コンテンツにスキップ
The Eyes of FX

プラットフォームと API

自動売買を実装する技術基盤は MT4、MT5、cTrader、TradingView、Python + Broker API に大別され、それぞれ API 特性、ティック品質、ラウンドトリップレイテンシ、バックテストフレームワークが異なります。 プラットフォーム選定は「戦略の性質」「許容レイテンシ」「ブローカー接続の柔軟性」の 3 軸で決まります。 同じ戦略ロジックでも、MT4、MT5、Python + API では結果が違います。 バックテスト、Walk-Forward、過剰最適化の抑制は、戦略評価の必須前段です。 このページは、どのプラットフォームで EA を書くかの判断、バックテスト設計、ライブとのギャップの把握、VPS 選定、Walk-Forward 実装に使います。

プラットフォームマップ

MetaTrader 4（MT4）

  • 開発元：MetaQuotes Software（Cyprus / Russia）
  • リリース：2005 年
  • 言語：MQL4（C 風構文）
  • 市場シェア：個人向け FX EA の事実上のデファクトスタンダード
  • 強み：EA/インジケータの膨大な資産、書籍・情報が豊富、多くの海外業者が採用
  • 弱み：単一スレッド、シングルチャート単位の実行、非時系列足（Renko/Point&Figure）非対応、開発は事実上停止（メンテのみ）
  • バックテスト：Strategy Tester 内蔵。ティック品質は Every tick モードでも broker 提供の M1 データから内挿。実口座の実ティック再現には不十分
  • 国内対応：楽天証券 MT4、OANDA JAPAN MT4、フィリップ証券など。国内業者の MT4 対応は減少傾向
  • 判断：既存 EA 資産があるか、MT4 のみ対応の業者を使う場合以外、新規開発は非推奨

MetaTrader 5（MT5）

  • 開発元：MetaQuotes Software
  • リリース：2010 年
  • 言語：MQL5（C++ 風、オブジェクト指向対応）
  • 強み：マルチアセット（株式/先物対応）、複数注文一括（netting/hedging 選択可）、内蔵ストラテジーテスターがマルチスレッド並列、MQL5 Market 統合
  • 弱み：MQL4 との後方互換性なし（移植コスト大）、netting mode がデフォルトで、hedging mode 使用にはブローカー側対応が必要
  • バックテスト：内蔵 Strategy Tester がクラウド分散対応（MQL5 Cloud Network）、Real Ticks モードで broker 提供の実ティック使用可、遺伝的アルゴリズム最適化組み込み
  • Python 連携：MetaTrader5 Python パッケージ（pip install MetaTrader5）で外部 Python から MT5 端末を操作可能。Windows のみサポート
  • 国内対応：楽天証券 MT5、OANDA JAPAN、外為ファイネスト、Avatrade Japan、ForexTrading.com など（対応業者増加中）
  • 判断：新規 EA 開発はほぼ MT5 一択。Python 併用可能なのが決定的優位

cTrader

  • 開発元：Spotware Systems（Cyprus）
  • リリース：2011 年
  • 言語：C#（.NET）、cAlgo フレームワーク
  • 強み：DOM（Depth of Market）表示、Level II クオート、Level 2 板情報 API、UI が MT より近代的、cTrader Copy（コピートレード内蔵）
  • 弱み：シェアが MT に劣り、対応ブローカーが限定（IC Markets、Pepperstone 等）、国内対応業者ほぼ無し
  • バックテスト：内蔵 cAlgo Strategy Tester、Tick data 使用可、C# デバッガ完全対応
  • 判断：ECN 系海外ブローカーで Level II を活用したい場合の第一候補、国内では現実的でない

TradingView + Webhook

  • 開発元：TradingView（US / UK）
  • 言語：Pine Script v6
  • 強み：世界最大級のチャートユーザー基盤、シェア可能な strategy、実行不要のバックテスト UI が優秀
  • 弱み：Pine Script は本格アルゴには機能不足、実際の発注は webhook 経由の別実装が必要、alert のレイテンシは webhook 経路で 1-10 秒
  • 発注経路：TradingView alert → webhook 受信サーバー（自前 Flask/FastAPI）→ Broker API 発注、というパイプラインを組む
  • バックテスト：Pine 内蔵 backtester。バーごと計算だがティック内価格を考慮せず、slippage/commission モデルは簡易
  • 判断：発注はプロトタイプ止まり、リアルタイムアラート + 手動発注の半自動用途で優位

Python + Broker API

  • 主要 API：
    • MetaTrader5（Python）：MT5 端末経由、Windows 限定、実質シェア最大
    • OANDA v20：REST API + streaming、JP デモ対応、レイテンシ 100-300ms
    • Interactive Brokers TWS API / ib_insync：米国株メイン、FX 対応、TWS/Gateway 起動必要
    • cTrader Open API：gRPC ベース、FIX 相当の高機能
    • FIX Protocol（Prime broker 級）：遅延最小だが月額固定費 + 開発コスト大
    • 国内 API：SBI FX Trade、GMO クリック証券は API 未提供、外為どっとコムの外貨ネクスト API は限定的
  • 強み：汎用言語（numpy/pandas/scipy/scikit-learn 完全活用）、任意のフレームワーク採用可、Windows 制約なし（MT5 除く）、CI/CD・テスト・監視の一般的な OSS ツールが使える
  • 弱み：実装コスト大、エラーハンドリング・再接続・状態管理を自作、バックテストフレームワークを別途組む
  • 判断：中長期スパンの本格開発、統計裁定・ML 系戦略、既存 Python エコシステム活用したい場合

API 比較表

API言語平均レイテンシティック粒度streaming認証国内利用
MT5 PythonPython + MQL510-50ms（localhost）tickありログイン○（楽天/OANDA JP 等）
MT4 通常MQL410-50mstick（broker filter）ありログイン○（減少中）
cTrader Open APIC#/JS/gRPC20-100mstick + L2ありOAuth△（海外業者経由）
OANDA v20 RESTHTTP100-300mspricing snapshotstreaming 別Personal token○（OANDA JP）
OANDA v20 streamingHTTP50-150mstickありPersonal token○
IB TWS APIPython（ib_insync）等100-500ms250ms snapshotありログイン△（US 中心）
FIX各種1-10mstickあり契約認証△（機関投資家寄り）
TradingView WebhookHTTP1-10sbar closepollingwebhook URL○（alert 発報のみ）

VPS / 実行環境

自動売買を 24 時間稼働させるには、VPS または類似環境が必要です。

VPS 選定基準

  1. ブローカーサーバーとの物理距離

    • MT4/MT5 の実行サーバー（ブローカー側）の所在地に近い VPS
    • LD5（London）、NY4（Equinix New Jersey）、TY3（Tokyo Equinix）が主要三大拠点
    • 物理距離 1,000km で RTT +10-15ms、10,000km で RTT +100-150ms

  2. スペック

    • MT5 1 チャート 1 EA：CPU 1 core / RAM 1GB で足りる
    • 複数チャート・複数 EA：CPU 2-4 core / RAM 4-8GB
    • Python + numpy 系：4 core / 8GB 推奨
    • SSD 必須（HDD ではレイテンシ増加）

  3. ネットワーク

    • MT4/MT5 の通信は暗号化 + 圧縮の独自プロトコル
    • 帯域は月 10-50GB 程度で足りる（常時 streaming で 1GB/day 弱）
    • ping 監視で 24 時間の平均・最大レイテンシを記録する

主要 VPS

  • BeeksFX / ForexVPS：FX 特化、LD5/NY4/TY3 近接、月 3,000-10,000 円
  • AWS EC2（t3.small）：汎用、東京 / London / Virginia リージョン、月 2,000-4,000 円
  • さくら VPS / ConoHa：国内低コスト、月 1,000-3,000 円、レイテンシ TY3 まで 3-5ms
  • ブローカー無料 VPS：楽天証券 MT5（取引量条件付き）、XM（残高 $5,000 以上）等、条件を満たせば無料

バックテスト設計

データ品質

FX バックテストで最も重要かつ軽視されがちなのが、ティックデータ品質です。

  • M1 データからの内挿：MT4 標準。M1 の O/H/L/C からティックを疑似生成。エントリーバー内の実際の高安順序が不明のため、ストップ・利確判定に誤差
  • Real Ticks（broker 提供）：MT5 の Every tick based on real ticks モード。broker 提供の bid ticks を使うが、ask/spread は近似
  • サードパーティティックデータ：Dukascopy / TickData.com / HistData / TrueFX が代表的
  • 推奨：HistData の分刻み無料 + Dukascopy / TrueFX の tick データを補完

In-Sample / Out-of-Sample

  • IS（In-Sample）：戦略設計・パラメータ最適化に使う期間
  • OOS（Out-of-Sample）：未使用データでの検証期間
  • 推奨分割：50/50 か 70/30、時系列連続で
  • 不可：OOS でパラメータ再調整（それは IS の一部）

Walk-Forward

固定的な IS/OOS 分割ではなく、時系列を移動しながら「直近 N 期間で最適化 → 次 M 期間で forward test」を繰り返します。

  • 標準的パラメータ：最適化 12 か月 → 前進 3 か月、を繰り返し
  • Anchored WF：最適化窓の左端固定（期間拡大）
  • Rolling WF：最適化窓を丸ごと移動（期間一定）
  • Anchored の方が overfitting 検出に厳しい
  • 判定：全 Forward 期間の合計 Sharpe が Full IS Sharpe の 50% 以上残るか

モンテカルロシミュレーション

戦略が生成したトレード履歴（エントリー・エグジット系列）をランダムに並び替え、リターン分布を作ります。

  • Trade shuffle：トレードをランダム並び替え → drawdown 分布
  • Bootstrap：復元抽出でリターン系列を再構成 → 信頼区間
  • Judgement：5,000-10,000 回試行、median drawdown と 95%tile drawdown を Live 想定値に

過剰最適化（Overfitting）の兆候

  • Sharpe > 3 in IS：ほぼ確実に overfit
  • Parameter space の凹凸が極端：最適値の 1 隣（n=14 → n=15）で Sharpe が半減する場合、overfit
  • OOS Sharpe / IS Sharpe が 30% 未満：overfit の強い兆候
  • 入手パラメータ数 / トレード数 > 1%：一般に overfit
  • Deflated Sharpe Ratio（Bailey & López de Prado 2014）：Multiple testing 補正で有意性判定

落とし穴

  • バックテストの月利 10% とライブの -30% ギャップ：ティック品質・スプレッド見積・スリッページの 3 点で説明できる。バックテストで gap を予測できる
  • M1 データバックテストで scalp EA を評価：秒足の値動きが再現されないので実勝率と大きく乖離。scalp なら real tick 必須
  • Spread を固定 0.1 pip と仮定：実際は東京早朝・ロンドン fix・NY オープンでスプレッド 3-10 倍。時間帯別スプレッドをバックテストに組み込む
  • Slippage を 0 pip と仮定：特に指標発表時。ATR ベースの動的 slippage モデルを組み込む
  • Broker 差異の無視：同じ EA を A 業者と B 業者に載せて別結果になる。約定方式（STP/ECN）、reject 率、requote が違う
  • Look-ahead bias：バックテスト中に翌足の情報を使ってしまう実装ミス。時刻同期を必ず 1 bar 遅らせる
  • Survivor bias in vendor tick data：過去に破綻した業者のティックデータは公開されないことが多い。SNB ショック直前・直後のスプレッド爆発が再現されない
  • Curve fitting via genetic algorithm：MT5 の遺伝的アルゴリズム最適化は IS で最良のパラメータを出すが、それは overfitting のことが多い
  • Python 側の await 忘れ / スレッドセーフでない設計：MT5 Python は同期呼び出し。asyncio 混在に注意
  • VPS 監視の欠落：EA が停止していても気付かない設計は破綻の入口。ping / EA heartbeat / P&L 監視を組む

Python + MetaTrader5 実装スケッチ

MT5 Python パッケージの基本的な使い方です（Windows 必須）。

import MetaTrader5 as mt5
import pandas as pd




def connect(login: int, password: str, server: str) -> bool:
    """MT5 端末に接続する。"""
    if not mt5.initialize():
        return False
    return mt5.login(login=login, password=password, server=server)




def fetch_ohlc(symbol: str, timeframe: int, n_bars: int) -> pd.DataFrame:
    """MT5 から OHLC を取得。timeframe は mt5.TIMEFRAME_M15 など。"""
    rates = mt5.copy_rates_from_pos(symbol, timeframe, 0, n_bars)
    if rates is None:
        return pd.DataFrame()
    df = pd.DataFrame(rates)
    df["time"] = pd.to_datetime(df["time"], unit="s")
    return df.set_index("time")




def place_market_order(
    symbol: str,
    side: str,  # "buy" or "sell"
    volume: float,
    sl: float | None = None,
    tp: float | None = None,
    deviation: int = 20,
) -> dict:
    """成行注文を発注。"""
    tick = mt5.symbol_info_tick(symbol)
    price = tick.ask if side == "buy" else tick.bid
    order_type = mt5.ORDER_TYPE_BUY if side == "buy" else mt5.ORDER_TYPE_SELL


    request = {
        "action": mt5.TRADE_ACTION_DEAL,
        "symbol": symbol,
        "volume": volume,
        "type": order_type,
        "price": price,
        "deviation": deviation,
        "type_filling": mt5.ORDER_FILLING_IOC,
    }
    if sl is not None:
        request["sl"] = sl
    if tp is not None:
        request["tp"] = tp


    result = mt5.order_send(request)
    return result._asdict() if result else {}




def close_all_positions(symbol: str) -> list:
    """指定シンボルの全ポジションを閉じる。"""
    positions = mt5.positions_get(symbol=symbol)
    if not positions:
        return []
    results = []
    for pos in positions:
        tick = mt5.symbol_info_tick(symbol)
        close_type = (
            mt5.ORDER_TYPE_SELL
            if pos.type == mt5.POSITION_TYPE_BUY
            else mt5.ORDER_TYPE_BUY
        )
        price = tick.bid if close_type == mt5.ORDER_TYPE_SELL else tick.ask
        request = {
            "action": mt5.TRADE_ACTION_DEAL,
            "position": pos.ticket,
            "symbol": symbol,
            "volume": pos.volume,
            "type": close_type,
            "price": price,
            "deviation": 20,
            "type_filling": mt5.ORDER_FILLING_IOC,
        }
        result = mt5.order_send(request)
        results.append(result._asdict() if result else {})
    return results

order_send の戻り値の retcode を確認します。 成功は mt5.TRADE_RETCODE_DONE（10009）です。 それ以外はエラー処理を書きます。

バックテスト実装スケッチ（backtrader）

import backtrader as bt




class SmaCross(bt.Strategy):
    params = dict(fast=20, slow=50)


    def __init__(self):
        self.fast = bt.indicators.SMA(self.data.close, period=self.p.fast)
        self.slow = bt.indicators.SMA(self.data.close, period=self.p.slow)
        self.crossover = bt.indicators.CrossOver(self.fast, self.slow)


    def next(self):
        if not self.position and self.crossover > 0:
            self.buy(size=10000)
        elif self.position and self.crossover < 0:
            self.close()




cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)


data = bt.feeds.GenericCSVData(
    dataname="usdjpy_m15.csv",
    dtformat="%Y-%m-%d %H:%M:%S",
    timeframe=bt.TimeFrame.Minutes,
    compression=15,
)
cerebro.adddata(data)


cerebro.broker.setcash(1_000_000)
cerebro.broker.setcommission(commission=0.00003)   # 0.3 pip 相当
cerebro.broker.set_slippage_perc(perc=0.0001)      # 0.01% slippage
cerebro.addanalyzer(bt.analyzers.SharpeRatio)
cerebro.addanalyzer(bt.analyzers.DrawDown)
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer)


results = cerebro.run()

commission と slippage は必ず現実的な値を入れます。 デフォルト 0 のままだと「紙 backtest」になります。

Walk-Forward 実装スケッチ

import numpy as np
import pandas as pd




def walk_forward(
    df: pd.DataFrame,
    strategy_fn,          # (df, params) -> returns_series
    param_grid: list[dict],
    is_bars: int = 12 * 20 * 24,   # 12 months of hourly
    oos_bars: int = 3 * 20 * 24,   # 3 months of hourly
    anchored: bool = False,
) -> pd.DataFrame:
    """Anchored / Rolling Walk-Forward を返す。"""
    records = []
    start = 0
    is_start = 0


    while is_start + is_bars + oos_bars <= len(df):
        is_end = is_start + is_bars
        oos_end = is_end + oos_bars


        is_slice = df.iloc[is_start:is_end]
        oos_slice = df.iloc[is_end:oos_end]


        # IS でグリッドサーチ
        best_params = None
        best_sharpe = -np.inf
        for params in param_grid:
            ret = strategy_fn(is_slice, params)
            sharpe = ret.mean() / ret.std() * np.sqrt(252)
            if sharpe > best_sharpe:
                best_sharpe = sharpe
                best_params = params


        # OOS で forward test
        oos_ret = strategy_fn(oos_slice, best_params)
        oos_sharpe = oos_ret.mean() / oos_ret.std() * np.sqrt(252)


        records.append(
            {
                "is_start": is_slice.index[0],
                "is_end": is_slice.index[-1],
                "oos_start": oos_slice.index[0],
                "oos_end": oos_slice.index[-1],
                "best_params": best_params,
                "is_sharpe": best_sharpe,
                "oos_sharpe": oos_sharpe,
            }
        )


        # 窓を進める
        if anchored:
            is_end = is_end  # start 固定
        else:
            is_start += oos_bars


        is_start = is_start if anchored else is_start
        # is_start を進める (Rolling の場合のみ)
        if not anchored:
            pass  # 上で進めた
        # anchored の場合 is_start は 0 固定
        # 一貫させるため下記に整理
        if anchored:
            is_bars += oos_bars  # 期間を伸ばす
        # OOS の右端まで進んだら次
        # (実装簡略化のため OOS 開始点を次の IS_end に)


    return pd.DataFrame(records)

anchored / rolling の切り替え・窓の進め方は用途に合わせて調整します。 実務では sklearn.model_selection.TimeSeriesSplit や mlfinlab の PurgedKFold を組み合わせます。

参考