ローソク足パターンと出来高分析

核心ポイント: ローソク足パターンと出来高-価格関係は伝統的テクニカル分析の基礎ですが、単独で使用した場合の予測力は限定的です。正しいアプローチは、これらを特徴量エンジニアリング入力として使用することであり、直接的な取引シグナルとしてではありません。

なぜこれらを理解する必要があるのか?

取引ソフトウェア(TradingView、Thinkorswim、Interactive Brokers)を使用したことがあれば、様々なローソク足パターンアノテーションと出来高バーチャートを見たことがあるでしょう。多くのトレーダーはこれらの視覚的パターンに基づいて意思決定を行います。

クオンツ実務者として、いくつかの理由でこれらの概念を理解する必要があります:

1. コミュニケーション言語: トレーダーやアナリストと話す際の共通語彙
2. 特徴量エンジニアリング: これらのパターンはMLモデルの入力特徴として定量化できる
3. 戦略評価: 伝統的手法の限界を理解することで、より良いシステムを設計できる
4. 市場心理: ローソク足パターンは買い手と売り手の戦いを反映

1. ローソク足の基礎

1.1 ローソク足コンポーネント

単一のローソク足には4つの価格ポイントが含まれます:

1.2 ローソク足の情報内容

2. 一般的な単一ローソク足パターン

2.1 Doji

    │
   ─┼─  ← 始値 ≈ 終値
    │

特徴: 非常に小さいまたは実体なし、上下のヒゲは長さが異なる可能性

伝統的解釈: 潜在的トレンド反転のシグナル 実際の有効性: 単独使用時の予測精度は約50-55%

2.2 HammerとHanging Man

   │
   █  ← 上部の小さな実体
   │
   │ ← 長い下ヒゲ(実体の長さの少なくとも2倍)

違いは文脈にあります:

• Hammer: 下降トレンドの底に現れる → 潜在的上昇反転
• Hanging Man: 上昇トレンドの頂上に現れる → 潜在的下降反転

2.3 Shooting Star

   │ ← 長い上ヒゲ
   │
   █  ← 下部の小さな実体

意味: 上昇トレンドの頂上に現れ、上に強い抵抗を示唆、可能性のある天井

2.4 大陽線と大陰線

定量的定義: 実体の長さ > 1.5× 最近のATR

3. 一般的な複数ローソク足パターン

3.1 Engulfingパターン

Bullish Engulfing(下降トレンドで):    Bearish Engulfing(上昇トレンドで):

    █                                      │
    █  最初の小さな陰線               ███ 最初の小さな陽線
   ┌─┐                                   ┌─┐
   │ │ 2番目の大きな陽線              █ █ 2番目の大きな陰線
   │ │ 最初を完全にカバー           █ █ 最初を完全にカバー
   └─┘                                   └─┘

条件:

1. 2番目のローソク足の実体が最初を完全にカバー
2. 2つのローソク足は反対色
3. 明確なトレンドに現れる

3.2 Morning StarとEvening Star

Morning Star(底の反転):

█     ← 最初: 大きな陰線
█
█
  ┼   ← 2番目: 小さな実体(dojiまたは小さなローソク足)、ギャップダウン
 ┌┐
 ││   ← 3番目: 大きな陽線、最初のローソク足の実体内に終値
 ││

Evening Star: Morning Starのミラーイメージ、天井に現れる

3.3 Three Black CrowsとThree White Soldiers

4. 出来高分析の基礎

4.1 出来高の意味

出来高 = 買い手と売り手の間で取引された株式数

核心原則: 価格は方向、出来高は勢い

4.2 主要な出来高-価格パターン

出来高ブレイクアウト

価格 ─────────┐
              └──────── ブレイクアウト
出来高       ████████ ← 出来高が大幅に増加(>1.5× 平均)

意味: ブレイクアウトが資本によって確認され、高い信頼性

低出来高プルバック

価格    /\
       /  \  ← プルバック
      /
出来高 ██  █ ← プルバック中に出来高が縮小

意味: プルバックは正常な利益確定、トレンド反転ではない

出来高-価格ダイバージェンス

価格   /\  /\  /\ ← 価格が新高値を作る
      /  \/  \/
出来高 ██ █  ▪ ← 出来高が減少

意味: 上昇トレンドの勢いが疲弊、可能性のある天井(MACDダイバージェンスと類似)

4.3 一般的な出来高指標

5. パターン認識に関する実証研究

5.1 学術研究の結論

複数の学術研究がローソク足パターンの予測力をテストしました:

まとめ:

• パターンのみの勝率は通常50-55%
• 取引コスト後、ほとんどのパターン戦略は利益を上げない
• パターンの有効性は時間とともに減衰する可能性(市場によって学習される)

5.2 なぜパターンが「機能するように見える」のか

1. 確証バイアス: 人々は成功を覚え、失敗を忘れる
2. 後知恵バイアス: 過去のチャートを見ると、常に「完璧な」パターンを見つけられる
3. サバイバーシップバイアス: 成功したトレーダーのみが自分のストーリーを共有
4. 曖昧な定義: 「標準的な」hammerとは何か? 正確な定義がない

5.3 パターンが有効である可能性がある場合

研究によると、パターンはこれらの条件下でより良いパフォーマンスを示します:

• 出来高と組み合わせ: 出来高確認を伴うパターンはより信頼できる
• 主要レベルで: サポート/レジスタンス近くに現れる
• 市場環境: 特定のボラティリティレジーム内
• 時間枠: より長い時間枠(日次、週次)は分足チャートより信頼できる

6. 定量的実装: 特徴としてのパターン

6.1 パターンの定量化における課題

伝統的パターン分析は「パターンマッチング」ですが、定義が曖昧です:

• 「長い下ヒゲ」 - どれくらい長いのか?
• 「小さな実体」 - どれくらい小さいのか?
• 「トレンド内」 - トレンドをどう定義するか?

解決策: パターンを離散シグナルではなく、連続特徴に変換

6.2 特徴量エンジニアリング例

def calculate_candlestick_features(df):
    """
    ローソク足パターンを連続特徴に変換
    dfには: open, high, low, close, volume列が必要
    """
    # 基本計算
    df['body'] = df['close'] - df['open']
    df['body_abs'] = df['body'].abs()
    df['upper_shadow'] = df['high'] - df[['open', 'close']].max(axis=1)
    df['lower_shadow'] = df[['open', 'close']].min(axis=1) - df['low']
    df['range'] = df['high'] - df['low']

    # 特徴1: 実体比率(0=doji, 1=ヒゲなし)
    df['body_ratio'] = df['body_abs'] / df['range'].replace(0, np.nan)

    # 特徴2: 上ヒゲ比率
    df['upper_shadow_ratio'] = df['upper_shadow'] / df['range'].replace(0, np.nan)

    # 特徴3: 下ヒゲ比率
    df['lower_shadow_ratio'] = df['lower_shadow'] / df['range'].replace(0, np.nan)

    # 特徴4: 終値位置(終値が日次レンジのどこにあるか)
    df['close_position'] = (df['close'] - df['low']) / df['range'].replace(0, np.nan)

    # 特徴5: 相対実体サイズ(最近のATRと比較)
    atr = calculate_atr(df, period=14)
    df['relative_body'] = df['body_abs'] / atr

    # 特徴6: Engulfing比率(現在の実体が前の実体をカバー)
    df['engulfing_ratio'] = df['body_abs'] / df['body_abs'].shift(1)

    return df

def calculate_volume_features(df, periods=[5, 20]):
    """
    出来高関連特徴を計算
    """
    for p in periods:
        # Volume ratio
        df[f'volume_ratio_{p}'] = df['volume'] / df['volume'].rolling(p).mean()

    # OBV(On-Balance Volume)
    df['obv'] = (np.sign(df['close'].diff()).fillna(0) * df['volume']).cumsum()

    # OBVトレンド(OBV移動平均の傾き)
    df['obv_slope'] = df['obv'].rolling(10).apply(
        lambda x: np.polyfit(range(len(x)), x, 1)[0]
    )

    # 価格-出来高相関(最近の価格変化vs出来高相関)
    df['price_volume_corr'] = df['close'].pct_change().rolling(20).corr(
        df['volume'].pct_change()
    )

    return df

6.3 特徴使用推奨事項

7. Multi-Agent視点

Multi-agentシステムでは、ローソク足パターンと出来高分析は以下のように配置できます:

主要原則:

• パターン特徴は1つの入力であり、唯一の根拠ではない
• 他の特徴(MACD、RSI、ファンダメンタルズ)と組み合わせて総合判断
• Agentは確率を出力し、決定的シグナルではない

8. よくある誤解

誤解1: パターンは「秘密コード」

「ローソク足パターンの読み方を学べば、一貫した利益が保証される」

真実: パターンがそれほど効果的なら、より多くの人が使うほど、効果は低下する(再帰性)

誤解2: パターンはどこでも機能する

「hammerは常に底のシグナル」

真実: 同じパターンは市場環境や商品によって全く異なるパフォーマンスを示す可能性

誤解3: 出来高は常に意味がある

「高出来高は機関投資家の買いを意味する」

真実: 高出来高は個人投資家のパニック、アルゴリズム取引、インデックスリバランスなど、多くの理由がある可能性

誤解4: パターンは正確に予測できる

「evening starは明日確実に下落を意味する」

真実: パターンは確率的エッジ(もしあれば)を提供するのみで、決定的予測ではない

主要な要点

• ローソク足パターンは買い手-売り手戦いの視覚的表現
• パターンのみの予測力は限定的(50-55%勝率)
• 出来高確認はパターンの信頼性を向上させる
• 正しい使用方法はパターンをML特徴として定量化することであり、直接シグナルではない
• Multi-agentシステムでは、パターンは多くの入力の1つ

さらなる読み物

• Lesson 04: The Real Role of Technical Indicators - MACD、RSIなどの指標を説明
• Lesson 09: Supervised Learning in Quantitative Trading - MLモデルへの特徴入力方法
• Background: Feature Engineering Common Pitfalls - 特徴量エンジニアリングのミスを避ける

参考文献

• Nison, S. (1991). Japanese Candlestick Charting Techniques
• Lo, A., Mamaysky, H., & Wang, J. (2000). Foundations of Technical Analysis. Journal of Finance
• Murphy, J. (1999). Technical Analysis of the Financial Markets