その他コマンド¶

コアコマンド以外の補助・管理用コマンドを 1 ページにまとめています。10 グループ × 約 29 サブコマンドが対象です。詳細パラメータの完全なリストは forge <group> <subcommand> --help でも確認できます。

サンプル出力について

本ページの出力例は alpha-forge のソースから読み取ったフォーマットを元にしたサンプルです。実際の数値はデータと環境によって異なります。

グループ早見表¶

グループ	サブコマンド	主な用途
self	`update` `version`	forge バイナリの自己更新・最新版確認
system auth	`login` `logout` `status` `check op`	Whop OAuth 認証と認証状態の確認
system init	（単一コマンド）	作業ディレクトリの初期化
system docs	`list` `show`	同梱ドキュメント参照
pine	`generate` `preview` `import` `verify`	TradingView Pine Script の生成・取り込み・MCP 検証
data tv-mcp	`chart` `inspect`	TradingView MCP（チャートスナップショット・任意ツール呼び出し）
analyze indicator	`list` `show`	対応テクニカル指標の参照
idea	`add` `list` `show` `status` `link` `tag` `note` `search`	投資アイデアの記録・追跡
data alt	`fetch` `list` `info`	代替データ（センチメント等）の管理
analyze pairs	`scan` `scan-all` `build`	ペアトレード（コインテグレーション）
analyze ml	`dataset build` `dataset feature-sets` `train` `models` `walk-forward`	ML データセット・モデル学習・walk-forward 検証

self¶

forge バイナリ自身を更新・確認するためのコマンド群（macOS arm64 / x64 サポート、Phase 1）。alpha-forge リポジトリで issue #693 として導入。

forge self version¶

現在のバージョンと配布リポジトリ（alforge-labs/alforge-labs.github.io）の最新リリースを表示します。self 配下は Whop 認証チェックをスキップするため、ログイン状態に関係なく実行できます。

forge self version

サンプル出力：

現在のバージョン: 0.3.1
最新リリース   : 0.4.0  (https://github.com/alforge-labs/alforge-labs.github.io/releases/tag/v0.4.0)
新しいバージョンが利用可能です: 0.4.0 (available)
アップデート: forge self update

forge self update¶

forge バイナリを最新版に更新します。GitHub Releases から SHA256 検証付きでダウンロード → アトミックに forge.dist を差し替え → 旧バイナリを forge.dist.bak-<unix_ts> として最新 2 世代まで保持します。

forge self update                 # プロンプトで確認 [y/N]
forge self update --yes           # 確認をスキップ（CI 用）
forge self update --check         # ダウンロードせず確認のみ
forge self update --version 0.4.0 # 任意バージョンへピン留め
forge self update --dry-run       # DL・検証・展開のみ実行（差し替えなし）
forge self update --print-target  # 検出したインストールレイアウトを表示（トラブル時に共有）

動作する条件¶

install.sh でインストールされた forge.dist ディレクトリ + symlink 形式（典型: ~/.local/share/alpha-forge/forge.dist/ + ~/.local/bin/forge）で動作します。

環境	動作
macOS arm64 / x64（install.sh 経由）	✅ サポート
Windows x64	⚠️ Phase 1 では未サポート（`install.ps1` を再実行してください）
Linux x64	⚠️ Phase 3 で対応予定
開発モード（`uv run forge`）	⚠️ `DevModeError` で停止（`git pull && uv sync` を使ってください）

内部動作¶

配布リポジトリ alforge-labs/alforge-labs.github.io の Releases API から最新タグを取得
プラットフォームに合うアセット（例: forge-macos-arm64.tar.gz）と SHA256SUMS をダウンロード
ハッシュ検証 → 一時ディレクトリに展開
forge.dist を forge.dist.bak-<unix_ts> にリネーム（atomic）
新しい forge.dist をアトミックに配置
$BIN_DIR/forge symlink が壊れていれば再作成

途中で失敗した場合、旧バイナリは無傷で残り、forge.dist.bak-* から復旧できます（Phase 2 で forge self rollback を提供予定）。

system auth¶

Whop OAuth 2.0 PKCE による認証コマンド群。サブコマンドはすべて forge system auth <subcommand> で実行します。詳しい初回セットアップははじめにを参照。

ブラウザを開いて Whop で認証します。

forge system auth login

ブラウザが自動で開き、Whop の OAuth 認証フローを実行します。引数・オプションなし。成功すると認証情報が $XDG_CONFIG_HOME/forge/credentials.json（未設定時 ~/.config/forge/credentials.json）にキャッシュされます。

forge system auth logout¶

ログアウトして認証情報を削除します。

forge system auth logout

credentials.json を削除します。引数・オプションなし。Whop マイページのメンバーシップ自体は影響を受けません。

forge system auth status¶

現在の認証状態を表示します。

forge system auth status

サンプル出力：

ユーザー ID      : user_abc123
アクセストークン: 2026-04-12 12:30 UTC（あと 45 分）
最終検証        : 2026-04-12 11:45 UTC（13 分前）
プラン          : annual

未認証時は次のように案内します：

[AlphaForge] ログイン情報がありません。
  実行: forge system auth login

開発スキップ環境変数（ALPHA_FORGE_DEV_SKIP_LICENSE=1）が有効な場合は [AlphaForge] 開発スキップ中（EULA/認証は未完了） を表示します。

forge system auth check op¶

1Password CLI（op）のセッション有効性を検証します。.env.op を併用するチームの CI フックで使用するためのもの（issue #411）。詳細は実装コメントを参照。

forge system auth check op [--json]

セッション有効時に exit code 0、無効時に exit code 2 を返します。

system init¶

作業ディレクトリを初期化します。forge.yaml、データディレクトリ、ドキュメント、AI アシスタント統合ファイルを作成。

構文¶

forge system init [OPTIONS]

オプション¶

名前	種別	デフォルト	説明
`--force` / `-f`	フラグ	false	既存ファイルを確認なしで上書き
`--no-claude`	フラグ	false	AI アシスタント統合ファイルのセットアップをスキップ

作成されるディレクトリ¶

data/historical/、data/strategies/、data/results/、data/journal/、data/ideas/、output/pinescript/

インストールされる AI 統合ファイル¶

出力先	内容
`.claude/skills/`	Claude Code スキル（forge-backtest, forge-analyze, forge-data）
`.claude/commands/`	Claude Code スラッシュコマンド（explore-strategies, grid-tune 他 4 件）
`.agents/skills/`	Codex スキル（explore-strategies, grid-tune 他 4 件）

サンプル出力¶

AlphaForge: 作業ディレクトリを初期化します...

[1/4] 設定ファイル
  ✓ forge.yaml

[2/4] データディレクトリ
  ✓ data/historical/
  ✓ data/strategies/
  - 既存: data/results/
  ...

[3/4] ドキュメントファイル
  ✓ docs/quick-start.ja.md
  ✓ docs/user-guide.ja.md
  ...

[4/4] AI アシスタント統合ファイル
  ✓ .claude/skills/forge-backtest/SKILL.md
  ✓ .claude/commands/explore-strategies.md
  ✓ .claude/commands/grid-tune.md
  ✓ .agents/skills/explore-strategies/SKILL.md
  ✓ .agents/skills/grid-tune/SKILL.md
  ...

完了: 26 件を作成, 0 件をスキップ

次のステップ:
  1. forge.yaml を編集して設定をカスタマイズしてください
  2. 以下を ~/.zshrc / ~/.bashrc に追加してください:
     export FORGE_CONFIG=/path/to/forge.yaml

explore¶

戦略探索パイプラインの状態管理と一括実行を行います。AI エージェント（/explore-strategies）から利用されるコマンド群です。

サブコマンド	説明
`run`	バックテスト→最適化→WFT→DB登録を一気通貫実行（メインコマンド）
`index`	`explored_log.md` から `exploration_index.yaml` を生成
`import`	既存 Markdown ログを探索 DB へ投入
`log`	探索試行を DB に手動記録
`status`	ゴールに対する網羅状況マップを表示
`result`	探索 DB に保存された最新試行の詳細を表示
`health`	直近 N 件の試行から連続失敗・scaffold 固定化を検出（無人運転の品質ゲート）
`recommend`	次の探索候補を `recommendations.yaml` へ出力
`coverage`	パラメータカバレッジ（YAML）の更新・参照

forge explore run¶

バリデーション → データ自動取得 → バックテスト → 最適化 → ウォークフォワードテスト（WFT）→ coverage 更新 → DB 登録を 1 コマンドで完結させます。不合格時は exit code 1 を返します（--dry-run / --pre-check 時を除く）。
エージェントの /explore-strategies スキルから内部的に呼び出されます。

forge explore run <SYMBOL> --strategy <NAME> --goal <GOAL> [--no-cleanup] [--dry-run] [--pre-check] [--json] [--db <PATH>]

オプション	説明	デフォルト
`--strategy`	戦略名（必須）	—
`--goal`	ゴール名（`goals.yaml` の `pre_filter` / `target_metrics` を適用）	`default`
`--no-cleanup`	不合格時もファイル・DB エントリを削除しない（デバッグ用）	off
`--dry-run`	実行予定ステップを表示して終了（実際の処理は行わない）	off
`--pre-check`	バックテスト（デフォルトパラメータ）のみ実行し、最適化/WFT はスキップする（#321）	off
`--json`	結果を JSON 形式で標準出力する（非推奨: `forge explore result show <id> --json` を使用してください）	off
`--db`	探索 DB のパス（省略時は `forge.yaml` のデフォルトパス）	—

`--pre-check` の使い方¶

戦略設計段階のスクリーニングに使用します。最適化・WFT は実行されません。

forge explore run SPY --strategy my_rsi_v1 --pre-check
forge explore run SPY --strategy my_rsi_v1 --pre-check --json

--pre-check 実行時のテキスト出力例:

📊 Pre-check (バックテスト・デフォルトパラメータ)
  Sharpe:     0.821
  MaxDD:      19.9%
  Trades:     24 ⚠️ 少ない（WFT 窓に対して不十分な可能性）
  Signals:    31
  Pre-filter: FAIL ❌

→ 最適化・WFT はスキップされます。

出力 JSON の例¶

{
  "symbol": "SPY",
  "strategy_id": "spy_hmm_rsi_v3",
  "passed": false,
  "backtest": {
    "sharpe": 0.82,
    "max_dd": 19.9,
    "trades": 42
  },
  "pre_filter_pass": true,
  "wft_avg_sharpe": 1.12,
  "wft_target": 1.5,
  "skip_reason": "wft_failed",
  "cleanup_done": true,
  "entry_signals": 31
}

フィールド	説明
`passed`	WFT が `target_metrics` を満たした場合 `true`
`skip_reason`	スキップ・失敗理由（`validation_failed` / `no_signals` / `pre_filter_failed` / `wft_failed` / `pre_check_only` / `dry_run` / `null`）
`cleanup_done`	不合格時に戦略 JSON / 結果 JSON が削除済みの場合 `true`
`entry_signals`	エントリーシグナルが立った日数（`--pre-check` 時に設定、後方互換で `null` になる場合あり）

forge explore result show¶

探索 DB に保存されている最新の探索結果を表示します。forge explore run 不合格時の詳細確認に使用します。

forge explore result show <STRATEGY_ID> [--goal <GOAL>] [--json] [--db <PATH>]

オプション	説明	デフォルト
`--goal`	ゴール名で絞り込む	—
`--json`	結果を JSON 形式で標準出力する	off
`--db`	探索 DB のパス（省略時は `forge.yaml` のデフォルトパス）	—

使用例¶

# 最新結果を人間可読形式で表示
forge explore result show gc_bb_hmm_rsi_v1

# ゴール絞り込みで JSON 出力（wft_diagnostics など診断情報を含む）
forge explore result show gc_bb_hmm_rsi_v1 --goal commodities --json

forge explore run が exit code 1 を返した場合の詳細確認フロー:

FORGE_CONFIG=forge.yaml forge explore run GC=F --strategy gc_bb_hmm_rsi_v1 --goal commodities
# exit code 1 → DB から詳細を取得
FORGE_CONFIG=forge.yaml forge explore result show gc_bb_hmm_rsi_v1 --goal commodities --json

--json 出力には wft_diagnostics・pre_filter_diagnostics・opt_metrics フィールドが含まれます。

pre_filter_diagnostics の構造（issue #409）¶

skip_reason: "pre_filter_failed" のとき、pre_filter_diagnostics には各基準について {value, threshold, passed, gap} の構造化情報が格納されます。自律探索エージェントが「どの基準がどれだけ不足したか」を機械的に判断するために使用します。

{
  "pre_filter_diagnostics": {
    "sharpe_ratio":      {"value": 0.716, "threshold": 1.0,  "passed": false, "gap": -0.284},
    "max_drawdown":      {"value": 1.66,  "threshold": 25.0, "passed": true,  "gap": 23.34},
    "trades":            {"value": 16,    "threshold": 30,   "passed": false, "gap": -14},
    "monthly_volume_usd":{"value": null,  "threshold": 0.0,  "passed": null,  "note": "未チェック"},
    "verdict": "failed",
    "failed_criteria": ["sharpe_ratio", "trades"]
  }
}

フィールド	説明
`value`	バックテストでの実測値（`monthly_volume_usd` は現状計算しないため `null`）
`threshold`	goals.yaml の `pre_filter` セクションから解決した閾値
`passed`	基準を満たしているかどうか（`null` の場合は未チェック）
`gap`	「実測値 − 閾値」（max_drawdown のみ「閾値 − 実測値」）。負なら不足量、正なら余裕量
`verdict`	全基準合格時 `"passed"`、いずれか不合格なら `"failed"`
`failed_criteria`	不合格となった基準名のリスト（評価順: `sharpe_ratio` → `max_drawdown` → `trades`）

wft_diagnostics の構造（issue #684）¶

skip_reason: "wft_insufficient_oos_data" または "wft_no_valid_oos_windows" のとき、wft_diagnostics には WFT の各 OOS ウィンドウの判定結果と全体集計が構造化されて格納されます。pre_filter_diagnostics と同じ流儀で、エージェントが「どのウィンドウで何が不足したか」を機械的に判定できます。

{
  "wft_diagnostics": {
    "total_oos_trades": 17,
    "oos_trades_by_window": [3, 3, 0, 6, 5],
    "valid_windows": 4,
    "required_valid_windows": 3,
    "min_oos_trades_per_window": 3,
    "windows": [
      {
        "window_index": 1,
        "oos_trades": 3,
        "oos_metric": -0.01,
        "valid": true,
        "skip_reason": null,
        "failed_criteria": [],
        "criteria": {
          "min_trades":     {"value": 3, "threshold": 3, "passed": true, "gap": 0},
          "metric_finite":  {"value": -0.01, "passed": true}
        }
      },
      {
        "window_index": 3,
        "oos_trades": 0,
        "oos_metric": null,
        "valid": false,
        "skip_reason": null,
        "failed_criteria": ["min_trades", "metric_finite"],
        "criteria": {
          "min_trades":     {"value": 0, "threshold": 3, "passed": false, "gap": -3},
          "metric_finite":  {"value": null, "passed": false}
        }
      }
    ],
    "summary": {
      "total_windows": 5,
      "valid_windows": 4,
      "required_valid_windows": 3,
      "min_required_trades": 3,
      "min_valid_windows_ratio": 0.6,
      "min_trades_violated_windows": [3],
      "metric_invalid_windows": [3],
      "skipped_windows": []
    }
  }
}

フィールド	説明
`windows[].window_index`	1 ベースのウィンドウ番号
`windows[].oos_trades`	OOS 期間の取引数
`windows[].oos_metric`	OOS の最適化メトリクス（NaN/inf は `null` に正規化）
`windows[].valid`	min_trades と metric_finite を両方満たすか
`windows[].failed_criteria`	不合格基準のリスト（`min_trades`, `metric_finite`, `window_skip:<reason>`）
`windows[].criteria`	各基準の `{value, threshold, passed, gap}`
`summary.min_trades_violated_windows`	min_trades 不足ウィンドウの 1 ベース index リスト
`summary.metric_invalid_windows`	metric が NaN/inf/None だったウィンドウの index リスト
`summary.skipped_windows`	engine 側でスキップされたウィンドウの index リスト
`summary.required_valid_windows`	合格に必要な有効ウィンドウ数（`ceil(total × min_valid_windows_ratio)`）

既存の後方互換フィールド（total_oos_trades, oos_trades_by_window, valid_windows, required_valid_windows, min_oos_trades_per_window）も並列で保持されます。

forge explore diagnose¶

WFT 不合格戦略について、データ期間を延長すれば通過しそうかを線形外挿で試算するコマンド（issue #685）。forge explore result show で wft_failed を確認した直後の追加診断として使います。

forge explore diagnose <STRATEGY_ID> [--goal <GOAL>] [--periods 10y,20y,30y] \
                                    [--windows 5] [--min-oos-trades 3] \
                                    [--db <PATH>] [--json]

オプション	説明	デフォルト
`--goal`	レコードを絞り込むゴール名	DB に紐付く goal
`--periods`	試算する期間（CSV、例: `10y,20y,30y`）	`10y,20y,30y`
`--windows`	WFT ウィンドウ数	`goals.yaml` の wft 設定または `5`
`--min-oos-trades`	ウィンドウあたり必要な OOS trades	`goals.yaml` の wft 設定または `3`
`--json`	結果を JSON で出力	off

試算ロジック¶

trade_rate = total_trades / current_period_years
各シナリオで expected = trade_rate × (period / windows)
ratio = expected / min_oos_trades_per_window
pass_probability: ratio>=3 → 90%、>=2 → 70%、>=1.5 → 50%、>=1 → 30%、<1 → 0%
recommendation は通過確率 0.7 以上を満たす 最小期間。なければ 0.5、それも無ければ最高確率を返す（全シナリオ 0 なら null）

サンプル出力¶

WFT 試算: nvda_ema_macd_supertrend_lt_v1 (symbol=NVDA, goal=long-term-stocks, skip_reason=wft_failed)

現状観測:
  backtest_period: 20.0y  total_trades: 1167  trade_rate: 58.35/y
  wft_windows: 5  min_oos_trades_per_window: 3

データ期間延長の試算:
  ✓ 10.0y / 2.0y/window → ~116.7 trades/window (req 3, ratio 38.9, pass_prob ≈ 90%)
  ✓ 20.0y / 4.0y/window → ~233.4 trades/window (req 3, ratio 77.8, pass_prob ≈ 90%)
  ✓ 30.0y / 6.0y/window → ~350.1 trades/window (req 3, ratio 116.7, pass_prob ≈ 90%)

推奨:
  goals.yaml: exploration.backtest_period: "10y"
  forge data fetch NVDA --provider yfinance --period 10y --interval 1d
  推定通過確率: ~90% (tier: high)

forge explore health¶

直近 N 件の試行を集計して連続失敗・scaffold 固定化を自動検出します（issue #408）。無人運転（/explore-strategies --runs 0）の各イテレーション開始前に呼び出し、全敗ループや scaffold バグの早期検知に使用します。

forge explore health --goal <GOAL> [--last N] [--strict] [--json] [--db <PATH>]

オプション	説明	デフォルト
`--goal`	集計対象のゴール名	`default`
`--last`	分析対象とする直近件数	`5`
`--strict`	`escalation: true` のとき終了コード `1` を返す（無人運転ループ停止用、`warning: true` のみのときは `0`）	off
`--json`	結果を JSON 形式で標準出力する	off
`--db`	探索 DB のパス（省略時は `forge.yaml` のデフォルトパス）	—

出力 JSON の例¶

{
  "goal": "default",
  "last_n": 5,
  "pass_rate": 0.0,
  "failure_breakdown": {"pre_filter_failed": 3, "no_signals": 2},
  "scaffold_transformation_rate": 1.0,
  "most_common_combo": "ATR+BB+RSI",
  "same_combo_streak": 5,
  "escalation": true,
  "warning": false,
  "escalation_type": "scaffold_degradation",
  "recommended_actions": [
    "直近 5 件の合格率が 0% です。goals.yaml の pre_filter 閾値・対象銘柄・候補指標が現実的か再点検してください。",
    "直近すべての試行で scaffold が指標を変換しています。`alpha_forge.strategy.scaffold` の指標フィルタを点検してください（参考: alpha-forge issue #399, #400）。"
  ]
}

フィールド	説明
`last_n`	実際に集計対象となった件数（DB 件数 < `--last` の場合は実件数）
`pass_rate`	`passed=True` の比率（0.0〜1.0）
`failure_breakdown`	`skip_reason` 別の失敗件数
`scaffold_transformation_rate`	scaffold で指標が変換された試行の比率（ATR 自動追加のみは除外）
`same_combo_streak`	直近で連続して同一 `indicator_combo` だった件数
`escalation`	`pass_rate==0` かつ scaffold バグ起因（`scaffold_transformation_rate>=0.5` もしくは中間域）のとき `true`。loop 即停止対象（issue #467）
`warning`	`pass_rate==0` かつ `same_combo_streak==last_n` で `scaffold_transformation_rate<=0.1` のとき `true`。`agent_selection_bias` のみ。loop は続行可能（exit 0）で、エージェントは次のランで他指標を選んで自動解消する（issue #467）
`escalation_type`	原因種別（issue #436 / #467）。`"scaffold_degradation"`（escalation） / `"agent_selection_bias"`（warning） / `null`
`recommended_actions`	検出された問題に対する人間向けの推奨アクション

エスカレーション判定¶

DB 件数が --last に満たない場合は観測のみ（escalation: false / warning: false 固定）でブロックしません。 --last 件以上の履歴がある場合のみ、以下のいずれかを返します。

合格率 0% かつ scaffold 変換率 >=50% → escalation: true / escalation_type: "scaffold_degradation"（即停止）
合格率 0% かつ直近 N 件すべての indicator_combo が同一：
scaffold 変換率 <=10% → warning: true / escalation: false / escalation_type: "agent_selection_bias"（エージェント側の選択バイアス、issue #467 で warning に格下げ。--strict でも exit 0）
中間域（10% < 変換率 < 50%）→ 保守的に escalation: true / "scaffold_degradation" に倒す

無人運転スキルでの使用例¶

# /explore-strategies の各ラン冒頭で実行
FORGE_CONFIG=forge.yaml forge explore health \
  --goal default --last 5 --strict --json
# exit code 1 → recommended_actions を提示してループ停止

pine¶

戦略 JSON と TradingView Pine Script v6 を相互変換します。

[有料プラン限定] Pine Script エクスポート

forge pine generate と forge pine preview は 有料プラン（Lifetime / Annual / Monthly）でのみ利用できます。Trial プランで実行すると赤枠 Panel と購入ページ URL（https://alforgelabs.com/en/index.html#pricing）が表示され、終了コード 1 で完全停止します。ファイル出力も標準出力もされません。forge pine import（インポート機能）は対象外で、Trial プランでも継続利用できます。詳しくは Trial 制限を参照してください。

forge pine generate `[有料プラン限定]`¶

戦略定義から Pine Script を生成し、config.pinescript.output_path / <strategy_id>.pine に保存します。有料プラン（Lifetime / Annual / Monthly）限定。

forge pine generate --strategy <ID> [--with-training-data]

名前	種別	デフォルト	説明
`--strategy`	必須	-	戦略名
`--with-training-data`	フラグ	false	HMM インジケータがある場合、学習済みパラメータを Pine Script に埋め込む（データを自動フェッチ）

サンプル出力（有料プラン）：

✅ Pine Script が保存されました: output/pinescript/spy_sma_v1.pine

サンプル出力（Trial プラン・ハードブロック）：

╭─────────────── 🔒 有料プラン限定機能 ───────────────╮
│ Pine Script エクスポートは有料プラン（Lifetime /    │
│ Annual / Monthly）のみ利用できます。                │
│ TradingView でのシームレスな運用を行うには…         │
│ アップグレード: https://alforgelabs.com/en/...      │
╰─────────────────────────────────────────────────────╯

forge pine preview `[有料プラン限定]`¶

戦略定義から生成される Pine Script を標準出力でプレビューします（ファイル保存しない）。有料プラン（Lifetime / Annual / Monthly）限定。

forge pine preview --strategy <ID>

forge pine import¶

Pine Script (.pine) をパースして戦略定義として取り込みます。

forge pine import <PINE_FILE> --id <STRATEGY_ID>

名前	種別	説明
`PINE_FILE`	引数（必須、ファイル必須）	`.pine` ファイルパス
`--id`	必須	保存する戦略 ID

パース失敗時は エラー: Pine Script のパースに失敗しました - <details> を出して標準エラーへ。

forge pine verify¶

戦略から生成した Pine Script を TradingView MCP server で検証します（issue #523）。コンパイルチェックに加えて、Strategy Tester の集計値や個別トレードを alpha-forge のバックテスト結果と突き合わせて差異を検出できます。

forge pine verify --strategy <ID> [--check-mode <MODE>] [--mcp-server <CMD>] [--mcp-server-flavor <tradesdontlie|vinicius>] [OPTIONS]

名前	種別	デフォルト	説明
`--strategy`	必須	-	戦略名
`--check-mode`	choice	`compile_only`	`compile_only` / `metrics` / `signal` / `regime`
`--mcp-server`	オプション	-	MCP サーバーコマンド（省略時 `forge.yaml` の `tv_mcp.pine_verify.endpoint`）
`--mcp-server-flavor`	choice	`tradesdontlie`	`vinicius` は `oviniciusramosp/tradingview-mcp` フォーク。metrics/signal モードでは推奨
`--mock`	フラグ	false	Mock MCP クライアント（PoC・CI 用）
`--symbol` / `--interval`	オプション	-	TV シンボル / インターバル（metrics / signal モードで必須）
`--auto-backtest`	フラグ	false	alpha-forge バックテストを内部で実行して比較する
`--backtest-result`	オプション	-	比較対象 alpha-forge バックテスト結果（JSON パスまたは `run_id`）
`--metric-tolerance`	float	`0.10`	metrics モードの相対差許容（10%）
`--match-tolerance-seconds`	int	`60`	signal モードのトレード時刻許容差（秒）
`--min-match-rate`	float	`0.95`	signal モードの最低トレード一致率
`--output`	ファイル	-	レポート Markdown 出力先

check-mode

モード	用途
`compile_only`	Pine Script の構文・コンパイルだけを検証（`tradesdontlie` で十分）
`metrics`	TV Strategy Tester の総合メトリクス（PF・勝率・トレード数等）と alpha-forge のメトリクスを比較。`vinicius` 推奨（`tradesdontlie` の `data_get_strategy_results` バグ回避）
`signal`	tradesdontlie: TV のトレードリストと alpha-forge の `trades` を時刻ベースで突合し一致率を算出。 vinicius: 時刻情報を返さないため count-based 比較（トレード件数のみで合否判定）に自動切替（issue #580）
`regime`	未実装（保留中、issue #581）。upstream MCP server に時系列 study tool が追加されたら着手予定。指定すると明示的エラーで停止

実行例

# コンパイル検証のみ（最速）
forge pine verify --strategy spy_sma_v1 --mcp-server "node /opt/tv-mcp/server.js"

# Strategy Tester 集計の比較（vinicius 推奨）
forge pine verify --strategy spy_sma_v1 \
  --check-mode metrics \
  --symbol SPY --interval D \
  --mcp-server-flavor vinicius \
  --auto-backtest \
  --output reports/verify_spy.md

検証ガイドの詳細は TradingView との Pine Script 連携を参照してください。

data tv-mcp¶

TradingView MCP server を介したチャート取得・任意ツール呼び出しを行うコマンドグループ（issue #523）。

forge data tv-mcp chart¶

TradingView チャートのスナップショット PNG を取得します（Phase 1.5d）。

forge data tv-mcp chart <SYMBOL> [--interval D] [--width W] [--height H] [--theme light|dark] [--output <PNG>] [--mcp-server <CMD>]

名前	種別	デフォルト	説明
`SYMBOL`	引数（必須）	-	TV シンボル
`--interval`	オプション	`D`	タイムフレーム（`1`, `5`, `60`, `D`, `W`, `M`）
`--width` / `--height`	int	`forge.yaml` の `tv_mcp.chart_snapshot`	画像サイズ
`--theme`	choice	`forge.yaml` 既定	`light` / `dark`
`--output`	ファイル	-	出力 PNG パス。省略時はキャッシュパスのみ表示
`--mcp-server`	オプション	-	MCP サーバー（省略時 `tv_mcp.chart_snapshot.endpoint`）
`--mock`	フラグ	false	Mock MCP（CI 用）
`--no-cache`	フラグ	false	キャッシュを無視
`--md-output`	ファイル	-	Markdown ファイルに画像リンクを追記（`--output` 必須）
`--md-alt`	オプション	-	Markdown 画像 alt（既定: `SYMBOL Interval`）

実行例：

forge data tv-mcp chart SPY --interval D --output charts/spy_d.png \
  --mcp-server "python /opt/tv-mcp-chart/server.py"

forge data tv-mcp inspect¶

任意の MCP tool を呼び出して JSON でレスポンスを表示します（Phase 1.5c-α）。新しい MCP server の挙動確認や、サポートされているツール一覧の探索に使います。

forge data tv-mcp inspect <TOOL_NAME> [--server-type pine|chart] [--mcp-server <CMD>] [--arg key=value ...] [--args-json '{...}'] [--output <JSON>] [--pretty|--compact]

名前	種別	デフォルト	説明
`TOOL_NAME`	引数（必須）	-	呼び出す MCP tool 名
`--server-type`	choice	`pine`	endpoint 既定値の選択（`pine` = `tv_mcp.pine_verify`、`chart` = `tv_mcp.chart_snapshot`）
`--mcp-server`	オプション	-	直接サーバーコマンドを指定
`--mock`	フラグ	false	固定 Mock レスポンス（CI 用）
`--arg`	複数指定可	-	tool 引数 `key=value`（値は JSON として解釈試行）
`--args-json`	オプション	-	tool 引数を JSON オブジェクトで指定（`--arg` と排他）
`--output`	ファイル	-	JSON 出力先
`--pretty` / `--compact`	フラグ	`--pretty`	整形 / 1 行 JSON

実行例：

# tool 一覧（実装に依存）
forge data tv-mcp inspect list_tools --server-type pine \
  --mcp-server "node /opt/tv-mcp/server.js"

# data_get_ohlcv を試す
forge data tv-mcp inspect data_get_ohlcv \
  --arg symbol=SPY --arg interval=D --arg bars=10

analyze indicator¶

alpha-forge がサポートするテクニカル指標 30+ のカタログ・詳細を参照します。

forge analyze indicator list¶

対応指標の一覧を表示します。FILTER_NAME 指定で部分一致絞り込み（大文字小文字を区別しない）。

forge analyze indicator list [FILTER_NAME] [--detail]

名前	種別	デフォルト	説明
`FILTER_NAME`	引数（任意）	-	指標名のフィルタ
`--detail`	フラグ	false	各指標のパラメータ・デフォルト値・説明を表示

サンプル出力：

利用可能なインジケーター一覧（35件）:

  [トレンド]      SMA  EMA  WMA  HMA  TEMA  MACD  ADX  SUPERTREND
  [モメンタム]    RSI  STOCH  CCI  WILLR  ROC
  [ボラティリティ] ATR  BBANDS  KELTNER
  [出来高]        OBV  VWAP  CMF
  [レジーム]      HMM
  [その他]        EXPR  ALTDATA

詳細: forge analyze indicator show <TYPE>

forge analyze indicator show¶

指定指標の詳細（説明・パラメータ・出力・使用例）を表示します。

forge analyze indicator show <INDICATOR_TYPE>

名前	種別	説明
`INDICATOR_TYPE`	引数（必須）	指標名（大文字小文字を区別しない）

サンプル出力：

SMA — Simple Moving Average

カテゴリー: トレンド

パラメーター:
  名前                 型       デフォルト              説明
  length              int      14                    期間
  source              str      close                 ソース列

出力: スカラー時系列

使用例 (JSON):
  {"id": "sma_20", "type": "SMA", "params": {"length": 20}, "source": "close"}

未知の指標名を指定すると エラー: '<TYPE>' は認識されないインジケーターです。 を出して終了コード 1。

idea¶

投資アイデアの記録・タグ付け・検索を行うコマンドグループ。config.ideas.ideas_path 配下の ideas.json で管理します。

forge idea add¶

新しいアイデアを追加します。

forge idea add <TITLE> --type <new_strategy|improvement> [OPTIONS]

名前	種別	デフォルト	説明
`TITLE`	引数（必須）	-	アイデアのタイトル
`--type`	必須（choice）	-	`new_strategy` / `improvement`
`--desc`	オプション	`""`	詳細説明
`--tag`	複数指定可	-	タグ

出力: 追加しました: [<idea_id>] <title>

forge idea list¶

アイデア一覧を表示します。

forge idea list [--status <STATUS>] [--tag <TAG>] [--strategy <ID>]

名前	種別	説明
`--status`	choice	`backlog` / `in_progress` / `tested` / `archived`
`--tag`	複数指定可	タグ AND フィルタ
`--strategy`	オプション	戦略 ID フィルタ

forge idea show¶

アイデアの詳細を表示します。

forge idea show <IDEA_ID>

存在しない場合は 見つかりません: <id> を出して終了コード 1。

forge idea status¶

アイデアのステータスを更新します。

forge idea status <IDEA_ID> <backlog|in_progress|tested|archived>

出力: ステータスを更新しました: <title> → <status>

forge idea link¶

アイデアに戦略または実行記録をリンクします。

forge idea link <IDEA_ID> --strategy <ID> [--run <RUN_ID>] [--note <TEXT>]

名前	種別	説明
`--strategy`	必須	リンク先の戦略 ID
`--run`	オプション	リンク先の `run_id`（指定すれば run と紐付け）
`--note`	オプション	リンクへのメモ

forge idea tag¶

アイデアのタグを追加・削除します（--add と --remove は同時指定可、両方未指定はエラー）。

forge idea tag <IDEA_ID> [--add <TAG>] [--remove <TAG>]

forge idea note¶

アイデアにメモを追加します。

forge idea note <IDEA_ID> <TEXT>

forge idea search¶

アイデアを全文検索します。

forge idea search [QUERY] [--status <STATUS>] [--tag <TAG>]

名前	種別	説明
`QUERY`	引数（任意）	検索クエリ（タイトル・説明・メモを対象）
`--status`	choice	ステータスフィルタ
`--tag`	複数指定可	タグフィルタ

data alt¶

代替データ（センチメント、マクロ指標等）の取得・管理。config.data.alt_storage_path 配下に保存され、戦略 JSON では ALTDATA 指標タイプで参照できます。

forge data alt fetch¶

forge data alt fetch <SOURCE_KEY> --start <YYYY-MM-DD> --end <YYYY-MM-DD>

名前	種別	説明
`SOURCE_KEY`	引数（必須）	データソースキー（プロバイダー固有）
`--start`	必須	取得開始日
`--end`	必須	取得終了日

出力: ✅ <SOURCE_KEY>: <N>行を保存しました。プロバイダー未登録時は ClickException。

forge data alt list¶

forge data alt list

サンプル出力：

保存済み代替データ件数: 2
SOURCE_KEY                INTERVAL   ROWS         START           END
fear_greed_index          1d          1525   2020-01-01   2025-12-31
vix_termstructure         1d          1530   2020-01-01   2025-12-31

forge data alt info¶

forge data alt info <SOURCE_KEY>

ソースキー、時間足、行数、開始日・終了日、カラム、ファイルパス、ファイルサイズを表示。データ未取得時は ClickException。

analyze pairs¶

ペアトレード戦略のためのコインテグレーション検定とスプレッド構築。statsmodels ベースの Engle–Granger 検定を使用。

forge analyze pairs scan¶

2 銘柄のコインテグレーション検定を実行します。

forge analyze pairs scan <SYM_A> <SYM_B> [OPTIONS]

名前	種別	デフォルト	説明
`SYM_A`, `SYM_B`	引数（必須）	-	検定対象の 2 銘柄
`--method`	choice	`engle_granger`	コインテグレーション検定手法
`--pvalue`	float	`0.05`	コインテグレーションと判定する p 値閾値
`--interval`	オプション	`1d`	時間足

サンプル出力：

✅ コインテグレーションあり
  ペア      : SPY / QQQ
  p_value    : 0.012345
  閾値      : 0.05
  検定統計量: -3.5421
  臨界値 5%: -2.8623

forge analyze pairs scan-all¶

ウォッチリスト内の全ペアをスキャンします（最大 20 件まで表示）。

forge analyze pairs scan-all --symbols-file <FILE> [--pvalue 0.05] [--interval 1d]

名前	種別	説明
`--symbols-file`	必須（ファイル）	銘柄リスト（行ごと 1 銘柄、`#` コメント可）
`--pvalue`	float	p 値閾値（デフォルト 0.05）

forge analyze pairs build¶

スプレッド系列を計算し、alt_data ストアに保存します（戦略 JSON から ALTDATA で参照可能）。

forge analyze pairs build --sym-a <SYM> --sym-b <SYM> [OPTIONS]

名前	種別	デフォルト	説明
`--sym-a`	必須	-	銘柄 A（従属変数）
`--sym-b`	必須	-	銘柄 B（独立変数）
`--interval`	オプション	`1d`	時間足
`--log-prices` / `--no-log-prices`	フラグ	`--log-prices`	対数価格でスプレッドを計算
`--output-id`	オプション	`<A>_<B>_spread`	保存する `source_key`

サンプル出力：

ヘッジ比率を推定中... (SPY / QQQ)
  ヘッジ比率: 0.823145
  OU 半減期 : 12.4 日
  データ点数: 1530

✅ スプレッドを保存しました: source_key='SPY_QQQ_spread'
   戦略 JSON での参照方法:
   {"id": "spread", "type": "ALTDATA", "params": {"source_key": "SPY_QQQ_spread", "column": "spread"}}

平均回帰がない場合、半減期は N/A (平均回帰なし) と表示されます。

analyze ml¶

機械学習モデル用のデータセット作成・モデル学習・walk-forward 検証コマンド群です（issue #512 Phase 1-2, 4）。学習済み joblib モデルは既存の ML_SIGNAL 指標から model_path 指定で推論に利用できます。

forge analyze ml dataset build¶

保存済み OHLCV から特徴量行列と将来リターンラベルを結合した parquet データセットを生成します。

forge analyze ml dataset build EURUSD=X --feature-set default_v1 --label binary:24:0.005 --interval 1h
forge analyze ml dataset build EURUSD=X --label ternary:24:0.005
forge analyze ml dataset build EURUSD=X --label regression:5
forge analyze ml dataset build EURUSD=X --label binary:24:0.005 --json

主なオプション

オプション	説明	既定値
`--feature-set`	組み込み feature set 名（`forge analyze ml dataset feature-sets` で一覧）	`default_v1`
`--label`	ラベル仕様文字列（必須）	—
`--interval`	時間足（OHLCV ロード時に使用）	`1d`
`--out`	出力 parquet パス	`<storage_path>/../ml_datasets/<symbol>_<feature_set>_<label_type>_<interval>.parquet`
`--keep-nan`	NaN を含む行を残す	False（除外）
`--json`	サマリを JSON 出力	False

ラベル仕様文字列

binary:<forward_n>:<threshold_pct> … forward_n バー後リターンが閾値を超えると 1
ternary:<forward_n>:<threshold_pct> … +閾値超 → 1、−閾値未満 → −1、それ以外 → 0
regression:<forward_n> … forward_n バー後の単純リターンをそのままラベル化
triple_barrier:<max_holding>:<atr_mult_up>:<atr_mult_down>:<atr_window> … López de Prado triple-barrier（issue #520、3 値）。各バーで ATR ベースの上下バリアを設置し、max_holding バーまでの間で先に当たったものでラベル付け（上 → 1、下 → −1、timeout → 0）。ボラティリティ適応的で固定閾値より regime ロバスト
triple_barrier_sym:<max_holding>:<atr_mult>:<atr_window> … triple_barrier の対称版 shorthand（up=down=atr_mult）。新規 dataset の既定推奨は triple_barrier_sym:24:1.5:14（issue #538）
triple_barrier_vol:<max_holding>:<vol_mult>:<atr_window> … barrier scale を ATR の代わりに rolling_std(returns, atr_window) × close で計算する volatility-adaptive 版（issue #538）。低ボラ局面で barrier も自動的に縮む
triple_barrier_balanced:<max_holding>:<target_long_share>:<atr_window> … 二分探索で対称 atr_mult を調整して long クラス比率を target に合わせる rebalance mode（issue #538）。例: target_long_share=0.33 で 3 クラスをほぼ均等にしたい場合

issue #538 の背景: 非対称比 2.0:1.0 だと SL ヒット側（−1）が分布の半数以上を占める偏向が起きやすい（issue #520 検証で −1 が 64% に集中）。新規 dataset は triple_barrier_sym:24:1.5:14 を出発点にすると、proba dispersion（issue #537）の screening を通りやすくなります。

parquet ファイルにはシンボル・タイムフレーム・特徴量列名・ラベル設定がメタデータとして同梱されるため、Phase 2 の学習側はファイル単独で再現可能な学習が行えます。

forge analyze ml dataset feature-sets¶

利用可能な組み込み feature set を一覧表示します。

forge analyze ml dataset feature-sets

組み込み feature set

名前	用途	内容
`default_v1`	株式・先物等 Volume が有効な銘柄	LAG(close 1/2/5/10) + PCT_CHANGE(close 1/5) + ROLLING_MEAN/STD/MIN/MAX(20) + PCT_CHANGE(volume 1)
`default_v1_fx`	FX 銘柄（issue #518）	`default_v1` から `PCT_CHANGE(volume)` を除いたもの。yfinance 系 FX は Volume が常に 0 のため、`default_v1` を使うと `dropna` で全行が消えるバグを回避
`mtf_v1`	複数タイムフレーム表現（issue #520）	短期 lag (1, 6, 24, 48, 120) + 複数 window の rolling 統計 (5, 20, 120, 480) + ボラレジーム + 高安レンジ。Volume を含まないので FX でも使える。`triple_barrier` ラベルとの組合せ推奨

forge analyze ml train¶

Phase 1 で生成したデータセット parquet からモデルを学習し、joblib + metrics.json を保存します（issue #512 Phase 2）。

forge analyze ml train <DATASET.parquet> [OPTIONS]

主なオプション

オプション	説明	既定値
`--model`	モデル種別（`forge analyze ml models` で一覧）	`logistic_regression`
`--test-ratio`	末尾から test に回す比率（時系列順保持）	`0.2`
`--random-state`	乱数シード	`42`
`--params`	モデル追加パラメータの JSON 文字列	—
`--out`	出力 joblib パス	`<storage_path>/../ml_models/<dataset_stem>_<model>.joblib`
`--json`	サマリを JSON 出力	False

サポートモデル

モデル名	タスク	備考
`logistic_regression`	分類	StandardScaler + LogisticRegression パイプライン
`random_forest_classifier`	分類	sklearn
`gradient_boosting_classifier`	分類	sklearn
`xgboost_classifier`	分類	optional（`uv add xgboost` が必要）
`linear_regression`	回帰	StandardScaler + LinearRegression
`random_forest_regressor`	回帰	sklearn
`gradient_boosting_regressor`	回帰	sklearn
`xgboost_regressor`	回帰	optional（`uv add xgboost` が必要）

評価メトリクス

分類: accuracy / precision / recall / f1 / auc（二値分類時のみ）。weighted 平均を採用。
回帰: mse / mae / rmse / r2

確率校正（--calibration、issue #519）

gradient_boosting_classifier 等の確率出力は素のままだと特定領域に偏ることがあり、ml_long_prob >= 0.6 のような閾値が機能しなくなることがあります（issue #512 検証で確認）。--calibration オプションで分類モデルの predict_proba 出力を校正できます。

値	説明
`none`（既定）	校正なし
`sigmoid`	Platt scaling（少サンプル向け）
`isotonic`	等浸透回帰（多サンプル向け）

forge analyze ml train ds.parquet --model random_forest_classifier --calibration isotonic

回帰モデルに指定した場合は warning 出力 + 無視（base model のまま）。校正された joblib も ML_SIGNAL / ML_SIGNAL_WFT 指標からそのまま推論可能（scikit-learn 互換 API）。

保存形式

モデル本体: joblib（scikit-learn 互換 API。predict / predict_proba をそのまま ML_SIGNAL 指標から呼べる）
メトリクス: <model>.joblib.metrics.json（model_type / task / feature_columns / n_train / n_test / train_metrics / test_metrics / config（calibration 含む）/ trained_at を格納）

forge analyze ml models¶

利用可能なモデル種別（分類 + 回帰）を一覧表示します。

forge analyze ml models

forge analyze ml walk-forward¶

ML データセット parquet を N ウィンドウに分割し、各ウィンドウで独立に学習・評価して時系列安定性を検証します（issue #512 Phase 4）。モデル本体は保存しません（最終モデルは forge analyze ml train で別途学習）。

forge analyze ml walk-forward <DATASET.parquet> [OPTIONS]

主なオプション

オプション	説明	既定値
`--model`	モデル種別（`forge analyze ml models` で一覧）	`logistic_regression`
`--n-splits`	ウィンドウ数	`5`
`--train-ratio`	各ウィンドウ内の学習比率	`0.7`
`--random-state`	乱数シード	`42`
`--params`	モデル追加パラメータの JSON 文字列	—
`--out`	レポート JSON 出力先	`<storage_path>/../ml_models/<dataset_stem>_<model>.walkforward.json`
`--json`	サマリを JSON 出力	False

レポート JSON の主要フィールド

model_type / task / n_splits / train_ratio
windows[]: 各ウィンドウの fold / train_start / train_end / test_start / test_end / n_train / n_test / train_metrics / test_metrics
aggregate_train_metrics / aggregate_test_metrics: 各ウィンドウの単純平均
dataset: 元データセットの symbol / interval / feature_set / label_type

proba dispersion メトリクス（分類タスクのみ、issue #537）

aggregate_test_metrics および各 windows[].test_metrics には、accuracy/precision/recall/f1 に加えて predict_proba の分布メトリクスが含まれます。これは「accuracy/spread は基準を満たすが proba 値が低位レンジに集中して entry 閾値で実質ほぼ False になる」モデルを screening 段階で検出するためのものです。

キー	内容
`proba_max`	各 fold の正クラス確率の最大値（fold 平均）
`proba_p90` / `proba_p95`	90 / 95 パーセンタイル（fold 平均）
`proba_above_055`	正クラス確率 >= 0.55 の比率（fold 平均、0.0–1.0）
`proba_above_060`	同 >= 0.60 の比率

テキスト出力でも集計直下に 1 行表示されます:

proba_dispersion: max=0.568 p90=0.412 p95=0.456 share>=0.55=0.54% share>=0.60=0.12%

読み方の目安: share>=0.55 が極小（数 % 以下）の場合、entry 条件で ml_long_prob >= 0.55 を使うとフィルタが事実上機能しません。閾値を 0.45–0.50 に下げる、--calibration で校正する、ラベル仕様を変える（例: triple_barrier の barrier 比対称化）などを検討してください。回帰タスクではこれらのキーは出力されません。

screening 判定と推奨アクション（issue #565）

forge analyze ml walk-forward は分類タスクの場合、上記メトリクスを使って 3 軸の自動判定 と 推奨アクション を出力します（出力末尾の SCREENING RESULT / RECOMMENDATION ブロック）。

軸	既定閾値	上書き CLI オプション
`accuracy`（test 集計平均）	`>= 0.55`	`--screen-accuracy-min`
`fold_spread`（各 fold accuracy の最大-最小）	`<= 0.15`	`--screen-spread-max`
`proba_dispersion`（`proba_above_055`）	`>= 0.05`	`--screen-proba055-min`

不合格パターン別の推奨アクション:

パターン	推奨
accuracy NG	データ量・特徴量を増やす / モデル種別を変える（`accuracy_low`）
accuracy OK / spread NG	データ非定常性が強い → ラベル期間短縮 / regime 別学習（`fold_spread_high`）
accuracy/spread OK / proba NG	閾値下げる / calibration 変える / ラベル比対称化（`proba_low_dispersion`）
すべて NG	学習可能なシグナルではない → 特徴量設計から見直す（`no_learnable_signal`）

JSON 出力では screening フィールドに criteria / recommendations / overall_pass がそのまま入ります。回帰タスクは現状 screening 対象外で、このフィールドは出力されません。

戦略 JSON の WFT との関係

forge analyze ml walk-forward: ML モデル単体 の時系列安定性検証
forge optimize walk-forward: 戦略 JSON 全体（ML_SIGNAL 指標を含む場合もあり）の WFT
ML 補強戦略の真価は最終的に forge optimize walk-forward で計測。本コマンドはその前段で「学習可能なシグナルか」を選別するために使用する。

`ML_SIGNAL_WFT` 指標 — leak 安全な ML 補強（issue #517）¶

forge analyze ml train で保存した joblib モデルを ML_SIGNAL 指標から参照すると、forge optimize walk-forward の OOS が学習期間と重複した場合に look-ahead leak が発生します（issue #512 Phase 4 検証で確認済み）。これを構造的に解消する新指標が ML_SIGNAL_WFT です。

ML_SIGNAL_WFT は 指標計算関数自体が「渡された df の先頭 train_ratio で自己学習 → 全体に対して predict」 を行う自己完結型の指標で、WFT エンジン側の変更は不要です。学習区間の予測値は NaN にされ、取引判断には test 区間の予測値のみが使われます。

戦略 JSON の例

{
  "id": "ml_long_prob",
  "type": "ML_SIGNAL_WFT",
  "params": {
    "model_type": "gradient_boosting_classifier",
    "model_params": {"n_estimators": 200, "max_depth": 5},
    "features": [
      {"type": "LAG", "source": "close", "periods": [1, 2, 5, 10]},
      {"type": "PCT_CHANGE", "source": "close", "periods": 1},
      {"type": "ROLLING_MEAN", "source": "close", "window": 20}
    ],
    "label": "binary:24:0.005",
    "train_ratio": 0.7,
    "min_train_rows": 500,
    "random_state": 42,
    "output": "proba",
    "proba_class": 1,
    "threshold": null
  }
}

主要パラメータ

パラメータ	型	既定	説明
`model_type`	str	—	`forge analyze ml models` で表示されるモデル種別
`model_params`	dict	`{}`	モデル追加パラメータ
`features`	list	—	`build_feature_matrix` 互換のスペック
`label`	str	—	`binary:N:thr` / `ternary:N:thr` / `regression:N`
`train_ratio`	float	0.7	先頭の何割を学習に使うか
`min_train_rows`	int	100	学習行数がこれ未満なら全 NaN（leak 防止優先）
`output`	str	"proba"	"proba"（確率）または "predict"（クラス）
`proba_class`	int	1	predict_proba のクラスインデックス
`threshold`	float \| null	null	指定があれば proba >= threshold を 1 化
`calibration`	str	"none"	確率校正（issue #519）。"none" / "sigmoid" / "isotonic"

ML_SIGNAL との使い分け

指標	用途	leak 耐性
`ML_SIGNAL`	事前学習済みの joblib モデルを参照	OOS が学習期間外なら安全、重複あれば leak
`ML_SIGNAL_WFT`	WFT 整合の本番運用 — 評価コンテキスト内で自己学習	構造的に leak 不可能

学習結果のキャッシュ

WFT は各ウィンドウで Optuna を N 回試行するため、同じ IS データに対して _calc_ml_signal_wft が N 回呼ばれます。再学習を避けるため本指標は コンテンツアドレス指定型のディスクキャッシュ（既定: <storage_path>/../ml_models/wft_cache/）を持ち、SHA-256 で (feature_columns, label values, model_type, model_params, random_state) をキー化して joblib を再利用します。同じ入力なら 2 回目以降はキャッシュヒットで即座に推論可能です。

Pine Script との関係

ML_SIGNAL と同様、ML_SIGNAL_WFT も Pine Script には変換できません。forge pine generate 時には警告コメント付きで <id> = true として扱われます。

system docs¶

alpha-forge に同梱されているドキュメント・スキル・コマンド参考資料を参照します。

forge system docs list¶

forge system docs list

利用可能な同梱ドキュメントの一覧を表示します。✓ / ✗ でファイル存在を表します。

forge system docs show¶

forge system docs show <NAME>

名前	種別	説明
`NAME`	引数（必須）	ドキュメント名（`forge system docs list` で確認）

ドキュメントの内容を標準出力に表示します。未知の名前を指定すると利用可能リストとともにエラー表示し、終了コード 1。

共通の挙動¶

FORGE_CONFIG: すべてのパス（戦略・データ・ジャーナル・アイデア・代替データ・出力先）は FORGE_CONFIG が指す forge.yaml で決まります
終了コード: 成功 0、click.UsageError / 引数違反 2、click.ClickException 1、SystemExit(1) で個別エラー
国際化: すべてのコマンドは日本語と英語の両方の --help テキストを持ちます（alpha_forge.i18n.L 経由）

その他コマンド¶

グループ早見表¶

self¶

forge self version¶

forge self update¶

動作する条件¶

内部動作¶

system auth¶

forge system auth login¶

forge system auth logout¶

forge system auth status¶

forge system auth check op¶

system init¶

構文¶

オプション¶

作成されるディレクトリ¶

インストールされる AI 統合ファイル¶

サンプル出力¶

explore¶

forge explore run¶

--pre-check の使い方¶

出力 JSON の例¶

forge explore result show¶

使用例¶

pre_filter_diagnostics の構造（issue #409）¶

wft_diagnostics の構造（issue #684）¶

forge explore diagnose¶

試算ロジック¶

サンプル出力¶

forge explore health¶

出力 JSON の例¶

エスカレーション判定¶

無人運転スキルでの使用例¶

pine¶

forge pine generate [有料プラン限定]¶

forge pine preview [有料プラン限定]¶

forge pine import¶

forge pine verify¶

data tv-mcp¶

forge data tv-mcp chart¶

forge data tv-mcp inspect¶

analyze indicator¶

forge analyze indicator list¶

forge analyze indicator show¶

idea¶

forge idea add¶

forge idea list¶

forge idea show¶

forge idea status¶

forge idea link¶

forge idea tag¶

forge idea note¶

forge idea search¶

data alt¶

forge data alt fetch¶

forge data alt list¶

forge data alt info¶

analyze pairs¶

forge analyze pairs scan¶

forge analyze pairs scan-all¶

forge analyze pairs build¶

analyze ml¶

forge analyze ml dataset build¶

forge analyze ml dataset feature-sets¶

forge analyze ml train¶

forge analyze ml models¶

forge analyze ml walk-forward¶

ML_SIGNAL_WFT 指標 — leak 安全な ML 補強（issue #517）¶

system docs¶

forge system docs list¶

forge system docs show¶

共通の挙動¶

`--pre-check` の使い方¶

forge pine generate `[有料プラン限定]`¶

forge pine preview `[有料プラン限定]`¶

`ML_SIGNAL_WFT` 指標 — leak 安全な ML 補強（issue #517）¶