AIとトレードの融合：2026年に機械学習で仮想通貨取引を自動化する方法

ルールベース（Rule-Based）：
IF RSI < 30 → 買い
IF RSI > 70 → 売り

特徴：シンプル、解釈可能、計算コスト低
限界：市場変化への適応不可、単純なものには負ける

データドリブン（Data-Driven）：
INPUT: 価格、取引量、テクニカル指標、センチメント、オンチェーンデータ
MODEL: 数十〜数千の特徴量から非線形パターンを学習
OUTPUT: 買い/売り/ホールドの確率的シグナル

特徴：市場構造の変化を部分的に学習可能
限界：過学習リスク、解釈が難しい、計算リソースが必要

pip install pandas numpy scikit-learn xgboost ta ccxt matplotlib

import pandas as pd
import numpy as np
from ta import add_all_ta_features

def create_features(df: pd.DataFrame) -> pd.DataFrame:
    """OHLCVデータからML特徴量を作成"""
    
    # 基本テクニカル指標（taライブラリ活用）
    df = add_all_ta_features(
        df, open="open", high="high", low="low",
        close="close", volume="volume", fillna=True
    )
    
    # 価格変動率の特徴量
    for period in [1, 3, 7, 14, 30]:
        df[f'return_{period}d'] = df['close'].pct_change(period)
    
    # ボラティリティ特徴量
    df['volatility_7d'] = df['close'].pct_change().rolling(7).std()
    df['volatility_30d'] = df['close'].pct_change().rolling(30).std()
    
    # 出来高異常検出
    df['volume_ratio'] = df['volume'] / df['volume'].rolling(20).mean()
    
    # ターゲット変数：次の4時間で1%以上上昇すれば1、そうでなければ0
    df['target'] = (df['close'].shift(-4) > df['close'] * 1.01).astype(int)
    
    return df.dropna()

from xgboost import XGBClassifier
from sklearn.model_selection import TimeSeriesSplit
from sklearn.metrics import classification_report

def train_model(df: pd.DataFrame):
    # 特徴量とターゲットの分離
    exclude_cols = ['open', 'high', 'low', 'close', 'volume', 'target']
    feature_cols = [c for c in df.columns if c not in exclude_cols]
    
    X = df[feature_cols]
    y = df['target']
    
    # 時系列クロスバリデーション（将来データの漏洩防止）
    tscv = TimeSeriesSplit(n_splits=5)
    
    model = XGBClassifier(
        n_estimators=100,
        max_depth=4,
        learning_rate=0.05,
        subsample=0.8,
        random_state=42
    )
    
    # Walk-forward検証
    scores = []
    for train_idx, val_idx in tscv.split(X):
        X_train, X_val = X.iloc[train_idx], X.iloc[val_idx]
        y_train, y_val = y.iloc[train_idx], y.iloc[val_idx]
        
        model.fit(X_train, y_train)
        y_pred = model.predict(X_val)
        
        from sklearn.metrics import accuracy_score
        scores.append(accuracy_score(y_val, y_pred))
    
    print(f"平均精度: {sum(scores)/len(scores):.3f}")
    return model

# 1. ウォークフォワードテスト（未来のデータを訓練に使わない）
# 2. 特徴量の数を制限（50個以下推奨）
# 3. 正則化パラメータの調整
model = XGBClassifier(
    reg_alpha=0.1,    # L1正則化
    reg_lambda=1.0,   # L2正則化
    min_child_weight=5
)

# 4. アウト・オブ・サンプルテスト
# 最後の20%のデータをテスト用に完全に除外
train_size = int(len(df) * 0.8)
train_df = df.iloc[:train_size]
test_df = df.iloc[train_size:]