.grid(True, alpha=0.3)
        plt.tight_layout()
        plt.savefig('gold_rollover_cumulative.png', dpi=150)
        plt.show()

    finally:
        mt5.shutdown()

if __name__ == "__main__":
    main()