テクニカルが方向を決め、機械学習が勝率を判定する。
データ取得から発注、決済までの 6 ステップ。
GMOコイン REST API から OHLCV をリアルタイム取得し、特徴量エンジンに投入する（現運用は 1 時間足、トレーニング次第でスキャルピング〜スイングまで対応可能）。
EMAクロスオーバーで方向性を検出し、BUY/SELL の一次シグナルを生成する。
75次元の特徴量で各シグナルの勝率を判定。閾値 0.6 以上のシグナルのみ次工程へ通過させる。
ATR ベースで TP = 2.5 × ATR / SL = 2.5 × ATR を設定。1 トレードあたりのリスクを残高の 2% に制御する。
GMOコイン REST API で成行発注（IFO 構成: 成行 + OCO で TP/SL 同時発注）。
TP / SL 到達、もしくは最大保有 6 バー（= 6 時間）で自動クローズ。
テクニカル・ボラティリティ・マクロ・長期コンテキストの 4 カテゴリで構成。
— 75 FEATURES TOTAL / DYNAMICALLY SELECTED BY OPTUNA
ベイズ最適化と CPCV による厳格な検証パイプラインで構築。
なぜ単一モデルで予測せず、二段構成にするのか。
シングルモデルで BUY / SELL を直接予測する手法は、過学習しやすく市場レジーム変化に脆い。 ノイズと真のシグナルを区別できず、パラメータ数の増加が汎化性能を悪化させる典型例である。
MetaLabeling は、シンプルなテクニカルシグナル（EMA クロス）で方向を決め、機械学習はそのシグナルが勝てるかどうかだけを判定する。 モデルが解く問題を「方向予測」から「シグナルの質判定」へ縮小することで、 誤エントリーをフィルタしつつ、シグナル生成器自体は人間が解釈可能な形に保つことができる。