MT5

MQL5のための実践的MLOpsガイド: 開発から本番稼働まで

序論: バックテストと現実の乖離—なぜMLOpsは交渉の余地がないのか

はじめに: バックテストの先にある現実とMLOpsの必要性

アルゴリズム取引の世界において、優れたバックテスト結果が本番稼働での成功を保証しないという現実は、多くの開発者が直面する厳しい課題である。過去データに対して最適化された取引戦略が、未知の市場環境に晒された瞬間にその優位性を失う現象は、研究と本番の間に存在する深い溝、すなわち「リサーチ・プロダクションギャップ」を浮き彫りにする 1。このギャップを埋め、バックテストの輝きを現実の市場で持続的な利益に変えるための工学的規律こそが、MLOps（Machine Learning Operations）である。

MLOpsは単なるツールの集合体やITの流行語ではない。それは、機械学習モデルを本番環境で確実に、かつ大規模に構築、デプロイ、運用するための文化、プロセス、そして技術の体系である 2。MetaTrader 5 (MQL5) を用いた取引システム、特にエキスパートアドバイザー (EA) は、単なるスクリプトとしてではなく、金融機関の収益に直接影響を与えるミッションクリティカルなソフトウェアシステムとして扱われるべきである 4。このようなシステムには、従来のソフトウェア開発で培われた堅牢性、信頼性、保守性を確保するための厳格なエンジニアリングプラクティスが不可欠となる 5。これは、単発の技術提供者ではなく、顧客と共に価値を共創する戦略的FinTechパートナーを目指すというAI MQL合同会社の理念とも合致する 7。

MLOpsの導入は、技術的なアップグレードに留まらず、組織文化の根本的な変革を促す。それは、個々のクオンツや開発者の職人技に依存した属人的な開発プロセスから、標準化され、自動化された、スケーラブルな産業レベルのオペレーションへの移行を意味する。MLOpsのライフサイクルは、モデルを「一度作って終わり」の静的な成果物としてではなく、市場環境の変化に適応し続ける「生きたプロダクト」として捉える 4。この継続的な改善サイクルこそが、少数の静的な戦略を手動で管理する体制と、多数の適応的なモデルポートフォリオを効率的に運用する体制とを分かつ決定的な差となる 1。この運用上のレバレッジは、プロップトレーディングファームや先進的なFinTech企業が求める持続的な競争優位性の源泉となるのである 7。

本ガイドでは、MQL5環境に特化した実践的なMLOpsのフレームワークを、開発基盤の構築からCI/CDパイプラインの実装、そして本番稼働後の監視と適応に至るまで、体系的に解説する。以下の表は、本ガイドで詳述するMLOpsの各ライフサイクルステージと、MQL5環境で利用可能な具体的なツールおよび技術の対応関係を示したものである。

表1: MQL5におけるMLOpsライフサイクルステージと実践的ツール

ライフサイクルステージ主要目的MQL5に特化したツールと技術関連セクション
開発基盤再現性と品質の担保Git, DVC, MLflowによるバージョン管理。PythonとONNXを用いたハイブリッドアーキテクチャ。MTUnit/MQLUnitによる単体テスト。第1部
継続的インテグレーション (CI)ビルドとテストの自動化GitHub Actionsによるワークフローオーケストレーション。metaeditor.exeのコマンドライン実行による自動コンパイル。第2部
継続的テスト (CT)戦略の妥当性検証の自動化terminal64.exeと設定ファイルを用いたStrategy Testerの自動実行。単体テストと短期バックテストの統合。第2部
継続的デプロイメント (CD)本番環境への安全なリリース検証済み.ex5ファイルの自動的な本番サーバーへの配備。カナリーリリース戦略。第2部
継続的監視 (CM)モデルとシステムの健全性維持Prometheus Exporter (CoonMonit等) を用いたメトリクス収集。Grafanaによるリアルタイムダッシュボード。モデルドリフトの検知。第3部
継続的トレーニング (CT)モデルの適応と自己進化監視システムからのアラートをトリガーとした、CI/CDパイプラインの自動起動によるモデルの再学習と再デプロイ。第3部

第1部: 再現性と品質を担保する開発基盤

持続可能なMLOpsプラクティスの土台は、堅牢で再現性の高い開発基盤にある。この基盤は、誰が、いつ、どのようなデータとコードを用いてモデルを構築したかを正確に追跡できる能力と、システムの各コンポーネントが意図通りに機能することを保証する品質管理プロセスによって構成される。

1.1. すべてをバージョン管理下に置く：コード、データ、モデルの追跡

プロフェッショナルな機械学習システムの根幹をなすのは「再現性」である 2。特定の予測結果や取引判断が、どのような要素から導き出されたのかを後から完全に再現できなければ、デバッグ、監査、そして将来の改善は不可能となる。これを実現するためには、開発プロセスに関わるすべての成果物をバージョン管理下に置く必要がある。

  • コードのバージョン管理: MQL5およびPythonのソースコードは、Gitを用いてバージョン管理することが標準的なプラクティスである 5。これにより、コードの変更履歴がすべて記録され、チームでの共同作業や、問題発生時の原因特定が容易になる。
  • データのバージョン管理: 機械学習モデルの挙動は、学習に用いたデータに強く依存する。したがって、学習データセットそのものもコードと同様にバージョン管理する必要がある。DVC (Data Version Control) のようなツールは、Gitと連携し、大規模なデータセットのバージョンを効率的に管理する機能を提供する 5。
  • モデルのバージョン管理: 学習済みモデル（例: ONNXファイル）もまた、重要な成果物である。MLflow Model Registryのようなツールや、あるいは単純にバージョン番号を付与してクラウドストレージに保存する方式でも、どのバージョンのコードとデータから、どのモデルが生成されたのかという「リネージ（血統）」を追跡可能にすることが不可欠である 9。

これらの要素をすべてバージョン管理することで、あらゆる予測と取引に対して完全な監査証跡が構築される。これは、特に規制の厳しい金融業界において極めて重要な要件である 4。

1.2. MQL5におけるハイブリッドMLアーキテクチャ：PythonとONNXの活用

MQL5は高速な取引実行に特化しているが、最先端の機械学習ライブラリやエコシステムはPythonを中心に発展している 11。このため、両者の長所を組み合わせたハイブリッドアーキテクチャの採用が最も現実的かつ強力なアプローチとなる。

このアーキテクチャでは、役割を明確に分離する。

  1. モデル開発・学習 (Python): scikit-learn, TensorFlow, PyTorchといった豊富なライブラリを活用し、Python環境でモデルの実験、開発、学習を行う 11。
  2. モデル推論・取引実行 (MQL5): MetaTrader 5ターミナル内で、学習済みモデルを用いてリアルタイムに予測を行い、MQL5のネイティブ関数を通じて高速に取引を実行する 12。

この二つの世界を繋ぐ架け橋となるのが、ONNX (Open Neural Network Exchange) である 12。ONNXは、異なるフレームワーク間でモデルを相互運用するためのオープンなフォーマットである。Pythonで学習した複雑なニューラルネットワークモデルをONNX形式に変換することで、MQL5のEA内で効率的にロードし、推論を実行することが可能になる。このアーキテクチャは、研究開発環境と本番取引環境を疎結合に保つという、MLOpsの重要な原則を実現する。

しかし、このハイブリッドアーキテクチャは、新たなリスクポイントを生む。それは、PythonフレームワークからONNXへのモデル変換プロセスそのものである。特定の数学的演算の実装が両者で微妙に異なる場合、変換プロセスで予測結果に僅かながら致命的な誤差が混入する可能性がある。これは、データや市場の変化に起因する「モデルドリフト」とは異なる、「技術的ドリフト」とでも言うべき問題である。したがって、堅牢なMLOpsパイプラインは、このONNX変換プロセスの妥当性を検証する専用のテストステージを含む必要がある。具体的には、CI/CDパイプライン内で、基準となる入力データセットを元のPythonモデルと変換後のONNXモデルの両方に与え、その出力が完全に一致する（あるいは許容誤差の範囲内である）ことをアサートするべきである。この一手間が、発見が困難な本番環境でのエラーを未然に防ぎ、システムの信頼性を飛躍的に向上させる。

1.3. コードの堅牢性：MQL5における単体テストの実践

複雑なEAは、多数のコンポーネント（シグナル生成、リスク管理、注文実行、状態管理など）から構成される。システム全体の信頼性を確保するためには、これらの個々のコンポーネントが論理的に正しく動作することを保証する必要がある。これを実現する手法が単体テスト（ユニットテスト）である。

標準のMQL5開発環境にはネイティブな単体テストフレームワークが欠けているが、MTUnitやMQLUnitといったサードパーティ製のフレームワークを利用することで、このギャップを埋めることができる 14。これらのツールは、特定の関数が与えられた入力に対して期待される出力を返すかを検証するためのアサーション機能などを提供する。

テスト駆動開発（TDD）のアプローチを採用し、まずテストケースを記述してから実際のロジックを実装することで、よりクリーンで保守性の高いコードを記述することが推奨される 16。単体テストを整備することは、将来的なコード変更やリファクタリングに対する強力なセーフティネットとなり、回帰バグ（リグレッション）の発生を防ぐ上で不可欠である。

第2部: 継続的インテグレーションとデプロイメント (CI/CD) パイプラインの構築

開発基盤が整った次のステップは、手動でエラーが発生しやすいプロセスを自動化し、コードの変更から本番環境へのデプロイまでを迅速かつ信頼性の高い流れにすることである。これがCI/CD（継続的インテグレーション/継続的デプロイメント）パイプラインの役割である。

2.1. ビルドとコンパイルの自動化：metaeditor.exeとGitHub Actions

継続的インテグレーション (CI) の最初のステップは、ソースコードがリポジトリにプッシュされるたびに、自動的にビルドとコンパイルを実行することである。これにより、構文エラーやコンパイルエラーを即座に検知できる。

このプロセスは、GitHub Actionsのような標準的なCI/CDプラットフォームを用いてオーケストレーションできる 17。MQL5のコンパイルには、MetaEditorに付属するコマンドラインコンパイラ metaeditor.exe (または64ビット版の metaeditor64.exe) を利用する 19。GitHub Actionsのワークフロー定義ファイル（YAML形式）内で、/compile スイッチを付けてこの実行可能ファイルを呼び出すことで、MQL5ソースコード（.mq5）から実行可能ファイル（.ex5）を自動的に生成するステップを定義できる 21。

YAML

# GitHub Actions ワークフローのサンプル (一部抜粋)
jobs:
  build-mql5:
    runs-on: windows-latest
    steps:
    – name: Checkout code
      uses: actions/checkout@v3

    – name: Compile MQL5 EA
      run: |
        & “C:\Program Files\MetaTrader 5\metaeditor64.exe” /compile:”${{ github.workspace }}\Experts\MyAwesomeEA.mq5″ /log

この自動化により、開発者はコードの品質維持に集中でき、手動コンパイルの煩わしさから解放される。

2.2. 自動テストの核心：Strategy Testerのコマンドライン実行

CIパイプラインの真価は、単なるコンパイルの成功だけでなく、コードの論理的な正しさと戦略の妥当性を自動的に検証することにある。MQL5環境において、この自動テストの中核を担うのがStrategy Testerである。

MetaTrader 5の実行可能ファイル terminal64.exe は、コマンドラインから設定ファイル（.ini）を引数として起動することができる 22。この設定ファイル内に、テスト対象のEA、シンボル、時間足、期間、テストモデルといったStrategy Testerのパラメータをすべて記述することで、バックテストや最適化を完全に自動実行することが可能となる 22。

この機能を応用し、第1部で作成した単体テストスイート（それ自体がEAとして実装されている）をStrategy Testerで実行するようにCIパイプラインを構成する 16。テストスイートは実行結果（成功、失敗、アサーション数など）をログファイルに出力する。CIパイプラインの次のステップでは、このログファイルを解析し、テストが一つでも失敗していればビルド全体を失敗させる。これにより、Strategy Testerが強力な自動テストエンジンへと変貌し、コードの品質を継続的に保証する仕組みが完成する。

しかし、数年間にわたる詳細なバックテストは完了までに長時間を要することがあり、すべてのコミットに対してこれを実行するのは非効率的である 25。開発のフィードバックサイクルを高速に保つためには、テスト戦略を階層化することが賢明である。

  1. Tier 1 (コミット時): コードがプッシュされるたびに実行。metaeditor.exeによるコンパイルと、高速に完了する単体テストのみを実行する。これにより、数分以内に基本的なコードの健全性に関するフィードバックを得る。
  2. Tier 2 (プルリクエスト時/夜間バッチ): プルリクエストが作成された際や、夜間の定時バッチで実行。より包括的な統合テストとして、Strategy Testerを用いた短期間（例: 直近3ヶ月）のバックテストを実行する。これにより、主要な取引ロジックが壊れていないことを確認する。
  3. Tier 3 (リリース前/週次バッチ): 本番デプロイ前や週末などに実行。数年間にわたる完全なバックテストとパラメータ最適化を実施する。このテストをパスしたものが、正式なリリース候補となる。

この階層的アプローチは、迅速なフィードバックの要求と、徹底的な検証の必要性との間のトレードオフを最適化し、現実世界の開発サイクルに即した成熟したMLOpsプラクティスを体現する。

2.3. 本番環境への自動デプロイ戦略

継続的デプロイメント (CD) は、CIパイプラインでビルドされ、テストをパスした成果物を自動的に本番環境にリリースするプロセスである。これにより、価値ある新機能やモデルの改善を迅速に市場に投入できる。

MQL5の文脈では、CDパイプラインは検証済みの .ex5 ファイルを、本番取引が実行されているサーバー上のMetaTrader 5ターミナルの MQL5\Experts ディレクトリに自動的にコピーする処理を担う。

リスクを管理するため、一斉に更新するのではなく、段階的なロールアウト戦略を採用することが推奨される 5。

  • カナリーリリース (Canary Release): 新バージョンのEAを、まず一つのチャートやシンボル、あるいはごく一部のサーバーにのみデプロイする。そこで問題が発生しないことを確認した上で、徐々に展開範囲を広げていく。
  • ブルーグリーンデプロイメント (Blue-Green Deployment): 本番環境（ブルー）と全く同じ構成の待機環境（グリーン）を用意する。新バージョンはまずグリーン環境にデプロイされ、テストが完了したら、ルーターの設定を切り替えてトラフィックを瞬時にグリーン環境に向ける。問題があれば即座にブルー環境に切り戻すことができる。

これらの戦略により、デプロイに伴うリスクを最小限に抑え、安定した本番運用を維持することが可能となる。

第3部: 本番稼働、監視、そして適応

MLOpsのライフサイクルは、モデルをデプロイした時点で終わりではない。むしろ、そこからが本番である。市場は常に変化し、デプロイされたモデルの性能は時間と共に必然的に劣化する。この「静かなる失敗」を検知し、システムを適応させ続けるための運用・監視フェーズが、持続的な成功の鍵を握る。

4.1. 静かなる失敗「モデルドリフト」：金融市場における検知と分類

モデルドリフト（またはモデルの劣化）は、本番環境における機械学習モデルの予測性能が時間と共に低下する現象であり、多くのモデルが本番投入後1〜2年で性能が劣化する主な原因である 27。これは、モデルが学習した過去のデータと、現在のリアルタイムデータとの間に統計的な乖離が生じるために発生する。ドリフトは大きく二つの種類に分類される 27。

  1. データドリフト (Data Drift / Covariate Shift): 入力データの統計的特性が変化する現象。例えば、市場のボラティリティが急激に増大したり、特定の経済指標の発表パターンが変わったりすると、モデルに入力される特徴量の分布が学習時とは異なってしまい、性能が劣化する。
  2. コンセプトドリフト (Concept Drift): 入力データと予測対象の変数との関係性そのものが変化する現象。これは市場のレジームシフト（例: トレンド相場からレンジ相場への転換）や、新たな規制の導入、競合アルゴリズムの出現などによって引き起こされる。入力データの分布は同じでも、それらが意味するものが変わってしまうため、モデルの予測は的外れになる。

これらのドリフトは、突発的なイベント（中央銀行のサプライズ発表など）によって急激に発生することもあれば、市場のミクロ構造の変化のように徐々に進行することもある 27。ドリフトを放置することは、直接的な金銭的損失、予期せぬリスクの増大、そして規制遵守上の問題に繋がるため、その早期検知は極めて重要である 28。

4.2. MQL5システムの可視化：PrometheusとGrafanaによるリアルタイム監視

モデルドリフトという不可避な問題に対する最善の策は、システムの挙動を継続的に監視し、異常を早期に検知することである。これを実現するためには、EAを「ブラックボックス」から、内部状態が完全に可視化された「オブザーバブルなシステム」へと変える必要がある。

このための標準的なアーキテクチャとして、オープンソースの監視ツールであるPrometheusとGrafanaの組み合わせが挙げられる。

  • メトリクス収集 (Prometheus): 「CoonMonit MT5」のようなPrometheusエクスポーターと呼ばれるユーティリティをMetaTrader 5ターミナル内でEAとして実行する 31。このエクスポーターは、口座残高、有効証拠金、保有ポジションの損益、さらにはモデルへの入力特徴量の分布や予測値の分布といった、システムの健全性を示す様々なメトリクスを標準化された形式で外部に公開する。Prometheusサーバーは、これらのメトリクスを定期的に収集（スクレイピング）し、時系列データベースに保存する。
  • 可視化 (Grafana): Grafanaは、Prometheusに蓄積された時系列データをデータソースとして、リッチでインタラクティブなダッシュボードを構築するためのツールである 32。このダッシュボード上で、口座の資産曲線、ドローダウン、各シンボルごとの損益、さらにはデータドリフトを示す統計指標（例: 人口安定性指数 (PSI)）などをリアルタイムで可視化する 27。

この監視システムにより、開発者や運用者はEAのパフォーマンスと健全性を一目で把握し、ドリフトの兆候を早期に捉えることが可能になる。

4.3. 自己進化するシステムへ：監視をトリガーとした自動再トレーニングループ

MLOpsの最終目標は、単に問題を検知するだけでなく、システムが自律的にそれに適応し、自己進化するループを構築することである。これは、監視システムとCI/CDパイプラインを連携させることで実現される。

このプロセスは「クローズドループ」として機能する。

  1. 検知 (Detect): GrafanaやPrometheusの警告機能を用いて、重要なドリフト指標が事前に設定した閾値を超えた場合にアラートを発するよう設定する 29。
  2. トリガー (Trigger): このアラートは、Webhookなどを通じて、第2部で構築したCI/CDパイプラインを自動的に起動するトリガーとなる。
  3. 再学習 (Retrain): 起動されたパイプラインは、最新の市場データを用いてモデルの再学習を自動的に実行する 2。
  4. 検証 (Validate): 新しく学習されたモデルは、パイプライン内の自動テストステージ（Strategy Testerの実行）で性能が検証される。性能が既存モデルを上回る場合にのみ、次のステップに進む。
  5. デプロイ (Deploy): 検証をパスした新モデルは、CDプロセスを通じて自動的に本番環境にデプロイされ、古いモデルと置き換えられる。

この自動再トレーニングループを構築することで、人間の介在を最小限に抑えつつ、取引システムを常に市場の最新状況に適応させ続けることが可能になる。

ただし、このループを効果的に機能させるためには、何をトリガーとするかが極めて重要である。入力データの統計的分布の変化だけを監視していると、ビジネス上の意味が乏しい変化に過剰反応し、不必要で高コストな再学習を繰り返す可能性がある。真に重要なのは、ビジネスKPI（Key Performance Indicator）の劣化である。したがって、洗練された監視システムは、モデルの技術的メトリクス（例: 予測精度）と、ビジネスKPI（例: 実現損益、最大ドローダウン、シャープレシオ）の両方を同時に追跡するべきである。そして、アラートは「予測精度は90%を維持しているにもかかわらず、過去24時間の損益が特定の閾値を下回った」といった、両者の相関関係の崩壊を検知したときに発せられるべきである。このアプローチにより、再トレーニングが真にビジネス価値の低下によって駆動されることを保証し、MLOpsシステム全体を最終目標である収益性の維持・向上に集中させることができる。

結論: MLOpsがもたらす持続的な競争優位性

本ガイドで概説したフレームワークは、MQL5を用いたアルゴリズム取引を、個別の脆弱なスクリプト開発から、堅牢で自動化され、適応能力を持つ統合されたシステム運用へと昇華させるための道筋を示したものである。MLOpsは、この変革を実現するための核心的な規律である。

開発基盤における厳格なバージョン管理は再現性を保証し、ハイブリッドアーキテクチャと単体テストは品質を担保する。CI/CDパイプラインは、metaeditor.exeとStrategy Testerの自動化を通じて、アイデアから本番投入までのサイクルを劇的に短縮し、同時に人為的ミスを排除する。そして、本番稼働後のPrometheusとGrafanaによる継続的な監視は、不可避であるモデルドリフトを早期に検知し、自動再トレーニングループを通じてシステムに自己進化能力を与える。

このMLOpsの実践は、AI MQL合同会社が提唱する「矛と盾」の戦略コンセプトを具体的に体現するものである 7。

  • 矛 (Spear): 迅速な開発サイクルと自動化されたデプロイパイプラインは、新たなアルファの源泉を探求し、市場の変化に素早く対応するための強力な「矛」となる。
  • 盾 (Shield): 堅牢なテストプロセス、継続的な監視、そしてドリフトへの自動適応能力は、予期せぬ市場の変動から資本を守り、システムの安定稼働を保証する強固な「盾」となる。

最終的に、成熟したMLOpsプラクティスを導入することは、単なる技術的優位性を超え、持続的な競争優位性を組織にもたらす。それは、市場の不確実性を管理し、複雑さを乗り越え、アルゴリズム取引を職人技から科学的かつ工業的なプロセスへと進化させるための不可欠な投資である。AI MQL合同会社は、単なるEA開発ベンダーとしてではなく、このような高度な生産グレードのMLOpsシステムを設計・実装し、エリート金融機関と共に未来を切り拓く戦略的パートナーとして、その専門知識を提供する。

引用文献

  1. The MLOps Guide to Transform Model Failures Into Production Success – Galileo AI, https://galileo.ai/blog/mlops-operationalizing-machine-learning
  2. What is MLOps? – Machine Learning Operations Explained – AWS, https://aws.amazon.com/what-is/mlops/
  3. MLOps Definition and Benefits | Databricks, https://www.databricks.com/glossary/mlops
  4. MLOps Best Practices: Building a Robust Machine Learning Pipeline – Veritis, https://www.veritis.com/blog/mlops-best-practices-building-a-robust-machine-learning-pipeline/
  5. 8 MLOps Best Practices for Scalable, Reliable ML Deployment, https://cloud.folio3.com/blog/mlops-best-practices/
  6. 11 MLOps Best Practices Explained in 2025 – Tredence, https://www.tredence.com/blog/mlops-a-set-of-essential-practices-for-scaling-ml-powered-applications
  7. AI MQL.pdf
  8. MLOps Principles, https://ml-ops.org/content/mlops-principles
  9. 10 MLOps Best Practices Every Team Should Be Using – Mission Cloud, https://www.missioncloud.com/blog/10-mlops-best-practices-every-team-should-be-using
  10. MLOps Best Practices – MLOps Gym: Crawl | Databricks Blog, https://www.databricks.com/blog/mlops-best-practices-mlops-gym-crawl
  11. MQL5 Integration: Python – MQL5 Articles, https://www.mql5.com/en/articles/14135
  12. Deep Learning Forecast and ordering with Python and MetaTrader5 … https://www.mql5.com/en/articles/13975
  13. MQL5 Reference – How to use algorithmic/automated trading language for MetaTrader 5, https://www.mql5.com/en/docs
  14. rodrigoshaller/MTUnit: MTUnit – A Unit Test framework for … – GitHub, https://github.com/rodrigoshaller/MTUnit
  15. nschlimm/MQL5Unit: Tiny unit test Framework for MQL5 expert advisors – GitHub, https://github.com/nschlimm/MQL5Unit
  16. Free download of the ‘MQLUnit – Tiny Unit Tests Framework … – MQL5, 、 https://www.mql5.com/en/code/33089
  17. Build a CI/CD workflow with Github Actions, https://github.com/readme/guides/sothebys-github-actions
  18. Introduction to GitHub Actions for CI/CD pipelines – Graphite, https://graphite.dev/guides/introduction-to-github-actions-for-ci-cd-pipelines
  19. How to compile an MQL4 file with a command-line tool? – Stack Overflow, https://stackoverflow.com/questions/14539064/how-to-compile-an-mql4-file-with-a-command-line-tool
  20. Command line to compile MQ4 source code with metaeditor.exe – MQL5, https://www.mql5.com/en/forum/155846
  21. Compile using console command? – Moving Average, MA – Expert Advisors and Automated Trading – MQL5 programming forum, https://www.mql5.com/en/forum/36616
  22. Starting strategy tester through command line parameters? – MQL5, https://www.mql5.com/en/forum/127577
  23. Metatrader 5 command line backtesting – Strategy Tester – Expert Advisors and Automated Trading – MQL5 programming forum, https://www.mql5.com/en/forum/462397
  24. Starting strategy tester through command line parameters? – page 2, https://www.mql5.com/en/forum/127577/page2
  25. Strategy Tester: MetaTrader 5 – MT5 | AMP Futures, https://www.ampfutures.com/metatrader/automated-trading/strategy-tester
  26. The MLOps Lifecycle: A Complete Guide from Development to Production | by Sam Austin, https://medium.com/@digitalconsumer777/the-mlops-lifecycle-a-complete-guide-from-development-to-production-8c51dda5520a
  27. What Is Model Drift? | IBM, https://www.ibm.com/think/topics/model-drift
  28. What is Model Drift? Types & 4 Ways to Overcome – Research AIMultiple,https://research.aimultiple.com/model-drift/
  29. MLOps and Drift: Reducing Risk and Ensuring Robust ML Models …, https://www.wwt.com/article/mlops-and-drift-reducing-risk-and-ensuring-robust-ml-models
  30. Understanding Model Drift and How Wallaroo Helps You Stay Ahead, https://wallaroo.ai/understanding-model-drift-and-how-wallaroo-helps-you-stay-ahead/
  31. CoonMonit MT5 | Free Download Trading Utility for MetaTrader 5, https://www.mql5.com/en/market/product/130464
  32. Connect Grafana to Azure Monitor managed service for Prometheus – Microsoft Learn, https://learn.microsoft.com/en-us/azure/azure-monitor/metrics/prometheus-grafana
  33. Prometheus Dashboard | Grafana Labs, https://grafana.com/grafana/dashboards/11054-prometheus-dashboard/
  34. How to Detect and Overcome Model Drift in MLOps – Sigmoid, https://www.sigmoid.com/blogs/how-to-detect-and-overcome-model-drift-in-mlops/

関連記事

TOP