【応用】FX講座：パフォーマンスを数値で分析する方法

分析の前提：データの準備と粒度

まずは確定損益ベースの原データが必要です。最低限の列は以下。

• 日時（エントリー/エグジット）
• 銘柄（例：XAUUSD）
• 方向（Buy/Sell）
• 損益（通貨建てとR建ての両方が理想）
• 手数料・スワップ
• リスク（初期ストップまでの距離 × ロット → 1Rの金額）

粒度は、1トレード単位が基本。ナンピン・分割決済はルール化（例：同一意図の一連の約定を1セットとして評価）。

主要KPIの定義と直感

定義を“直感”で掴むとバイアスが減ります。

• 勝率（Win Rate）＝勝ちトレード数 ÷ 総トレード数。高ければ安心とは限らない。
• 平均勝ち/平均負け（Avg Win/Loss）：1回あたりの平均損益。
• リスクリワード比（RR）＝平均勝ち ÷ 平均負け（絶対値）。
• プロフィットファクター（PF）＝総利益 ÷ 総損失（絶対値）。1.3以上で継続性の目安。
• 期待値（Expectancy）＝勝率×平均勝ち − (1−勝率)×平均負け。
• 最大ドローダウン（MDD）：資産曲線のピークからボトムまでの最大下げ幅。
• 回復率（Recovery Factor）＝累積利益 ÷ MDD。1.0超を目指す。
• シャープ比＝超過リターン ÷ リターンの標準偏差。分散の荒さを罰する指標。
• ソルティノ比＝超過リターン ÷ ダウンサイド偏差。下振れの荒さだけを罰する。
• R倍数（R-Multiple）：1トレードの損益を初期リスクRで割った値。システム横断の比較が可能。

まずはこの表：サマリーKPIのひな形

KPI	値	解説	目安
総トレード数	—	サンプル数。50以上で議論が安定。	50〜200
勝率	—	勝ち/総数。	40〜60%
平均勝ち	—	勝ちトレード平均。	口座規模依存
平均負け	—	負けトレード平均。	—
RR（平均勝ち/平均負け）	—	損小利大を可視化。	≥ 1.3
PF（総利益/総損失）	—	収益性の基本指標。	≥ 1.3
期待値（1トレード）	—	平均的な1回の利益。	> 0
MDD（最大DD）	—	最悪期の下げ幅。	≤ 月利目標の1.5〜2倍以内
回復率	—	累益÷MDD。	≥ 1.0
シャープ比	—	ボラ調整リターン。	≥ 1.0
ソルティノ比	—	下振れ調整。	≥ 1.2

期待値（Expectancy）を武器にする

期待値がプラスなら、回数を重ねるほど口座は増えやすい。式は：

E = p × AvgWin − (1 − p) × AvgLoss
RR = AvgWin / AvgLoss
⇒ E = AvgLoss × (p × RR − (1 − p))

RRを上げるには、利確を伸ばす／損切りを早めるの両輪。p（勝率）は、フィルタ精度・市場選択・時間帯最適化で改善します。

ドローダウンと回復力を測る

同じ利益でも、MDDが浅いほど心理的・資金的に持続可能。資産曲線からピーク—ボトムを走査してMDDを取得し、回復率＝累積利益/MDDで耐性を評価。回復率1.0未満が続く場合は、ポジションサイズ縮小・システム停止ラインを検討。

ボラとリスク調整：シャープ/ソルティノ

単なる利益ではなく、どれだけ“なめらか”に増やしたかを測るのがリスク調整指標。デイトレやスキャルでは日次/週次のリターン系列を作って計算。

Sharpe = (μ - r_f) / σ
Sortino = (μ - r_f) / σ_downside

ここでμは平均リターン、r_fは無リスク金利、σは標準偏差、σ_downsideは負の偏差のみの標準偏差。

継続運用のカギ：リスク・オブ・ルイン

戦略は“破綻しないこと”が最優先。簡易近似：

Risk of Ruin ≈ ((1 - edge) / (1 + edge))^(Capital/RiskPerTrade)
edge = p × RR − (1 − p)

リスク/トレード（%）が大きいほど破綻確率は急増。1回あたり1R=口座の0.5〜1.0%を基本線に。

MT5/取引履歴からの実務フロー

1. 口座履歴を日付・シンボル・損益・手数料付きでエクスポート（HTML/CSV）。
2. Excel/Googleスプレッドシートに取り込み、1トレード＝1行に正規化。
3. 初期ストップ距離からR（円）を算出し、損益をR建てにも変換。
4. サマリーKPI表と月次ヒートマップを更新。
5. 停止ライン：月次MDDがX%超でロット半減、Y%で停止 & 再検証。

自動化テンプレ：Python/Excelの数式

最小構成のPython例（CSV: columns=[date,symbol,pl,fee,init_r]）。

import pandas as pd

df = pd.read_csv("trades.csv", parse_dates=["date"])
df["net"] = df["pl"] - df["fee"]
df["R"] = df["net"] / df["init_r"]
win = (df["net"] > 0)
p = win.mean()
avg_win = df.loc[win, "net"].mean()
avg_loss = -df.loc[~win, "net"].mean()
RR = avg_win / avg_loss
PF = df.loc[win, "net"].sum() / (-df.loc[~win, "net"].sum())
E = p * avg_win - (1 - p) * avg_loss
df["equity"] = df["net"].cumsum()
roll_max = df["equity"].cummax()
dd = df["equity"] - roll_max
MDD = -dd.min()
recovery = df["net"].sum() / MDD if MDD > 0 else float("inf")
print(p, RR, PF, E, MDD, recovery)

監視ダッシュボードと運用ルール

• 月次KPI表：勝率、RR、PF、E、MDD、取引回数。
• 時間帯別：東京/ロンドン/NYでの期待値差。
• 銘柄別：XAUUSD/GBPJPY/US30などで比較。
• セットアップ別：ブレイク/押し目/逆張りでR分布を比較。
• ルール：2週連続でE<0 → ロット半減。MDD>=X% → 停止。

よくある落とし穴と対策

• サンプル不足：30未満は偶然が支配。まずは50。
• 手数料無視：特にゴールドや指数のスプレッドはPFを圧縮。
• Rの未定義：リスク一定化ができず、比較不能。
• 複利暴走：連敗期に損益曲線が破綻。最大損失%の枠を設定。
• 過剰最適化：期間/銘柄を跨いだロバスト性テストを。

まとめ

“勝率が高いから良い戦略”ではなく、期待値・PF・MDD・回復率などを総合評価して、破綻しないスケーリングを設計しましょう。本記事の表・数式をそのままテンプレとして、月次でモニタリングすれば、改善サイクルが回り始めます。