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
alpha-forge strategy create --template hmm_bb_pipeline_v1 --out regime_test.json

# 2. パラメータ空間を戦略 JSON の optimizer_config.param_ranges で宣言し、
#    グリッドサーチで網羅探索する
#    例: param_ranges に rsi_period: [10, 14, 20], bb_period: [15, 20, 25]
alpha-forge optimize grid QQQ --strategy regime_test --top-k 10

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

# 4. 実験結果をJournalに保存
alpha-forge journal note regime_test "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。出力は各ウィンドウの IS Score と OOS Score を並べた表で、IS から OOS への低下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（劣化率は IS/OOS から各自で算出します）。

Window     IS Score   OOS Score  ベストパラメータ
1            1.8000     1.4000    {...}   ← 低下が小さく許容範囲
2            2.5000     0.3000    {...}   ← 大幅に低下し過学習疑い

関連ドキュメント