チュートリアル: 投資戦略の開発・バックテスト・最適化

はじめに

AlphaForge とは

AlphaForge は JSON で定義した戦略を vectorbt で高速シミュレーションし、 Optuna によるベイズ最適化と ウォークフォワード検証 で過学習を防ぐ定量的投資戦略開発 CLI です。設定はすべて JSON で管理するため、Claude などのコーディングエージェントとの連携にも最適化されています。

コンポーネント	役割
`forge`	シミュレーション・最適化エンジン本体
`strategies/`	戦略 JSON・最適化結果・実行ログの管理ワークスペース
`strike`	TradingView Webhook を受け取り外部 API に自動送信するサーバー

はじめに

インストールと初期設定

alpha-forge を取得してインストール
インストーラーが最新バイナリをダウンロードします（macOS / Linux 例）。Windows / 手動配置はインストールガイドを参照してください。インストール直後から Trial プラン（Whop 登録不要）で実行できます。有料プラン（Lifetime / Annual / Monthly）を購入した場合のみ forge system auth login で Whop OAuth 認証してください。
```
# 最新バイナリをインストール（macOS / Linux）
curl -sSL https://alforge-labs.github.io/install.sh | bash

# （任意）有料プラン購入後の認証
forge system auth login
```
戦略ワークスペースを初期化
作業ディレクトリに forge.yaml（設定ファイル）と strategies/ ディレクトリが生成されます。
```
mkdir my-strategies && cd my-strategies
forge system init
# → forge.yaml, strategies/, data/ が作成されます
```

ヒストリカルデータを取得

Yahoo Finance からデータをダウンロードしてローカルキャッシュに保存します。

# CL=F（WTI原油先物）の過去 5 年分を取得
forge data fetch CL=F --period 5y

# SPY, QQQ なども同様に取得可能
forge data fetch SPY QQQ --period 5y

戦略開発

戦略 JSON の作成

AlphaForge の戦略はすべて JSON ファイルで定義します。以下は CL=F 向けの HMM + ボリンジャーバンド + RSI 複合戦略の例です。 strategies/cl_hmm_bb_rsi_v1.json として保存してください。

{
  "strategy_id": "cl_hmm_bb_rsi_v1",
  "name": "CL HMM + BB + RSI v1",
  "version": "1.0.0",
  "description": "CL=F 向け HMM レジーム × ボリンジャーバンド × RSI 複合戦略",
  "target_symbols": ["CL=F"],
  "asset_type": "futures",
  "timeframe": "1d",
  "parameters": {
    "bb_length": 20,
    "bb_std": 2.0,
    "rsi_length": 14,
    "rsi_entry": 40,
    "rsi_exit": 60
  },
  "indicators": [
    { "id": "bb_lower", "type": "BB", "params": { "length": 20, "std": 2.0, "line": "lower" } },
    { "id": "bb_upper", "type": "BB", "params": { "length": 20, "std": 2.0, "line": "upper" } },
    { "id": "rsi",      "type": "RSI", "params": { "length": 14 } },
    { "id": "hmm_state","type": "HMM", "params": { "n_states": 2, "features": ["returns","volatility"] } }
  ],
  "entry_conditions": {
    "long": {
      "logic": "AND",
      "conditions": [
        { "left": "close",     "op": "crosses_above", "right": "bb_lower" },
        { "left": "rsi",       "op": "lt",            "right": "rsi_entry" },
        { "left": "hmm_state", "op": "eq",            "right": 1 }
      ]
    }
  },
  "exit_conditions": {
    "long": {
      "logic": "OR",
      "conditions": [
        { "left": "close", "op": "crosses_above", "right": "bb_upper" },
        { "left": "rsi",   "op": "gt",            "right": "rsi_exit" }
      ]
    }
  },
  "risk_management": {
    "leverage": 5.0,
    "position_sizing_method": "risk_based",
    "risk_per_trade_pct": 1.5,
    "max_positions": 1
  },
  "optimizer_config": {
    "param_ranges": {
      "bb_length":  { "min": 10, "max": 40, "step": 5 },
      "bb_std":     { "min": 1.5, "max": 3.0, "step": 0.5 },
      "rsi_length": { "min": 10, "max": 20, "step": 2 },
      "rsi_entry":  { "min": 30, "max": 50, "step": 5 },
      "rsi_exit":   { "min": 55, "max": 75, "step": 5 }
    },
    "constraints": { "min_trades": 10 },
    "metric": "sharpe_ratio"
  }
}

ポイント： hmm_state は HMM が検出した市場レジームです。 1 が「上昇トレンド」レジームに対応することが多いですが、バックテスト後に状態の意味を確認して調整してください。

戦略開発

バックテスト実行

基本的なバックテストを実行

FORGE_CONFIG=./forge.yaml uv run forge backtest run CL=F \
  --strategy cl_hmm_bb_rsi_v1 \
  --start 2019-01-01 \
  --end 2024-12-31

JSON 形式で結果を取得（スクリプト連携向け）

FORGE_CONFIG=./forge.yaml uv run forge backtest run CL=F \
  --strategy cl_hmm_bb_rsi_v1 \
  --json | jq '.summary'

出力例：

{
  "symbol": "CL=F",
  "strategy": "cl_hmm_bb_rsi_v1",
  "period": "2019-01-01 to 2024-12-31",
  "total_return": 0.892,
  "cagr": 0.136,
  "sharpe_ratio": 1.07,
  "max_drawdown": -0.183,
  "total_trades": 24,
  "win_rate": 0.583
}

最適化

ベイズ最適化

Grid Search と異なり、Optuna によるベイズ最適化は過去の試行結果を参考にしながら効率的に最適パラメータを探索します。 optimizer_config.param_ranges で定義した範囲を探索します。

最適化を実行（200 試行）

FORGE_CONFIG=./forge.yaml uv run forge optimize run CL=F \
  --strategy cl_hmm_bb_rsi_v1 \
  --trials 200 \
  --metric sharpe_ratio \
  --save

最適化履歴を確認

FORGE_CONFIG=./forge.yaml uv run forge optimize history \
  --strategy cl_hmm_bb_rsi_v1

出力例（スコアボード形式）：

Timestamp           Sharpe  CAGR    MaxDD   bb_length  bb_std  rsi_length  rsi_entry  rsi_exit
20260512_103200     1.24    15.3%  -16.1%  25         2.0     12          35         65
20260511_180415     1.18    14.7%  -17.4%  20         2.0     14          40         60
20260510_094822     1.15    14.2%  -18.2%  25         2.5     12          35         60

最適パラメータを戦略 JSON に反映
結果ファイルは optimize run --save の出力に表示され、data/results/ 配下に保存されます。
```
FORGE_CONFIG=./forge.yaml uv run forge optimize apply \
  data/results/optimize_cl_hmm_bb_rsi_v1_<timestamp>.json \
  --to-strategy cl_hmm_bb_rsi_v1
```

過学習に注意： 最適化は訓練期間内の成績を最大化するため、その期間に過剰適合する可能性があります。必ずウォークフォワード検証で汎化性能を確認してください。

最適化

ウォークフォワード検証

ウォークフォワード検証（Walk-Forward Test）は、時系列データを訓練期間と検証期間に分割し「未知のデータでも機能するか」を評価する手法です。 AlphaForge は訓練・検証の分割を自動で繰り返し、汎化性能を統計的に評価します。

ウォークフォワード検証を実行

FORGE_CONFIG=./forge.yaml uv run forge optimize walk-forward CL=F \
  --strategy cl_hmm_bb_rsi_v1_optimized \
  --windows 5 \
  --metric sharpe_ratio

ウィンドウ別の詳細を確認（JSON）

FORGE_CONFIG=./forge.yaml uv run forge optimize walk-forward CL=F \
  --strategy cl_hmm_bb_rsi_v1_optimized \
  --windows 5 --json | jq '.windows'

出力例：

Walk-Forward Test Report — cl_hmm_bb_rsi_v1_optimized / CL=F
Folds: 6  |  Train: 24M  |  Test: 6M  |  Step: 6M

Fold  Train Period          Test Period           Sharpe  CAGR
1     2019-01 – 2020-12    2021-01 – 2021-06    1.15    14.2%
2     2019-07 – 2021-06    2021-07 – 2021-12    0.98    11.7%
3     2020-01 – 2021-12    2022-01 – 2022-06    1.22    16.1%
4     2020-07 – 2022-06    2022-07 – 2022-12    0.87     9.8%
5     2021-01 – 2022-12    2023-01 – 2023-06    1.31    18.4%
6     2021-07 – 2023-06    2023-07 – 2023-12    1.09    13.2%

Avg Sharpe: 1.10  |  Avg CAGR: 13.9%  |  WF Efficiency: 89%

WF Efficiency とは： 各フォールドの検証期間 Sharpe 比の平均を、最適化 Sharpe 比で割った値です。80% 以上あれば過学習が抑制されていると判断できます。

結果の解釈

指標の読み方

指標	説明	目安
`CAGR`	年率複利成長率（Compound Annual Growth Rate）。年あたりの平均リターン。	10% 以上が目安
`Sharpe Ratio`	リターンをリスク（標準偏差）で割ったリスク調整後リターン。高いほど効率的。	1.0 以上が良好
`Max Drawdown`	累積リターンの最大下落幅。小さいほどリスクが低い。	-20% 未満が目安
`Win Rate`	利益が出たトレードの割合。50% 以上が目安だが Sharpe と合わせて評価する。	50% 以上
`WF Efficiency`	ウォークフォワード検証の効率。過学習の指標として使用。	80% 以上

結果の解釈

よくある質問

HMM の状態番号の意味は？
HMM の状態番号（0, 1, ...）は学習の都度変わります。バックテスト後に forge backtest run <SYMBOL> --strategy <strategy_id> --regime で各状態の平均リターン・ボラティリティを確認して、「上昇トレンド」状態を特定してください。
TradingView との連携方法は？
最適化後に forge pine generate --strategy <strategy_id> を実行すると TradingView Pine Script v6 のコードが生成されます。アラートを alpha-strike に送信することで自動実行が可能です。
最適化の試行回数はいくつが適切？
パラメータ数が 3〜5 個の場合は 100〜200 試行で十分な探索が可能です。パラメータ数が多い場合や精度を高めたい場合は 500〜1000 試行を推奨します。
```
forge optimize run CL=F --strategy cl_hmm_bb_rsi_v1 --trials 500 --metric sharpe_ratio --save
```