# InelidaMarketScan — 機械学習による金融市場の科学的分析

> **定量ファイナンス研究：ICT、一目均衡表、XGBoostと確率解析**
> 著者 **Didier Vally / Reuniware Systems**
> バージョン 1.0.6 — 2026-07-19
> 📦 PyPI: [https://pypi.org/project/inelida-marketscan](https://pypi.org/project/inelida-marketscan) | GitHub: [https://github.com/reuniware/InelidaMarketScanner](https://github.com/reuniware/InelidaMarketScanner)

---

## 要約

本書は、アルゴリズム取引に適用された6ヶ月間の定量ファイナンス研究の成果を提示する。InelidaMarketScanフレームワークは、ICT（インナーサークルトレーダー）テクニカル分析とマルチタイムフレーム一目均衡表を、XGBoost機械学習パイプライン（123特徴量）と確率解析関数（Ornstein-Uhlenbeck、Hurst、GARCH、Monte Carlo、Kelly）と組み合わせる。v18モデルは1,210件の過去取引で64.0%の交差検証精度を達成。27の連続モデルの分析により、一目均衡表の特徴量（Kijun/Tenkan距離、T/Kクロス）がICTパターン（FVG、Order Blocks）よりも予測力が高いことが明らかになった。ML% ≥ 50%フィルタリングによる資本シミュレーションではインサンプルで利益因子2.27を示し、アウトオブサンプル検証では上限1.173を特定した。本書はICT、一目均衡表、機械学習の交点に関する包括的な科学的リファレンスである。

---

## 1. はじめに

### 1.1 背景と問題提起

アルゴリズム取引は、金融時系列における繰り返しパターンの識別に依存している。Michael Huddlestonによって開発されたICT（インナーサークルトレーダー）概念は、機関投資家の市場行動を説明する：流動性スイープ、フェアバリューギャップ、オーダーブロック、市場構造シフト。並行して、一目均衡表指標は市場均衡のマルチタイムフレームの読み取りを提供する。本プロジェクトは、自動スキャナーとXGBoostモデルを通じてこれら2つのパラダイムの融合を探求する。

### 1.2 研究目的

1. 8つの時間枠（M5からMN）でICTと一目均衡表を組み合わせた自動スキャナーを開発する。2. スキャナーから抽出された123の名前付き特徴量を持つMLパイプラインを構築する。3. 過去バックテスト（2025-2026）とアウトオブサンプルテストで予測力を検証する。4. 定量ファイナンス関数（OU、Hurst、GARCH、Monte Carlo、Kelly）を統合する。5. 実条件下で利益因子 > 1.5を達成する。

## 2. ICT理論的基礎

ICT概念は、ポジションを蓄積するために価格水準を操作する金融機関（銀行、ヘッジファンド）の行動をモデル化する。以下の8つの概念がスキャナーによって自動検出される：

| ICT概念 | 説明と検出 |
|:---|:---|
| **流動性スイープ** | 反転前にストップを発動させるためのキーレベル（アジア高値/安値、ロンドン高値/安値）の短時間の突破。H1で検出し反転確認。 |
| **フェアバリューギャップ（FVG）** | 価格が取引されなかった3本の連続ローソク足間のギャップ。6つの時間枠（M5からD1）で検出し、埋め戻し率を表示。 |
| **オーダーブロック（OB）** | 方向性インパルスの前の最後のローソク足 — 機関が注文を出したゾーン。ATR(14)を用いて6つの時間枠で検出。 |
| **ブレーカーブロック（BRK）** | 破られたオーダーブロックが反対のサポート/レジスタンスに反転。既存のOBから派生。 |
| **市場構造シフト（MSS/BOS）** | 市場構造の変化：6つの時間枠でのストラクチャーブレイクとキャラクターチェンジ。 |
| **出来高HVN/LVN** | MT5のティック出来高に基づく高出来高ノードと低出来高ノード。6つの時間枠で検出。 |
| **リバーサルパイプライン** | スイープ → 反転 → 確認の完全なチェーンとスイープ後バーカウンター。 |
| **フィボナッチ拡張** | TPターゲットのためのアジアレンジに基づく+1.618から+4.0の拡張。 |

## 3. マルチTF一目均衡表アーキテクチャ

Diamondスキャナーは8つの時間枠を同時に分析する。各TFについて5つの一目均衡表コンポーネントが計算される：

| 時間枠 | Tenkan | Kijun | Kumo | T/K Cross | Flat History |
|:---|:---:|:---:|:---:|:---:|:---:|
| **M5** | X | X | - | X | - |
| **M15** | X | X | - | X | - |
| **M30** | X | X | - | X | - |
| **H1** | X | X | X | X | X |
| **H4** | X | X | X | X | X |
| **D1** | X | X | X | X | X |
| **W1** | X | X | X | X | X |
| **MN** | X | X | X | X | X |

## 4. Diamondスキャナーアーキテクチャ

Diamondスキャナーは10カテゴリーで109のスコアリング基準を集約する：

| カテゴリー | 基準数 | 例 |
|:---|---:|:---|
| 一目均衡表 H1-D1 | 24 | Kijun/Tenkan距離、T/Kクロス、Kumo位置、フラットバー |
| 一目均衡表 W1-MN | 8 | Kijun W1/MN、Kumo W1/MN、雲の色、ダブルメモリー |
| FVG（6TF） | 12 | M5からD1のFVGベア/ブル、埋め戻し%、時間優先度 |
| オーダーブロック（6TF） | 12 | M5からD1のOBベア/ブル、位置上/下/同 |
| MSS/BOS（6TF） | 18 | M5からD1のレジーム、BOS、CHoCH |
| 出来高HVN/LVN（6TF） | 12 | M5からD1の出来高スパイク、HVN、LVN |
| ブレーカーブロック（6TF） | 12 | M5からD1のBRKベア/ブル |
| アジア/ロンドンスイープ | 4 | AH/ALスイープ、ロンドンH/Lスイープ |
| リバーサルパイプライン | 5 | スイープ→反転→確認、スイープ後FVG、再テスト |
| M30/M15/M5 Kijun | 2 | Kijun M30/M15/M5方向性クロス |

**最大スコア:** 109 基準（MNなしで107）

## 5. 機械学習パイプライン

MLパイプラインは3段階でスキャナー結果を勝率に変換する：

| 段階 | ツール | 詳細 |
|:---:|:---|:---|
| 1 | `ml_labeler.py` | Diamondスキャンからの特徴量抽出（DB/手動CSV/バックテスト）。outcome列付きラベル付きCSVを生成（1=勝ち、0=負け）。 |
| 2 | `ml_trainer.py` | 5分割交差検証、不均衡クラス用scale_pos_weight、ハイパーパラメータグリッドサーチによるXGBoost訓練。 |
| 3 | `ml_predictor.py` | リアルタイム推論：extract_features() → predict_proba() → ML%をライブスキャンに表示。簡素化されたMLPredictor：5回ではなく1回のjoblib.load。 |

## 6. XGBoostモデルv18 — 設定

v18モデルはアクティブな本番モデル。GARCHと確率特徴量を含む123の名前付き特徴量で1,210件の過去取引に訓練。

| ハイパーパラメータ | 値 |
|:---|:---|
| `max_depth` | 6 |
| `learning_rate` | 0.03 |
| `n_estimators` | 200 |
| `subsample` | 0.8 |
| `min_child_weight` | 3 |
| `gamma` | 0.1 |
| `reg_alpha` | 0.5（L1） |
| `reg_lambda` | 1.0（L2） |
| `scale_pos_weight` | 自動（勝敗比に基づく） |

**123の名前付き特徴量**には以下が含まれる：スコア/バイアス（6）、Kijun 6TF（18）、Tenkan 6TF（18）、T/Kクロス（6）、Kumo（6）、M5/M15/M30クロス（12）、フラットバー（2）、アクティブFVG（1）、オーダーブロック（6）、スイープ（5）、出来高（6）、MSS/BOS（6）、ブレーカーブロック（6）、圧縮（1）、確率（8：OU、Hurst、Monte Carlo、GARCH）、時間（3）、資産タイプ（3）。

## 7. モデル履歴

プロジェクト開始以来、27のXGBoostモデルが訓練・評価された。主要バージョンの履歴は以下の通り：

| モデル | データ | 特徴量 | 取引 | CV | OOS PF | 状態 |
|:---|:---|---:|---:|:---:|:---:|
| v1 | 6主要ペア | 36 | 852 | 61.0% | — | アーカイブ |
| v4 | 13シンボル | 111 | 1,210 | 62.9% | 1.26* | インサンプル（リーク） |
| v7 | 13シンボル | 25ベスト | 2,923 | 60.1% | 1.173 | 🥇 最良統一OOS |
| v13 | 4モデル/資産 | 25 | 2,923 | 53-64% | 4.000 | 🏆 資産別（15取引） |
| v15 | 2025-2026 | 25 + OU/Hurst | 5,009 | 59.8% | — | 確率統合済 |
| v18 | 13シンボル | 123（GARCH） | 1,210 | 64.0% | 0.503 F1 | [X] 本番アクティブ |

## 8. 特徴量重要度（v4）

特徴量重要度分析により、どの基準がモデル決定で最も重みを持つかが明らかになる：

| 順位 | 特徴量 | ゲイン | 洞察 |
|:---:|:---|:---:|:---|
| 1 | `is_dxy` | 14.2 | ドルは外国為替ペアとは根本的に異なるロジックに従う |
| 2 | `rr` | 10.0 | 理論的リスク/リワード比が実際の結果を予測する |
| 3 | `tkx_h1` | 9.2 | H1 Tenkan/Kijunクロスが最良の単一予測因子 |
| 4 | `kj_h1` | 6.9 | H1 Kijunまでの距離が短期均衡を捉える |
| 5 | `sl` | 6.4 | ストップロスレベルはテイクプロフィットと同様に重要 |
| 6 | `day_wednesday` | 6.4 | 水曜日（FOMC）は統計的に異なる行動を示す |
| 7 | `d_kj_h4` | 6.3 | H4 Kijunまでの距離が基調トレンドを示す |
| 8 | `d_kj_d1` | 6.0 | D1 Kijunまでの距離がマクロコンテキストを固定する |
| 9 | `tkx_h4` | 6.0 | H4 T/Kクロスがセッショントレンドを確認する |
| 10 | `is_forex` | 5.9 | FXペアは指数/金属とは異なる独自の行動を持つ |

## 9. アウトオブサンプル検証

OOS検証（2026年1月-6月訓練、2026年7月テスト）が決定的テストである。v4モデルはML% ≥ 50%閾値でインサンプルPF 2.27を示すが、これにはデータリークが含まれる（モデルは訓練中にテストデータの80%を見た）。v7の真のOOS PFは1.173 — 統計的に有意だが控えめな優位性。v13モデル（資産別）は15取引でPF=4.000を達成するが、サンプルが小さすぎて信頼できない。結論：MLは真の優位性（PF > 1.0）を提供するが、統一アーキテクチャでの現在の上限は約1.17である。

## 10. 資本シミュレーション — ML%フィルタリング

初期資本10,000ユーロ、取引ごとリスク1%で1,210件の過去取引をシミュレーション：

| ML%閾値 | 取引 | 勝率 | PF（RR） | 損益（1万€） |
|:---|---:|---:|:---:|---:|
| フィルターなし | 1,210 | 37.6% | 1.02 | +1,442 € |
| ML% ≥ 45% | 661 | 54.3% | 1.91 🔥 | +27,542 € |
| ML% ≥ 50% | 504 | 59.7% | 2.27 🔥🔥 | +25,842 € |
| ML% ≥ 55% | 327 | 67.3% | 2.80 | +19,242 € |
| ML% ≥ 60% | 170 | 78.8% | 3.59 | +9,340 € |
| ML% ≥ 70% | 71 | 88.7% | 1.64 | +514 € |

## 11. 定量ファイナンスと確率解析

6つの定量ファイナンス関数がスキャナーとMLパイプラインに統合された。これらの関数はリスク、ボラティリティ、市場レジームの指標を計算する：

| 関数 | 目的 | ML特徴量 | v18順位 |
|:---|:---|:---|:---:|
| **Ornstein-Uhlenbeck** | 長期平均からの価格の過剰延伸を検出。スコア0-100%：>80% = 反転の可能性。 | `ou_score` | 未テスト |
| **Hurst指数** | 市場レジームを分類：H < 0.45 = レンジ、H > 0.55 = トレンド。 | `hurst_h` | 未テスト |
| **GARCH(1,1)** | 条件付きボラティリティをモデル化。4特徴量：持続性、長期ボラティリティ、半減期、予測ボラティリティ。 | `garch_persistence` | #14 |
| **Monte Carlo** | 10,000の価格パスをシミュレーション。P(SL到達)とP(TP到達)を計算。 | `mc_p_sl, mc_p_tp` | 未テスト |
| **Kelly基準** | 資産タイプ別の最適ポジションサイズ。ゲイン=0.00（最適化済みSL/TPと重複）。 | `kelly_full` | #124 |
| **FTMO破産** | 10%ドローダウンでのプロップファーム口座の破産確率。100取引シミュレーション。 | `ftmo_ruin_prob` | 未テスト |

## 12. 資産タイプ別Kelly基準

Kelly基準は一律のwin_rate=0.40ではなく、バックテストからの実際の勝率を使用する。結果：

| 資産タイプ | 勝率 | Kellyフル | Kellyハーフ |
|:---|---:|:---:|:---:|
| **DXY** | 73% | 46.0% | 23.0% |
| **XAUUSD** | 42% | 13.0% | 6.5% |
| **外国為替** | 31% | 3.5% | 1.8% |
| **指数** | 38% | 7.0% | 3.5% |
| **暗号通貨** | 35% | 2.5% | 1.3% |

## 13. 簡素化されたMLPredictor（2026年7月19日）

MLPredictorは以前、同じモデルを5回ロードしていた（予測メソッドごとに1回）。2026年7月19日の簡素化により、単一の`joblib.load()`に削減された。結果：30行のコード削除、ロード時間が4分の1に、冗長な`_ASSET_MODEL_MAP`が排除された。v18モデルは現在、すべての資産タイプに対する唯一の統一モデルである。

## 14. バグ修正 — 2026年7月19日

2026年7月19日の徹底的なコードレビューにより4つのバグが特定され修正された：

| # | 重大度 | ファイル | 説明 |
|:---:|:---|:---|:---|
| 1 | 致命的 | `diamond_scanner.py` | `ml_available`内の`return`後のデッドコード — シンボルが一度もアクティブ化されなかった。`initialize()`が`_initialized = True`を設定していなかった。 |
| 2 | 高 | `stochastic_analytics.py` | GARCH：有効な(α,β)ペアが見つからない場合、架空のパラメータでサイレントフォールバック。`best_ll <= -1e100`チェックを追加。 |
| 3 | 中 | `stochastic_analytics.py` | Monte Carlo：対数収益率ボラティリティフォールバックが計算されていたが、OUシグマがゼロの場合に使用されていなかった。 |
| 4 | 低 | `stochastic_analytics.py` | FTMO：`pnl_avg`/`roi_avg`がtryブロック外 — 計算とreturnの間にコードが追加された場合のNameErrorリスク。 |

## 15. 最終決定マトリックス

決定マトリックスはDiamondスコア、ML%、安全装置、マクロコンテキストを組み合わせる：

| 条件 | アクション | 根拠 |
|:---|:---:|:---|
| ML% ≥ 60% + TKx H1整合 + HIGH NEWSなし | 🟢 GO | 三重確認：ML、一目均衡表、マクロ |
| ML% ≥ 60% + TKx H1競合 | 🟡 待機 | MLがT/K H1クロスと矛盾 |
| ML% 50-60% + TKx H1整合 | 🟡 注意 | 中程度のML優位性、追加確認が必要 |
| ML% < 50% | 🔴 NO GO | モデルに統計的優位性なし |
| HIGH NEWS DAY + BULL | 🔴 待機 | マクロ日（≥2主要イベント）は相関を破壊 |
| 水曜日（FOMC日）+ 外国為替 | 🟡 高リスク | 水曜日は統計的に異なる行動を示す |

## 16. 結論と展望

InelidaMarketScanプロジェクトは、一目均衡表特徴量で訓練されたMLパイプラインが統計的に有意な優位性（OOS PF = 1.173）を生成できることを実証する。2026年7月19日に修正された4つの致命的バグは、ライブスキャナーの信頼性を強化する。27の連続モデルは重要な洞察を明らかにした：一目均衡表特徴量はICTパターンよりも予測力が高く、資産タイプ（is_dxy、is_forex）が主要予測因子であり、確率解析関数（GARCH、OU、Hurst）が補完的なボラティリティシグナルを提供する。次のパフォーマンス飛躍には、より大きなデータセット（2024-2026、資産あたり>5,000取引）と潜在的にはディープラーニングアーキテクチャ（LSTM、Transformer）が必要である。

## 参考文献

- Huddleston, M. — Inner Circle Trader (ICT) Concepts, 2022-2024
- Chen, T. & Guestrin, C. — XGBoost: A Scalable Tree Boosting System, KDD 2016
- Bollerslev, T. — Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 1986
- Hurst, H.E. — Long-term Storage Capacity of Reservoirs, Trans. ASCE, 1951
- Uhlenbeck, G.E. & Ornstein, L.S. — On the Theory of Brownian Motion, Physical Review, 1930
- Kelly, J.L. — A New Interpretation of Information Rate, Bell System Technical Journal, 1956
- Hosoda, G. — Ichimoku Kinko Hyo, 1968

---

> **定量ファイナンス研究著作。引用による複製許可。**

## 🌐 コミュニティ

**Trading Pro** Discordサーバーに参加してコミュニティと交流しましょう：https://discord.gg/u9JApXqhXy

---

> **Didier Vally / Reuniware Systems** — InelidaMarketScan v1.0.6
> 2026-07-19