本番運用で証明されるAI金融意思決定構造
NoahAIは、対応する判断・ガードレール・PAPER/LIVE実行境界・結果を運用ログ・台帳・レポートで接続するAI金融インフラです。
機関・パートナー視点：判断の痕跡と再現性
外部レビューやデューデリジェンスで求められるのは、単一の目立つリターンではなく、 各判断が生まれた文脈（入力・ポリシー・リスク・結果）が記録され、同一条件で再生・レビュー可能な構造かどうかです。NoahAIは対応するPAPER・LIVE経路にこのログ・連携構造を組み込み、接続先ごとの準備状態を分離しており、運用可能性・監査可能性を、見かけ上のパフォーマンスより優先するインフラ観と一致します。
技術実証の必要性
多くの金融AIは概念にとどまります。バックテスト結果、シミュレーション成績、PoCデモは示しても、本番ですべての判断が記録され再現可能な構造は稀です。
NoahAI Clientは中核製品の検証を完了し、無料・有料サービスとして運用中です。 対応する判断・ブロック・実行要求・結果は、口座・機関・PAPER/LIVE・戦略バージョン別に記録されます。
概念にとどまる金融AI
- • バックテスト結果のみ公開
- • 選択的な成績開示
- • 本番ログがない
- • 再現不能な構造
本番運用で証明されるNoahAI
- • 公開版と機関別準備度を分離
- • 対応する判断・ブロック・結果を記録
- • PAPER/LIVEと戦略バージョンを分離帰属
- • 再現・検証可能な構造
本番運用パイプライン
以下は本番環境で動作するパイプラインです。各段階がログに記録され、次の段階につながり、最終的に学習データへ還流します。
Market Data
リアルタイム市場データの収集（価格、出来高、ボラティリティ、オーダーブック）
ログカテゴリ: [analysis]： 収集時刻、データソース、取得した指標値
Analyzer
テクニカル指標（RSI、MACD、ボリンジャーバンド等）の算出と市場状況の分析
ログカテゴリ: [analysis]： 算出した指標値、分析結果、シグナル強度
Decision
AIが市場データと個人の金融文脈を統合して判断を整理
ログカテゴリ: [analysis]： 判断根拠、信頼度、選択された戦略、検討した代替案
Risk
ガードレール適用とリスク評価（限度、停止条件、保守的な統制ルール）
ログカテゴリ: [monitor]： ガードレール適用の有無、リスク評価結果、安全装置の作動
Execution
ユーザー設定と安全装置の範囲内での任意の実行支援
ログカテゴリ: [trade], [order]： 注文生成、実行結果、スリッページ、約定状態
Exit
ポジション決済（TP/SL到達、動的しきい値、外部変化の検知など）
ログカテゴリ: [exit]： 決済理由、結果、損益、学習データの記録
XAI
全プロセスを説明可能な形で記録（判断根拠、実行結果、リスク評価）
ログカテゴリ: [analysis], [trade], [order], [monitor], [exit]： 各段階の説明可能なログ
Learning
記録されたログを学習データに変換し、ポリシー改善に反映
データ構造: DecisionLog、ExecutionResult、XAITraceをパターン分析と版管理された改善候補のレビュー証拠として使用
要点：このパイプラインの各段階は独立して動きません。 すべての段階がログ化され、そのログが次の判断と学習につながる構造です。
運用ログ構造の例
以下はフィールドと接続関係を説明する合成例です。実際のユーザー・口座・注文・価格・収益データではありません。
YYYY-MM-DD HH:MM:SS | [context] venue=example_venue mode=PAPER strategy=example:v1 YYYY-MM-DD HH:MM:SS | [analysis] market_snapshot=market_snapshot_id regime=example_regime YYYY-MM-DD HH:MM:SS | [decision] action=HOLD_OR_ENTRY_CANDIDATE evidence=evidence_ref YYYY-MM-DD HH:MM:SS | [guardrail] result=ALLOW_OR_BLOCK reason=policy_reason YYYY-MM-DD HH:MM:SS | [execution] status=NOT_SENT_OR_SIMULATED_OR_CONFIRMED result=execution_result_id YYYY-MM-DD HH:MM:SS | [xai] trace=xai_trace_id decision=decision_id YYYY-MM-DD HH:MM:SS | [review] outcome=review_record_id next_change=NONE_OR_DRAFT
ログ構造の特徴
- • 時系列記録：すべての段階がタイムスタンプ付きで順に記録
- • カテゴリ分類：[analysis], [trade], [order], [monitor], [exit]で追跡しやすい
- • 接続可能：decision_id、execution_id等でログが接続され全体フローを追跡
- • 再現可能：同一の市場データと設定で再現可能
ログと学習データ構造の接続
運用ログは単に保存されるだけでなく、標準化された学習データ構造に変換され、次の判断の品質向上に使われます。
ログ → 学習データへの変換
1. DecisionLog の生成
[analysis], [decision] ログから抽出：
- decision_id（一意の決定ID）
- timestamp（決定時点）
- reasoning（判断根拠：パターン、シグナル、重み）
- confidence（信頼度スコア）
- model_version（使用したAIモデル版）
2. ExecutionResult の生成
[trade], [order] ログから抽出：
- execution_id（一意の実行ID）
- decision_id（紐づく決定ID）
- executed_price（実行価格）
- slippage（スリッページ）
- status（状態: FILLED/CANCELLED/FAILED）
3. 結果とフィードバックの接続
[exit] ログから抽出：
- result（損益、TP/SL到達の有無）
- feedback（学習に使うフィードバックデータ）
- pattern（成功/失敗パターンの分類）
接続構造：
DecisionLog {
decision_id: "decision_id",
reasoning: { pattern: "example_pattern", signal_strength: "example_score" },
confidence: "example_score"
}
↓（リンク）
ExecutionResult {
execution_id: "execution_id",
decision_id: "decision_id", ← リンク
executed_price: "example_price",
status: "SIMULATED_OR_CONFIRMED"
}
↓（リンク）
ExitResult {
execution_id: "execution_id", ← リンク
result: "example_outcome",
feedback: { pattern: "example_class", return_rate: "example_rate" }
}
↓（学習データへ）
LearningData {
decision_history: [DecisionLog + ExecutionResult + ExitResult],
pattern: "example_class",
market_conditions: "example_regime"
}詳細なデータ構造は データ構造ページで確認できます。
Analyst AI の役割
Analyst AIは取引を実行するAIではありません。 運用結果を要約・比較・説明し、ユーザーと運用者が理解できるよう整理する分析層です。
❌ Analyst AI ではないもの
- • 取引を直接実行するAI
- • 投資判断を代行するAI
- • 収益を保証するAI
✔ Analyst AI の役割
- • 運用結果を要約・整理
- • パターンを比較し説明
- • 判断根拠を分かりやすく提示
Analyst AI の動作構造
1. 市場分析（analyzer.py）
テクニカル指標の算出、市場状況の分析、シグナル生成。分析プロセスはすべて [analysis] ログに記録されます。
2. パターン認識（ai_manager.py）
過去パターンとの類似検証、市場局面の分析、動的しきい値の調整。パターン分析結果が判断根拠に使われます。
3. レポート生成（ai_manager.py）
日次/週次/月次レポート、判断根拠の要約、選択肢の比較説明。ユーザーと運用者が理解できる形に整理します。
要点：Analyst AIはDecision Layerへの入力を提供し、 実行結果を分析して説明する分析層です。 実行そのものはExecution Layerが担い、Analyst AIはそのプロセスを理解可能にします。
口座別レビューと集合学習ロードマップ
現在の公開版では、記録されたログを口座別レビューと安全制御に使用します。利用者間の集合学習はまだ運用機能ではありません。
判断品質の改善レビュー
結果・リスクに基づく改善候補
結果、遮断、リスク管理の記録を評価して改善候補を作ります。既存方策は自動変更せず、新しい版には利用者承認・自動チェック・PAPER検証が必要です。
報酬関数の設計詳細は AI最適化ループページを参照してください。
失敗ログの包含
成功・失敗の結果をレビュー証拠に含めます。分析結果は承認・検証された新しい版になるまで既存方策と分離します。
パターン単位の学習
単純な損益数値ではなく、成功/失敗のパターン単位で学習します。市場局面（上昇/下落/横ばい）ごとに異なるパターンを学び、状況に応じた判断が可能になります。
集合学習の目標設計
個人情報の保護
将来の集合学習でも、個人の取引金額、口座情報、正確なタイミングを使用しないことを原則とします。
同意と撤回手段の検証後に検討できる対象は匿名化されたパターンに限定します：
- 市場状況パターン（ボラティリティ、トレンド、出来高）
- 成功/失敗パターン（TP到達、SL到達、動的しきい値）
- リスク管理パターン（ガードレール作動、停止条件）
集合学習の効果
長期目標は、許可・検証されたパターンが共通の安全方策改善に寄与することです。この層は同意・匿名化・撤回・権限・運用検証が完了するまで無効です。
学習量の増加 → 改善構造：
記録が増えると、レビュー可能な事例と失敗条件の範囲が広がります。これは版管理された改善候補と検証の根拠であり、方策の自動変更や精度向上を保証しません。 目標は長期的により慎重で検証可能な判断構造を構築することです。
NoahAI の技術的差別化（要約）
多くの金融AIでは実行・説明・学習が分離しているか、一部のみ実装されています。NoahAIはこの三つを一つのパイプラインで接続し、実際に稼働します。
実行
ユーザー設定と安全装置の範囲内での任意の実行支援
すべての実行がログ化され、実行結果が学習データにつながります。
説明
すべての判断根拠を説明可能な形で記録
XAI方針に基づき意思決定プロセスを透明に公開し、再現可能です。
学習
記録ログを学習データに変換しポリシー改善に反映
実行・説明・学習が分離せず一つのパイプラインで動きます。
主要な差別化
- • 実行・説明・学習が分離しない構造：各段階は独立せず、一つのパイプラインで接続されます。
- • すべての判断が記録され再現可能：本番ですべての判断がログ化され、同一条件で再現できます。
- • ログが学習データに接続：単なる記録ではなく標準化された学習データに変換され、次の判断の品質向上に使われます。
- • 失敗ログを含む：成功だけでなく失敗も学習に含め、同じ過ちを繰り返さないよう改善します。
- • 集合学習と個人保護の目標：現在は口座別記録でレビューし、将来の集合学習は同意・匿名化・撤回・権限・運用検証を通過したパターンに限定します。
NoahAIは概念ではなく、実際に動く構造です。
公開版は、対応する判断・ガードレール・PAPER/LIVE実行境界・結果を記録します。この証拠は口座単位の振り返りとユーザー承認型改善に使用され、公開KPIは基準日と範囲を明記した集計値に限ります。
関連技術ドキュメント
本ページは本番運用の実証に焦点を当てます。各構成要素の詳細は以下の文書を参照してください。