異常を検知したら、逃げるべきか

「正常を学べば、異常が浮かぶ」を市場へ

アクセスログの異常検知でやったことは単純でした。正常なパターンだけを AutoEncoder に学習させる。 すると学習していないパターン——攻撃——が来たとき、再構成に失敗して誤差が跳ね上がる。 「正常を知れば、異常が浮かぶ」。

同じ発想を市場に当てます。平穏な相場だけを学習させ、危機が来たら誤差で気づく。 さらに一歩進めて、その異常度に応じて資産配分を自動で守りに寄せたらどうなるか。 これが「動的オート・リバランス」です。

平穏だけを、学習させる

擬似データは2資産です。リスク資産（平常時は緩やかに上昇、危機時は高ボラティリティで下落）と、 安全資産（低ボラティリティで微増）。ここに危機レジームを2回、意図的に埋め込みます。

入力は「直近10日のリターン」

リスク資産のリターンを10日ぶんの窓に切り、標準化して AutoEncoder に入れます。 構造は 10 → 4 → 10。真ん中で4次元に圧縮するので、よくあるパターンしか通れません。 学習は前半の平穏期だけ。危機のデータは一切見せません。

const model = tf.sequential();
model.add(tf.layers.dense({ inputShape:[10], units:6, activation:'tanh' }));
model.add(tf.layers.dense({ units:4, activation:'tanh' }));   // ボトルネック
model.add(tf.layers.dense({ units:6, activation:'tanh' }));
model.add(tf.layers.dense({ units:10 }));                      // 再構成
model.compile({ optimizer: tf.train.adam(0.01), loss:'meanSquaredError' });

// 学習データは「平穏期の窓」だけ。危機は見せない
await model.fit(calmWindows, calmWindows, { epochs:60, batchSize:16 });

入力と出力が同じ（calmWindows, calmWindows）なのが AutoEncoder です。 「自分自身を復元する」訓練を平穏データだけで積むと、危機の形は復元できなくなる。 その失敗の大きさが、異常度です。

2つのルールを比べる

再構成誤差を、学習期間の平均と標準偏差で z スコアに直します。平常なら 0 付近、危機なら跳ね上がる。 これを配分に変換する方法を、2つ用意しました。

ルールA：連続シフト

異常度に比例して、リスク資産の比率をなめらかに下げます。少し変なら少しだけ守る。

target = clamp(base - k * max(0, z), floor, base);   // zが大きいほど守りへ

ルールB：閾値＋ヒステリシス

閾値を超えたら守りに切り替え、別の（低い）閾値を下回るまで戻さない。 境界付近でのバタつきを防ぐ仕組みで、これが売買回数に効きます。

if (!defensive && z > thrOn)  defensive = true;   // 危機入り
if ( defensive && z < thrOff) defensive = false;  // 平常復帰（thrOff < thrOn）
target = defensive ? floor : base;

比較対象として、何もしない静的配分（リスク資産60% / 安全資産40%を維持）も並べます。

4つの罠を、先に塞ぐ

この手の検証は、油断すると実際より良く見えてしまいます。塞いだ罠は4つです。

① ルックアヘッド・バイアス

未来を知った状態で学習・判定してしまう罠。ここでは AutoEncoder の学習も、z スコアの基準（平均・σ）も、 前半の平穏期だけから作ります。危機のデータは学習に一切入りません。

② 検知遅延

当日の異常を当日中に使えるのは非現実的です。配分の決定には前日までの情報だけを使います。 危機が始まってから守りに入るまで、必ず遅れが出る——それが現実です。

③ 取引コスト

リバランスのたびに手数料とスプレッドがかかります。無視すると動的戦略が過大評価されるので、 売買した分だけコストを引きます。売買回転率も指標として表示します。

④ 後知恵の最適化

閾値や感度を「一番成績が良くなる値」に合わせ込めば、過去にだけ効く戦略が出来上がります。 なのでこのデモでは最適値を提示しません。スライダーはあなたが動かし、 条件を変えると結論がどう揺れるかを見てもらいます。

ブラウザで、実際に学習させる

「学習してシミュレーション」を押すと、TensorFlow.js がこの場で AutoEncoder を訓練します（数秒）。 学習が終わると、異常スコアと3戦略の資産曲線、配分推移が描かれます。

スライダーを動かすと、結論が揺れます。閾値を下げれば早く逃げられますが誤検知で売買が増え、 コストを上げると動的戦略から順に不利になる。「どの設定でも動的が勝つ」わけではないのが見えるはずです。

数回では、見誤った

下は、実際にブラウザで AutoEncoder を学習させて回した2つの相場です （どちらも危機2回・コスト0.1%・閾値 z>2.0・感度0.35。違うのは乱数だけ）。

相場Aでは静的が最良、相場Bでは連続シフトが最良。 さらに別の乱数では閾値ルールが勝つ回もありました。何度押しても勝者が入れ替わる。 ——ここで私は「勝者は相場次第、リターンの優劣は運任せ」と結論づけました。

30相場まわすと、構造が見えた

デモの「30相場で検証」は、学習済みの AutoEncoder を使い回して30通りの相場を回し、 勝者を数えます。取引コストを変えて2回押した結果が、これです。

個別に数回見たときは勝者がばらばらだったのに、30回まとめると 閾値＋ヒステリシスが両方の条件で最良（20勝・22勝）。 「運任せ」ではなく、はっきりした順序がありました。数回の観測では、それがノイズに埋もれて見えなかった。

コストを上げると、何が起きたか

さらに面白いのは、コストを 0.1% → 0.5% に上げたときの動き方です。

• 連続シフトは 6勝 → 0勝に消滅。回転が閾値の3.4倍あるため、コストに真っ先に殺される
• 静的は 4勝 → 8勝に倍増。何も売買しない＝回転ゼロの強みが、高コスト環境で効いてくる
• 閾値＋ヒステリシスは 20勝 → 22勝。両方の環境で安定して最良

同じ異常スコアを使っていても、動き方の設計だけで「一度も勝てない」ところまで落ちる。 連続シフトの敗因は検知の精度ではなく、じりじり動き続ける設計そのものでした。 ヒステリシスで往復を止めるという一手が、コストを通じてこれだけの差を生みます。

30相場で、変わらなかったこと

勝敗の分布が動く一方で、リスク側の効果はどちらのコスト水準でも安定していました。

• DD圧縮 平均41〜49% — リスク縮小は例外なく起きる
• vol削減 平均47% — 両条件でまったく同じ。値動きは確実に穏やかになる
• 回転比 平均3.4倍（連続÷閾値）— これも両条件で不動

検知と、利益は別

AutoEncoder 自体の性能は良好です。危機期の再構成誤差は平常の数十倍に跳ね、 グラフの紫線は赤帯にきれいに重なります。それでも検知できることと、得することは別でした。 利益を決めたのは検知精度ではなく、検知したあとの動き方——配分ルールの設計です。

検知は、判断を置き換えない

アクセスログでも市場でも、AutoEncoder がやることは同じでした。正常を学び、外れたら気づく。 その先で「気づいたあと、どう動くか」を決めるのは、検知器ではなく設計です。 ログなら遮断ルール、資産なら配分ルール。そこの巧拙で、結果は逆転します。

擬似データで構造を確かめたら、次は実データで同じことをやる番です。ただしそのときこそ、 この4つの罠が牙をむきます。正直に組めば、たいてい期待値は下がる。 それでも下がった後に残るものがあるなら、それは本物かもしれません。