ブライアスコア
例では英語式の数値表記を使います。カンマは千ごとの桁区切り、ピリオドは小数点です。1,000は千、1.25は一と四分の一を意味します。
四回の各観測前に、EUR/USDが次の一時間後に現在のBidより上で引ける確率を予測します。予測0.8、0.6、0.3、0.1、実現ラベル1、0、1、0なら、二値0–1方式で(0.04 + 0.36 + 0.49 + 0.01) / 4 = 0.225です。同じ事象で一定0.5なら0.25です。算術の説明で、四観測で将来の予測品質は確定しません。
先に事象と予測時点を定義する
ラベル1は全観測で同じ条件、期間、データ源を意味する必要があります。結果を知る前に予測を記録します。一時間後の上昇と、SL前の目標到達は別事象です。欠損と同値の扱いも明示します。期間の重複で観測が依存し、予測数と独立情報数は同じとは限りません。
適切な比較を使う
同じ標本・方式で小さい方が良好です。常に0.5なら0.25ですが、まれな事象では過去データから推定した頻度の方が適切な基準の場合があります。テスト結果で基準を選ばないでください。ライブラリーの方式も記録します。全クラスの合計や多クラス式は尺度が異なり得ます。確率列が上昇を意味すると決めず、正例のラベルを確認します。
良いスコアと収益戦略は別
確率予測の評価で、現金の取引成績ではありません。較正だけでなく全体の誤差を反映し、較正と標本外の安定性は別に調べます。真の確率60%でも、損益+1R/−2Rなら期待値は費用前0.6 × 1R − 0.4 × 2R = −0.2Rです。判断にはさらに損益幅、執行、サイズ、リスク制約が必要です。
関連学習と情報源
10.1 不確実性の下の取引 — 結果が事前に分からない判断の評価; 11.9 取引のAI・LLM — 用途、限界、リスク; 15.9 FX取引日誌 — R倍率、期待値、SQN、MAE/MFE.
一次資料（確認日2026-10-11）：scikit-learn — brier_score_loss; scikit-learn — 確率予測の評価.
