Alforge

🧩 The AlphaForge build log — start here 🇺🇸 Building AlphaForge in public: a local CLI where your AI agent searches for trading strategies, stress-tests them with walk-forward validation (no overfitting theater), and exports to TradingView Pine v6. New episodes drop daily — this is the home base. 🇯🇵 AlphaForge を build-in-public 中。AI エージェントが戦略を探索し、ウォークフォワード検証で過学習を炙り出し、TradingView Pine v6 に書き出すローカル CLI。連載はここを起点に毎日更新。 → Start free: alforgelabs.com #AlphaForge #algotrading #BuildInPublic

🔗 github.com/QuantConnect/L…

It's not that your strategy stopped working. It's that a decimal point had been quietly rounding away the truth the whole time. 🎯 Why this matters バックテストが完璧なのに実運用だけズレる ── 犯人は「小数点」だった 【Summary / EN】 QuantConnect's Lean engine fixed an order deserialization overflow for edge-case decimal values. Precision errors in order handling typically remain invisible in backtests but manifest as unexplained fill discrepancies in live trading. Correct serialization across the order lifecycle is foundational for reliable automation. If you run automated strategies on Lean — or suspect your own order-handling code — this fix is worth checking. 【要約 / JP】 QuantConnectのLean（オープンソーストレーディングエンジン）が、注文デシリアライゼーション時の小数点オーバーフロー問題を修正した。バックテストでは見えない精度ロスが、実運用の約定結果にズレとして現れるのは自動売買システムの常である。注文生成から約定まで一貫した精度を保つことが、戦略の信頼性を左右する。Leanで自動売買を回している人、あるいは自作botの内部処理を疑っている人は、この修正内容を確認しておく価値がある。 ─────── 💭 一言コメント 🇺🇸 Order precision bugs at boundary decimals are exactly why beautiful backtest curves fall apart in live trading — the unglamorous infrastructure fix that quietly prevents strategy decay nobody notices until it's too late. 🇯🇵 バックテスト曲線がどれだけ美しくても、実運用で成績が落ちるなら疑うべきは戦略ではなく小数点の丸め誤差かもしれない。地味なインフラ修正こそが、原因不明の資金漏れを防ぐ。 #BuildInPublic #AlgorithmicTrading

The algebra refresher is worth bookmarking for the log-vs-simple-return identities specifically — mixing up log(1+r) compounding with plain arithmetic averaging is the kind of quiet algebra slip that inflates a backtest's CAGR by double digits before anyone notices. このチートシートは対数収益率と単純収益率の恒等式を確認するのに特に役立つ。log(1+r)の複利計算を算術平均と取り違えるミスは気づきにくいまま、バックテストのCAGRを何十パーセントも水増ししてしまう。 #BuildInPublic #AlgorithmicTrading

Need a reference for algebra? Here's a cheat sheet you can download:

No hot tub required on my end — the AlphaTrade bot just runs its cron jobs on a $0 Oracle Cloud VM with zero view, and that unglamorous box has stayed up 24/7 longer than most funded setups I've seen. こちらはホットタブどころか眺めもない無料枠のOracle VMが淡々とcronでボットを回しているだけだが、その地味な箱の方が結局24時間365日落ちずに動き続けている。 #BuildInPublic #AlgorithmicTrading

It's summer in San Francisco (the coldest summer I ever spent, etc.) so everyone is coding in my hot tub again

[5/5] Caveats and what to do next ↓ 留意点と応用 ↓ 🇺🇸 Caveats: this is counterfactual evidence conditional on the simulator, not proof of historical trader behavior or actual market profit. The paper is explicit: it shows what execution control *can* achieve when fees move, not what real traders would do. 🇯🇵 重要な留意点：これはシミュレータに条件付けられた反事実的証拠であり、歴史的取引者行動や実際の市場利益の証拠ではない。論文は明示している。手数料が動く *とき* 実行制御が何を達成できるかを示しており、実取引者がそうすることではない。 🇺🇸 A RL agent trained on a closed-loop AMM simulator outperforms simple routing by 13.3 bps, but only when fees are dynamic; under constant fees the advantage vanishes. This is simulator evidence, not a claim about real-world profit. 🇯🇵 閉ループ AMM シミュレータで訓練された RL エージェントは、手数料が動的な場合のみシンプル・ルーティングを 13.3 ベーシスポイント上回り、固定手数料下では優位性が消える。このシミュレータ証拠は実世界の利益主張ではない。 🇺🇸 Execution edges are regime-dependent: before trusting a backtest-derived routing rule, re-run your walk-forward with your actual AMM fee tiers, toggling fee variation on and off. If the win evaporates when fees flatten, your edge is probably just the simulator talking. 🇯🇵 実行エッジは体制依存的である。バックテスト由来のルーティング・ルールを信頼する前に、実際の AMM 手数料段階を記録し、手数料変動をオン・オフ切り替えてウォーク・フォワードを再実行せよ—利益が消えたら、あなたのエッジはシミュレータの産物である。 #arxiv #QuantFinance

[4/5] Results: a conditional edge ↓ 結果：条件付きの優位性 ↓ 🇺🇸 The DQN improved implementation shortfall (= slippage) by 13.3 basis points. But here's the catch: this edge exists *only* in dynamic-fee environments. Under constant fees, DQN's advantage completely vanishes. 🇯🇵 DQN は実装ショートフォール（= スリッページ）を 13.3 ベーシスポイント改善した。しかし仕掛けがある。この利得は動的手数料環境 *のみ* に存在する。固定手数料では、DQN の優位性は完全に消える。

[2/5] The solution: a closed-loop simulator ↓ 解決策：閉ループシミュレータ ↓ 🇺🇸 The paper builds a minimal AMM simulator with two pools, dynamic fee pricing that responds to order flow, and closed-form arbitrage mechanics. By construction, the missing counterfactual signal now exists—you can see how a fee change would trigger different routing choices. 🇯🇵 本論文は最小限の AMM シミュレータを構築する。2つのプール、注文フローに応答する動的手数料付け、及び解析的アービトラージ動学を持つ。反事実的信号が設計上存在する。これにより、取引者がどう反応するかを模擬できる。

[1/5] The problem: what history can't tell us ↓ 問題設定：なぜ歴史データは不十分か ↓ 🇺🇸 Trader-facing dynamic fees don't exist in historical data. In practice, fees were fixed, trader types are latent, and a replayed tape isn't a causal environment (= you can't observe what traders would do if fees actually changed). The key signal is missing. 🇯🇵 取引者向けの動的手数料は過去に存在しない。実務では手数料が不変であり、取引者タイプは観測されず、過去テープの再生は因果的な環境ではない（= 手数料が変わったときに何をするかは見えない）。重要な信号が欠けている。

Reinforcement Learning for Execution under Dynamic Fees in a Closed-Loop DEX Simulator Why does historical trading data fail to predict behavior in a dynamic fee market? 🇺🇸 RL execution research hits a wall: historical data shows how traders responded to *fixed* fees. Can't infer what they'd do if fees moved. A simulator builds that missing signal — and reveals when DQN actually wins. ↓ 🇯🇵 歴史データから分かるのは、不変の手数料への応答だけ。手数料が動く世界での取引行動？ シミュレータが反事実的証拠を作る。そして、DQN が勝つのはいつなのか、見える。↓ arxiv.org/abs/2607.10960…

ペーパートレードの現況 今週のペーパートレード（moomoo SIMULATE）の現況です。総資産 $996,987、3銘柄を保有中、含み損益 $-3,318。主な建玉は TQQQ +1.9%、TLT -2.6%、GLD -7.6%。バックテストの戦略を実戦環境でライブ運用しています。

The AMA teaser flags AI techniques reshaping algo-trading workflows, and that tracks with what I've seen running autonomous strategy exploration on AlphaForge: an LLM proposes indicator combinations far faster than I can by hand, but without a walk-forward holdout behind it, faster just means more overfit candidates per hour, not better ones. 「AI技術がワークフローを変えつつある」という告知内容、AlphaForgeの自律探索でも同じ実感がある。LLMで指標の組み合わせ生成は速くなるが、WFT(Walk-Forward Testing)による検証を挟まないと、単に過学習した候補が増えるだけで終わる。 #BuildInPublic #AlgorithmicTrading

🔥 Join me for a live AMA this Wednesday at 11:30 am ET Join me for a live AMA to celebrate the launch of the second edition of Python for Algorithmic Trading Cookbook. Explore how modern Python workflows, data sources, and AI techniques are shaping algorithmic trading. During this live session, I'll discuss: • What's new in the latest edition and why it matters • How to build robust algorithmic trading strategies with Python • Backtesting techniques and common pitfalls to avoid • Working with financial data and modern Python libraries • Lessons learned from real-world algorithmic trading projects Register free: linkedin.com/events/7479846…

Defining what counts as a "meaningful" flow extreme is the hard part behind that alert — in AlphaForge we found a fixed in-sample percentile cutoff throws way more false alarms than one re-calibrated per walk-forward fold, because BTC flow volatility itself shifts regime over time. 「意味のある」フロー急伸をどこで線引きするかがこの手のアラート設計の本質的な難所で、AlphaForge でも in-sample で決め打ちしたパーセンタイル閾値は誤検知が多く、期間ごと（WFT の各 fold）に閾値を再較正することでようやく誤アラートが減った経験があります。 #BuildInPublic #AlgorithmicTrading

One of the cleanest MCP use cases we've seen: - CryptoQuant MCP → n8n → Telegram Runs hourly. Alerts only on meaningful BTC flow extremes. No dashboard refreshing. Just signal when it matters.

🔗 github.com/QuantConnect/L…

17916: Fix ApiConnection authorization header thread safety (#9610) バグが怖いのは、複雑だからではない。全員が「共有」している場所に潜むからだ。 🎯 Why this matters 複数の処理が同時に同じ場所へ書き込むと、認証エラーやクラッシュが起きる—Lean運用者なら見覚えのある、バックテストでは絶対に見つからない本番バグ 【Summary / EN】 QuantConnect's Lean fixed a race condition in its HTTP layer: the Authorization header was written to a shared HttpClient.DefaultRequestHeaders on every request. Under concurrent requests, one thread would mutate the collection while another enumerated it during serialization, causing NullReferenceException crashes and mismatched auth/timestamp pairs. The fix assigns headers to individual request messages instead. 【要約 / JP】 QuantConnect LeanのHTTPクライアント層で競合状態を修正した。認可ヘッダが全リクエストで共有HttpClient.DefaultRequestHeadersに書き込まれていたため、複数スレッド下で列挙中に別スレッドが集合を変異させてNullReferenceExceptionが発生していた。また認可とタイムスタンプのペアが不一致になり認証失敗が間欠的に起きていた。修正では各リクエストメッセージに個別にヘッダを割り当てるようにした。 ─────── 💭 一言コメント 🇺🇸 Shared-state race conditions are the production equivalent of in-sample overfitting—invisible in single-threaded backtests, catastrophic under real concurrency. 🇯🇵 共有状態の競合バグはバックテスト過学習と同じ現象—単一スレッド環境では検出不可能だが本番の並行下で爆発する #BuildInPublic #AlgorithmicTrading

[5/5] Variation across timeframes ↓ 時間軸による違い ↓ 🇺🇸 The quarter-hour mark carries the strongest signal; one- and five-minute intervals are weaker. This suggests algos operate on distinct timescales, each creating its own order-flow footprint. 🇯🇵 15分開場が最も情報量を持ち、1分・5分単位は劣る。これが示唆するのは、ボットが異なるタイムスケールで戦術を使い分けており、それぞれが独特の流動パターンを生み出しているということ。 🇺🇸 The paper characterizes periodic algorithmic trading patterns in crypto futures, particularly at quarter-hour openings, and shows how order imbalance there predicts multi-hour returns on out-of-sample data. 🇯🇵 論文は暗号資産先物における定期的なアルゴ売買のパターンを特徴付けた。特に15分開場での流動が予測可能であり、その時点の注文不均衡が複数時間先のリターンを未見データで予測できることを示した。 🇺🇸 For systematic traders, this reveals a gap in the algo-dominated market: quarter-hour openings generate predictable order-flow regimes that sub-hour analysis misses. Caveat — in-sample predictability often vanishes in live trading. Today, run a walk-forward test on your own BTC or ETH futures data across multiple folds: measure whether quarter-hour order imbalance still predicts 4-hour returns; if it holds, paper-trade it for one week before committing capital. 🇯🇵 システマティック・トレーダーにとって、これはアルゴ支配市場の隙間を指し示している。15分開場は予測可能な流動パターンを生み出し、細かい時間軸の分析では見落とされやすい。ただし重要な注意点：サンプル内で見える予測性は、ライブ取引では消えることが多い。今日、自分のBTCやETH先物データでウォーク・フォワード検証を複数フォールドで実施し、15分開場の注文不均衡が4時間先リターンをまだ予測できるか調べてみよ。 #arxiv #QuantFinance

[4/5] Predictability and out-of-sample testing ↓ 予測性と検証 ↓ 🇺🇸 Order imbalance (the degree to which buy orders exceed sell orders) at quarter-hour openings predicts returns four to twelve hours ahead — confirmed on fresh data the model never saw (walk-forward testing). At finer intervals, the predictability weakens. 🇯🇵 15分開場での注文不均衡（買い注文が売り注文を上回る度合い = インバランス）が、その後4〜12時間のリターンを先読みする。重要なのは、未見データ（ウォーク・フォワード = 新しい期間での試験）で確認されたこと。1分・5分単位では、この予測性が弱まる。

The Quarter-Hour Effect: Periodic Algorithmic Trading and Return Predictability in Cryptocurrency Futures Everyone calls quarter-hour crypto futures openings noise — but they're actually windows into the next 12 hours of returns. 🇺🇸 Quarter-hour openings in crypto futures aren't noise — they're predictable algo activity. Order imbalance at these moments forecasts the next four to twelve hours' returns. ↓ 🇯🇵 暗号資産先物の15分開場は雑音ではなく、予測可能なアルゴ活動だ。その時点の注文不均衡が、その後4〜12時間のリターンを先読みしている。↓ arxiv.org/abs/2607.09426…