freqai

FreqTradeの機械学習モジュール。特徴量と出口設計を巡る検証記事群の主役となったOSS製品

概要

FreqAI は、暗号資産自動取引フレームワーク freqtrade に機械学習による予測を組み込むためのサブシステム（モジュール）である。価格やテクニカル指標から特徴量を生成し、LightGBM などのモデルを学習させて売買判断に接続する。kurage-articles-index に収録された記事群では、この FreqAI を土台に LLM による自己改良 や 特徴量設計の検証 を行った実験記録が複数残されている。

索引から読み取れる主な事実

1. LLM3層による自己反省・自己改良（2026-07-10）

「FreqAIボットに『自己反省・自己改良』のLLM3層を実装した — 制約付き仮説DSLと自動バックテストの設計」では、FreqAI の学習・予測ループの外側に LLM を3層で重ねる設計が述べられている。重要なのは、LLM に自由記述で戦略を書かせるのではなく、制約付きの仮説DSL に落としてから自動バックテストに回す点である。ここには ai-judgment-backend と deterministic-core の考え方——確率的な判断と決定論的な実行を分離する——がそのまま現れている。使用技術として Python、機械学習、claude がタグに挙がる。

2. 本丸は「出口」ではなく「特徴量」（2026-07-16）

「『出口をいくら弄っても黒字にならない』ボットの本丸は特徴量だった ― FreqAIに3本目の相関ペアを足したら赤字が黒字に反転した話」は、この索引における FreqAI 関連の中心的な発見である。利益確定・損切りといった exit 条件をどれだけ調整しても赤字が解消しない一方、相関の高い3本目のペアを特徴量に加えただけで損益が反転した。タグは freqai / machinelearning / lightgbm / trading / python。教訓は「出口（ルール）ではなく入力（特徴量）が成績を決める」という点に集約される。

3. entry_threshold の罠

「『勝率65%なのに負けている』暗号資産AI自動取引ボットのentry_thresholdを検証したら見えた罠」では、勝率という見かけの指標と実際の損益が乖離する構造が、エントリー閾値の設定を通じて検証されている。高勝率でも少数の大損失が全体を削るという非対称性は、勝率ではなく期待値で評価すべきという原則論に接続する。

派生・関連製品

索引には FreqAI を応用した派生形が複数登場する。

• kfreqai — FreqAI 系を hyperliquid に対応させた設計。非カストディ委任、1プロセス多テナント執行、kcbrain / kfxbrain による AI 判断ゲートを特徴とする。顧客ごとの分離は tenant-isolation の実装例でもある。
• kfxai / kfxbrain — 判断側を独立APIとして切り出した構成。
• nofx — 別系統の AI 自動取引OSS。同索引内で日本語化・ペーパートレード検証が行われており、FreqAI との比較対象になる。

横断的に見える設計原則

FreqAI を用いた一連の記事に共通するのは、次の3点である。

1. 特徴量が支配的 — モデルや exit ルールの調整より入力設計が効く。
2. 判断と執行の分離 — LLM やスコアラは「判断」だけを出し、発注は決定論的な層が担う。ai-judgment-backend
3. 検証を先に置く — 自動バックテストと paper-trading を経てから実资金に近づける。

これらは ai-trading および vibe-trading の実践的な裏付けとなっており、失敗の記録をそのまま残す姿勢は measured-pitfall-catalog の一例とも言える。また、取引判断を外部APIとして提供する構成は x402 や ai-agent-marketplace の文脈（判断の従量課金）とも接続する。

位置づけ

FreqAI は「AIに売買を任せる」ための土台ではなく、特徴量とモデルを人間が検証するための実験装置 として索引内で扱われている。ローカル環境で完結させやすい点は local-llm や ollama を併用する構成とも相性がよく、deepseek のようなモデルを判断層に置く実験へと発展している。