コンテンツにスキップ

クオンツ・研究者向け

統計的な厳密性を重視し、戦略の堅牢性を定量的に評価したい研究者・クオンツアナリスト向けです。

AlphaForgeが提供する定量評価

機能 詳細
ウォークフォワード検証 In-sample/Out-of-sampleを自動分割し、過学習を検出
Optuna最適化 ベイズ最適化でパラメータ空間を効率探索（200〜1000 trials）
複数目的関数 Sharpe比、最大ドローダウン、Calmar比などから選択
再現性保証 シードと設定をJSONで固定し、実験を完全に再現可能
Journal記録 すべての実験結果をJSON/CSVで自動記録

典型的な研究ワークフロー

# 1. 仮説をJSONで宣言
forge strategy create regime_test --template hmm_bb_rsi

# 2. 複数パラメータをグリッドサーチ
forge optimize grid QQQ --strategy regime_test \
  --param rsi_period 10 14 20 \
  --param bb_period 15 20 25

# 3. ウォークフォワード検証（5分割）
forge optimize walk-forward QQQ --strategy regime_test --folds 5

# 4. 実験結果をJournalに保存
forge journal record regime_test --note "HMM期間別の感度分析"

過学習リスクの評価

AlphaForgeはウォークフォワードテスト（WFT）を標準で提供します。IS/OOS比率の劣化が大きい場合はオーバーフィットの可能性が高いと判断できます。

IS期間   OOS期間   Sharpe(IS)  Sharpe(OOS)  劣化率
2020-22  2023      1.8         1.4          22%  ← 許容範囲
2020-22  2023      2.5         0.3          88%  ← 過学習疑い

関連ドキュメント