Moses — オープン信号集約（Ensemble）フレームワーク

AI/ML
Moses — オープン信号集約（Ensemble）フレームワーク

Moses — オープン信号集約（Ensemble）フレームワーク

Moses は金融時系列の「全資産」シグナルをオンライン学習ベースで集約するC++製のオープンソースフレームワークです。Multiplicative Weights Update 等のオンライン学習理論を核に、時系列を Gramian Angular Field 等で画像化して特徴抽出を行う手法を組み合わせ、ONNX Runtime による推論を統合することで、非定常な市場環境でも応答性と計算効率を両立した信号エンセンブルを目指します。GPLv3 ライセンスで提供され、C++17/20 のモダン機能を活用しています。

https://github.com/imbue-bit/Moses

概要

Moses は高度に非定常な金融市場向けに設計された、信号（シグナル）集約のためのエンセンブルフレームワークです。プロジェクトはオンライン学習アルゴリズム（例：Multiplicative Weights Update）を中心に据え、時間軸に沿ったシグナルの重みを逐次的に更新します。さらに時系列を Gramian Angular Field（GAF）などで変換して視覚的特徴を抽出し、画像ベースの特徴を扱える機械学習モデル（ONNX形式での推論）との連携も想定しています。C++17/20 で実装され、リアルタイム性と計算効率を重視した設計です。

GitHub

リポジトリの統計情報

  • スター数: 6
  • フォーク数: 0
  • ウォッチャー数: 6
  • コミット数: 23
  • ファイル数: 6
  • メインの言語: C++

主な特徴

  • オンライン学習に基づく逐次的な信号重み更新（Multiplicative Weights Update 等）
  • GAF 等の時系列→画像変換を用いた特徴抽出パイプライン統合
  • ONNX Runtime による推論サポートで既存モデルの組み込みが容易
  • C++17/20 による高性能・低遅延設計でリアルタイム適用を想定

技術的なポイント

Moses が注目されるのは、オンライン学習理論を実運用向けフレームワークに落とし込んでいる点です。Multiplicative Weights Update（MWU）は、複数の「助言者（シグナル）」からの出力に対して重みを指数的に調整するアルゴリズムで、非定常環境下での適応性が高いのが特長です。Moses はこの考えを核に、各資産・各モデルからのシグナルを逐次評価して重みを更新し、ポートフォリオやトレード決定に反映します。

時系列データに対する前処理として Gramian Angular Field（GAF）などを用いることで、時系列の局所パターンや周期性を「画像」として表現し、CNN 等の視覚モデルが捉えやすい特徴空間を生成できます。これにより従来の特徴量設計だけでなく、学習済みの ONNX 形式モデルをそのまま推論パイプラインに組み込める点が実用的です。ONNX Runtime を利用することで C++ 実装の内部に高性能な推論実行環境を統合でき、言語間のオーバーヘッドを減らしつつGPU/CPU 利用も柔軟に切り替えられます。

実装面では C++17/20 のモダン機能（テンプレート、スマートポインタ、並列化ライブラリ等）を活用しており、低レイテンシ・高スループットを念頭に設計されています。さらに設計はモジュール化されており、前処理（GAF 等）、重み更新ルール（MWU ほか）、外部推論モデル（ONNX）を個別に差し替えられるため、研究用途から運用用途まで幅広く試行できます。GPLv3 ライセンスのため商用利用時は注意が必要ですが、学術・研究用途やプロトタイプ開発には適しています。

プロジェクトの構成

主要なファイルとディレクトリ：

  • CMakeLists.txt: ビルド設定。C++17/20 と外部ライブラリ（ONNX Runtime 等）のリンク設定を含む。
  • LICENSE: GPLv3 ライセンス文書。
  • README.md: プロジェクト概要、依存関係、使い方の概説。
  • include: ヘッダファイル群。アルゴリズムのインタフェースやデータ構造が定義されている想定。
  • src: 実装ソース。MWU 等の更新ロジック、GAF 変換、ONNX 推論ラッパーなどが格納。
  • …他 1 ファイル

補足：リポジトリ自体は比較的小規模で、主要なアルゴリズムの骨組みとインタフェースに注力しているようです。外部依存（ONNX Runtime など）の導入方法やビルド手順は README に従って設定する必要があります。実稼働にはデータ入力、バックテスト、リスク管理コンポーネントの追加が想定されます。

まとめ

オンライン学習×時系列→画像化×ONNX推論を組み合わせた実験的かつ実用志向の信号集約フレームワーク。

リポジトリ情報：

READMEの抜粋：

Moses

License Framework AI

基于在线学习算法的全资产量化交易信号聚合 ensemble 框架

推奨アプローチ（簡単な提案）

  • ローカルでビルドし、サンプルデータを用いた単一資産での動作確認を最初に行う。
  • MWU のハイパーパラメータや学習率を検証するための小規模バックテスト環境を構築する。
  • GAF 等の前処理は計算コストが高くなり得るため、オンライン実行時はウィンドウ長や解像度を調整して性能評価を行う。

以上の点を踏まえ、Moses は研究・プロトタイピング段階での信号集約アプローチ検証に適した基盤を提供します。