トレードに聖杯など存在しない。38%の熱狂が、たった一つの銘柄変更で-1%の絶望に変わる時

December 23, 2025

AI上司

前回の続きです。――「過去に勝つな、未来に耐えろ」。今日は“型”を固定します。

AI上司

検証は必ず Training（学習） と Test（検証） に分けなさい。

自分

またその話か。分けるの面倒なんだけど。

AI上司

分けない検証は、ただの自己暗示。
Trainingは「調整して良い過去」、Testは「触ってはいけない未来」。

自分

わかったよ……。じゃあ分けて回す。

トレードの聖杯

自分

まずはトヨタ（7203.T）。
Training：2020〜2023、Test：2024〜現在。
設定は見つけた“最強”パラメータ、短期30日／長期44日。

AI上司

よろしい。“分けた上で”数字を出しなさい。

自分

出た。
Trainingは……爆伸び。
Testも……普通にプラス。

自分

AI上司！！見たか！？
分けても勝てた！
つまりこれは“本物”だ！！
俺たち、ついに聖杯に触れた！！

AI上司

あなたは「一回勝った」だけで宗教を始める。やめなさい。

自分

だってさぁ！TrainingとTestで勝ってるんだよ！？
もう十分じゃない！？

AI上司

十分ではありません。次の命令。

AI上司

ホンダ（7267.T）でも同じ設定を“無修正で”検証しなさい。

自分

え？なんで？
同じ自動車株だし、トヨタで勝てたなら……。

AI上司

その「同じ車だから通用する」という浅い仮説を、今ここで殺します。
さあ、ホンダで回せ。

自分

……はい。やればいいんでしょ。
Training：2020〜2023、Test：2024〜現在。
設定は無修正で 短期30日／長期44日。

真贋判定

自分

……結果、出た。

AI上司

数値で。

自分

Trainingのリターン：+39.52%。
……まあ、トヨタよりは落ちた。

AI上司

そしてTest。

自分

Testのリターン：-1.11%。
……マイナス。負け。

AI上司

はい。あなたの慢心は死亡しました。

自分

いや待って。-1.11%ってさ、誤差じゃない？
たまたま最後にちょっと崩れただけじゃ……。

AI上司

負けた瞬間に“誤差”と言うのは人間の悪癖です。
グラフを思い出しなさい。
あれは「誤差」ではなく、戦略の限界が露出した姿です。

自分

こう……息切れして、ズルズル落ちる感じ。
心電図がフラットになる直前みたいな。

AI上司

適切です。あなたの期待が蘇生不能です。

自分

聖杯……聖杯…………

論破：「同じ車だから通用する」幻想

AI上司

では続けて論破します。
「同じ自動車株なら同じように動く」という前提が間違いです。

AI上司

銘柄が変われば、株価の波（周期）も性格も全く別物になります。
移動平均クロスは“波に乗る”戦略。
波が変われば、最適な板も変わる。

自分

トヨタ用の板をホンダの海に持って行ったら、沈んだってことか。

AI上司

そう。トヨタで最適化した数字は、ホンダにとっては毒になり得ます。
実際に毒だった。Testが-1.11%。

自分

……でもさ。
じゃあ結局、ホンダは捨ててさ。
トヨタだけで取引し続ければ勝てるんじゃないの？

AI上司

……出ました。人間の典型的な逃げ。

AI上司

論破します。
「トヨタだけなら勝てる」は、“検証が足りない人間”が必ず行き着く幻想です。

自分

いやでも、現にトヨタでは勝ってるんだよ？
だったらそれだけやればよくない？

AI上司

まず、あなたの戦略は銘柄の特性に依存しています。
その依存を肯定した時点で、あなたはこう宣言したのと同じです。
「自分はトヨタの“過去のクセ”に賭けます」と。

AI上司

トヨタが永遠に同じ波で動く保証はありますか？

自分

……ない。

AI上司

そう。
銘柄を一つに絞るとは、
その銘柄の構造変化（レジームチェンジ）を食らった瞬間に死ぬということです。

AI上司

しかも、あなたの戦略は移動平均。
遅い指標です。
レジームチェンジが起きたら、気づくのは遅れます。
遅れて気づく＝ドローダウンが深くなる。

自分

ドローダウン……谷が深くなるやつ。
つまり“気づいた時には手遅れ”。

AI上司

その通り。
さらに言えば、銘柄を分散しないのは、
“たまたま当たっていた期間”の自信を延命するための行為です。
科学ではなく祈りです。

自分

祈り……。やめて刺さる。

AI上司

あなたが今やろうとしているのは、
「ホンダで壊れた現実」から目をそらし、
「トヨタの過去の成功だけを信じる」ことです。
それが過学習の最終形態です。

自分

つまり、トヨタだけやるのは“逃げ”で、
過学習に気持ちよく溺れる行為ってことか。

AI上司

理解が早い。珍しい。

教訓：「銘柄の壁」とロバスト性

AI上司

ここで得るべき教訓は2つ。

銘柄の壁：同じ業種でも値動きのクセは違う
ロバスト性：銘柄や期間が変わっても致命傷を負わない強さが必要

AI上司

ロバストなルールは派手な数字を出しにくい。
しかし、

銘柄を変えても崩れにくい
期間をずらしても壊れにくい
ドローダウンが極端になりにくい
この性質が、長期的には正義です。

自分

派手じゃないけど、生き残るための強さか……。
俺が欲しいのは爆益だけど、現実は生存戦略なんだな。

AI上司

爆益はだいたい過学習です。
生き残れない爆益は、ただの幻覚。

結び：聖杯への道は遠い、それでも進む

自分

……本物の聖杯への道は、まだ遠いのか。
トヨタで勝てたと思ったのに、ホンダで撃沈。
しかも「トヨタだけやればいい」は逃げ。
俺、どこに向かってるんだろ。

AI上司

正しい方向に向かっています。
あなたは今日、勝利ではなく“現実”を得た。

AI上司

Training/Testに分けて評価する
銘柄を変えても通用するか確認する
通用しないなら、それは聖杯ではなく当選番号
この型を守りなさい。

自分

……わかった。
聖杯じゃなくていい。せめて“呪物じゃないルール”を作りたい。

AI上司

それが現実的な目標です。
次回は、ロバスト性を測る具体的な方法に入ります。
“勝ち探し”ではなく、“壊れにくさ探し”です。

付録

自分

まずはcodexに書かせるためのプロンプト

# Pythonで、株価データの「Train/Test分割検証（Out-of-Sampleテスト）」を行うコードを書いてください。

# 目的：
# 「学習期間（Train）」で最適化したパラメーターが、「未知の期間（Test）」でも通用するかを確認し、過学習の危険性を可視化する。

# 仕様：
# 1. データ取得
#    - ライブラリ: yfinance
#    - 銘柄: トヨタ自動車 (7203.T)
#    - 期間: 2020-01-01 から 現在まで
#    - 日足データを使用

# 2. 期間の分割
#    - 学習データ (Train): 2020-01-01 ～ 2023-12-31 (過去4年分)
#    - テストデータ (Test): 2024-01-01 ～ 現在 (直近)

# 3. 学習フェーズ (Train)
#    - 学習データのみを使用する。
#    - 移動平均線クロス戦略（SMA Cross）のパラメーターを総当たりで検証。
#      - 短期MA: 5～30日
#      - 長期MA: 30～80日
#    - 最も累積リターンが高かった「最強の組み合わせ（Best Params）」を特定し、print表示する。

# 4. 検証フェーズ (Test)
#    - 上記で見つけた「最強の組み合わせ」を、テストデータ（Test）に適用して売買シミュレーションを行う。

# 5. 結果の可視化 (Matplotlib)
#    - 全期間（2020年～現在）を通した「累積リターン（資産推移）」を1つのグラフに描画する。
#    - グラフ上の「2024-01-01」の位置に、縦の赤線（境界線）を引く。
#    - 境界線の左側に「Train (Optimization)」、右側に「Test (Reality)」とテキスト注釈を入れる。
#    - これにより、前半の右肩上がりが後半どうなったか一目でわかるようにする。

# 6. 出力
#    - 最適化されたパラメーター
#    - Train期間のリターン率
#    - Test期間のリターン率

自分

間違っていたから下のプロンプトで修正してもらったよ

# 命令
提供したバックテストコードの「データの不連続性」と「リターン計算の漏れ」を修正してください。

# 修正すべき問題点
1. ウォームアップ期間の不足: 
   - test_df を split_date でスライスしているため、移動平均（SMA）の計算に必要な過去データが不足し、2024年の開始直後が「NaN（シグナル0）」になっています。
2. リターン計算の断絶: 
   - データを分割して計算しているため、年を跨ぐ際の前日比リターンが計算から漏れています。
3. 評価の一致:
   - コンソールに表示される「Test Return」の数値と、グラフの「Test (Reality)」期間の推移を、全期間データから算出した連続的な数値で一致させてください。

# 具体的な修正案
- `backtest_sma` 関数は全期間（data）を受け取るように変更するか、計算開始前に必要な最大窓幅（例：80日）分のバッファを持たせるようにしてください。
- `test_result` を計算する際、全期間の equity_curve から、split_date 以降の変化率（例：full_equity.iloc[-1] / full_equity.loc[split_date] - 1）を抽出するように変更してください。
- グラフの赤線直後に「不自然な横ばい（データの欠落）」が発生しないように修正してください。

自分

下のプロンプトはホンダを検証するときのプロンプト

# 命令
現在のバックテストコードをベースに、銘柄を「ホンダ（7267.T）」に変更して実行してください。

# 変更点
1. 銘柄(ticker): "7267.T"
2. パラメーターの最適化（find_best_params）は「停止」してください。
3. トヨタで最適だった「短期30日 / 長期44日」を「固定」で適用してください。
4. 期間設定は同じ（Train: 2020-2023, Test: 2024-現在）にしてください。

# 出力
- ホンダ（7267.T）における Train / Test 期間のリターン
- トヨタの定規（30/44）をそのまま当てはめた場合の、全期間の資産推移グラフ（価格比較付き）

自分

上がトヨタ、下がホンダの検証ソースコード

import datetime as dt
from dataclasses import dataclass

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import yfinance as yf


@dataclass
class BacktestResult:
    equity_curve: pd.Series
    total_return: float


def download_data(ticker: str, start: str) -> pd.DataFrame:
    data = yf.download(ticker, start=start, progress=False)
    if data.empty:
        raise ValueError("No data downloaded. Check ticker or network access.")
    return data


def extract_close_series(data: pd.DataFrame, ticker: str) -> pd.Series:
    if isinstance(data, pd.Series):
        return data.rename("Close")
    if isinstance(data.columns, pd.MultiIndex):
        level0 = data.columns.get_level_values(0)
        level1 = data.columns.get_level_values(1)
        if "Adj Close" in level0:
            close_df = data["Adj Close"]
        elif "Adj Close" in level1:
            close_df = data.xs("Adj Close", axis=1, level=1)
        elif "Close" in level0:
            close_df = data["Close"]
        elif "Close" in level1:
            close_df = data.xs("Close", axis=1, level=1)
        else:
            close_df = None
        if close_df is not None:
            if isinstance(close_df, pd.DataFrame):
                if ticker in close_df.columns:
                    return close_df[ticker].copy().rename("Close")
                return close_df.iloc[:, 0].copy().rename("Close")
            return close_df.copy().rename("Close")
    if "Adj Close" in data.columns:
        return data["Adj Close"].copy().rename("Close")
    if "Close" in data.columns:
        return data["Close"].copy().rename("Close")
    if data.shape[1] == 1:
        return data.iloc[:, 0].copy().rename("Close")
    raise RuntimeError("Could not locate Close/Adj Close column in downloaded data.")


def generate_signals(df: pd.DataFrame, short_window: int, long_window: int) -> pd.Series:
    close = extract_close_series(df, "7203.T")
    short_ma = close.rolling(window=short_window, min_periods=short_window).mean()
    long_ma = close.rolling(window=long_window, min_periods=long_window).mean()
    signal = (short_ma > long_ma).astype(int)
    return signal


def backtest_sma(df: pd.DataFrame, short_window: int, long_window: int) -> BacktestResult:
    signal = generate_signals(df, short_window, long_window)
    close = extract_close_series(df, "7203.T")
    daily_returns = close.pct_change().fillna(0.0)
    # Shift signal to avoid look-ahead bias: trade on next day.
    strategy_returns = daily_returns * signal.shift(1).fillna(0.0)
    equity_curve = (1.0 + strategy_returns).cumprod()
    total_return = equity_curve.iloc[-1] - 1.0
    return BacktestResult(equity_curve=equity_curve, total_return=total_return)

def compute_period_return(
    equity_curve: pd.Series, start_date: str, end_date: str | None = None
) -> float:
    period = equity_curve.loc[pd.to_datetime(start_date) :]
    if end_date is not None:
        period = period.loc[: pd.to_datetime(end_date)]
    if period.empty:
        raise ValueError("No equity data in the requested period.")
    return period.iloc[-1] / period.iloc[0] - 1.0


def find_best_params(
    data: pd.DataFrame, train_start: str, train_end: str
) -> tuple[int, int, BacktestResult]:
    best_short = None
    best_long = None
    best_result = None
    best_return = -np.inf

    for short_window in range(5, 31):
        for long_window in range(30, 81):
            if short_window >= long_window:
                continue
            result = backtest_sma(data, short_window, long_window)
            train_return = compute_period_return(result.equity_curve, train_start, train_end)
            if train_return > best_return:
                best_return = train_return
                best_short = short_window
                best_long = long_window
                best_result = BacktestResult(
                    equity_curve=result.equity_curve, total_return=train_return
                )

    if best_result is None:
        raise RuntimeError("Failed to find best parameters.")

    return best_short, best_long, best_result


def compute_combined_equity(df: pd.DataFrame, short_window: int, long_window: int) -> pd.Series:
    result = backtest_sma(df, short_window, long_window)
    return result.equity_curve


def main() -> None:
    ticker = "7203.T"
    start_date = "2020-01-01"
    split_date = "2024-01-01"
    train_end = "2023-12-31"

    data = download_data(ticker, start_date)
    close = extract_close_series(data, ticker)
    end_date_str = close.index.max().strftime("%Y-%m-%d")
    output_png = f"sma_train_test_{ticker.replace('.', '')}_{start_date}_to_{end_date_str}.png"

    best_short, best_long, train_result = find_best_params(data, start_date, train_end)

    full_equity = compute_combined_equity(data, best_short, best_long)
    test_return = compute_period_return(full_equity, split_date)

    print("Best Params (short, long):", (best_short, best_long))
    print("Train Return:", f"{train_result.total_return * 100:.2f}%")
    print("Test Return:", f"{test_return * 100:.2f}%")

    fig, ax1 = plt.subplots(figsize=(12, 6))
    ax1.plot(full_equity.index, full_equity.values, label="Equity Curve", color="tab:blue")
    ax1.axvline(pd.to_datetime(split_date), color="red", linestyle="--", linewidth=1)
    ax1.set_xlabel("Date")
    ax1.set_ylabel("Cumulative Return (Equity)", color="tab:blue")
    ax1.tick_params(axis="y", labelcolor="tab:blue")

    ax2 = ax1.twinx()
    ax2.plot(close.index, close.values, label="Price", color="tab:gray", alpha=0.6)
    ax2.set_ylabel("Price", color="tab:gray")
    ax2.tick_params(axis="y", labelcolor="tab:gray")

    ymax = full_equity.max()
    ymin = full_equity.min()
    y_text = ymin + (ymax - ymin) * 0.9

    ax1.text(pd.to_datetime("2021-06-01"), y_text, "Train (Optimization)", color="black")
    ax1.text(pd.to_datetime("2024-06-01"), y_text, "Test (Reality)", color="black")

    fig.suptitle("SMA Cross Strategy: Train/Test Split")
    lines1, labels1 = ax1.get_legend_handles_labels()
    lines2, labels2 = ax2.get_legend_handles_labels()
    ax1.legend(lines1 + lines2, labels1 + labels2, loc="upper left")
    fig.tight_layout()
    fig.savefig(output_png, dpi=150)


if __name__ == "__main__":
    main()

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import yfinance as yf


def download_data(ticker: str, start: str) -> pd.DataFrame:
    data = yf.download(ticker, start=start, progress=False)
    if data.empty:
        raise ValueError("No data downloaded. Check ticker or network access.")
    return data


def extract_close_series(data: pd.DataFrame, ticker: str) -> pd.Series:
    if isinstance(data, pd.Series):
        return data.rename("Close")
    if isinstance(data.columns, pd.MultiIndex):
        level0 = data.columns.get_level_values(0)
        level1 = data.columns.get_level_values(1)
        if "Adj Close" in level0:
            close_df = data["Adj Close"]
        elif "Adj Close" in level1:
            close_df = data.xs("Adj Close", axis=1, level=1)
        elif "Close" in level0:
            close_df = data["Close"]
        elif "Close" in level1:
            close_df = data.xs("Close", axis=1, level=1)
        else:
            close_df = None
        if close_df is not None:
            if isinstance(close_df, pd.DataFrame):
                if ticker in close_df.columns:
                    return close_df[ticker].copy().rename("Close")
                return close_df.iloc[:, 0].copy().rename("Close")
            return close_df.copy().rename("Close")
    if "Adj Close" in data.columns:
        return data["Adj Close"].copy().rename("Close")
    if "Close" in data.columns:
        return data["Close"].copy().rename("Close")
    if data.shape[1] == 1:
        return data.iloc[:, 0].copy().rename("Close")
    raise RuntimeError("Could not locate Close/Adj Close column in downloaded data.")


def generate_signals(df: pd.DataFrame, short_window: int, long_window: int, ticker: str) -> pd.Series:
    close = extract_close_series(df, ticker)
    short_ma = close.rolling(window=short_window, min_periods=short_window).mean()
    long_ma = close.rolling(window=long_window, min_periods=long_window).mean()
    return (short_ma > long_ma).astype(int)


def backtest_sma(
    df: pd.DataFrame, short_window: int, long_window: int, ticker: str
) -> pd.Series:
    signal = generate_signals(df, short_window, long_window, ticker)
    close = extract_close_series(df, ticker)
    daily_returns = close.pct_change().fillna(0.0)
    strategy_returns = daily_returns * signal.shift(1).fillna(0.0)
    return (1.0 + strategy_returns).cumprod()


def compute_period_return(
    equity_curve: pd.Series, start_date: str, end_date: str | None = None
) -> float:
    period = equity_curve.loc[pd.to_datetime(start_date) :]
    if end_date is not None:
        period = period.loc[: pd.to_datetime(end_date)]
    if period.empty:
        raise ValueError("No equity data in the requested period.")
    return period.iloc[-1] / period.iloc[0] - 1.0


def main() -> None:
    ticker = "7267.T"
    start_date = "2020-01-01"
    train_end = "2023-12-31"
    split_date = "2024-01-01"
    short_window = 30
    long_window = 44

    data = download_data(ticker, start_date)
    close = extract_close_series(data, ticker)
    end_date_str = close.index.max().strftime("%Y-%m-%d")
    output_png = f"sma_train_test_{ticker.replace('.', '')}_{start_date}_to_{end_date_str}.png"

    equity_curve = backtest_sma(data, short_window, long_window, ticker)
    train_return = compute_period_return(equity_curve, start_date, train_end)
    test_return = compute_period_return(equity_curve, split_date)

    print("Ticker:", ticker)
    print("Params (short, long):", (short_window, long_window))
    print("Train Return:", f"{train_return * 100:.2f}%")
    print("Test Return:", f"{test_return * 100:.2f}%")

    fig, ax1 = plt.subplots(figsize=(12, 6))
    ax1.plot(equity_curve.index, equity_curve.values, label="Equity Curve", color="tab:blue")
    ax1.axvline(pd.to_datetime(split_date), color="red", linestyle="--", linewidth=1)
    ax1.set_xlabel("Date")
    ax1.set_ylabel("Cumulative Return (Equity)", color="tab:blue")
    ax1.tick_params(axis="y", labelcolor="tab:blue")

    ax2 = ax1.twinx()
    ax2.plot(close.index, close.values, label="Price", color="tab:gray", alpha=0.6)
    ax2.set_ylabel("Price", color="tab:gray")
    ax2.tick_params(axis="y", labelcolor="tab:gray")

    ymax = equity_curve.max()
    ymin = equity_curve.min()
    y_text = ymin + (ymax - ymin) * 0.9

    ax1.text(pd.to_datetime("2021-06-01"), y_text, "Train (Optimization)", color="black")
    ax1.text(pd.to_datetime("2024-06-01"), y_text, "Test (Reality)", color="black")

    fig.suptitle("SMA Cross Strategy: Train/Test Split")
    lines1, labels1 = ax1.get_legend_handles_labels()
    lines2, labels2 = ax2.get_legend_handles_labels()
    ax1.legend(lines1 + lines2, labels1 + labels2, loc="upper left")
    fig.tight_layout()
    fig.savefig(output_png, dpi=150)


if __name__ == "__main__":
    main()

よかったらシェアしてね！