メインコンテンツへスキップ
見出し画像

取引システムの「判断」だけを切り出す。確率を返す高速モデルJevと、計算・判断・拒否権の分け方

    最近、Roan(@RohOnChain)さんの「How to Use Jev to Build a 24/7 HFT Trading System」を読みました。

    面白かったのは、新モデルJevそのものより、取引システムを「計算」「判断」「拒否権」に切り分ける設計です。

    この記事では、その設計をJevの外でも使える形で説明します。Jevとは何か、LLM(文章を生成するモデル)と何が違うか、なぜ分けると安定するか、確率を使う前に何を確かめるか、の順です。

    数値の根拠は出典を示したうえで紹介します。

    投資の助言ではありません。

    【発端】 遅い答えは、動いた市場では使えない

    画像
    LLMとJevの応答までの時間はかなり異なる

    つまり、取引でLLMが使いにくい理由は、賢さではなく遅さです。

    原文は、LLMが板(売買注文の一覧)を読んで答えるまでに3〜30秒かかり、その間に板は何十回も動く、と述べています。これは著者の見積もりです。

    2026年9月15日、TypeSafe AIが約2年のステルス期間を終えました。DCVC主導で4,000万ドルを調達し、Jevを公開しています(Business Wire)。

    公開直後に、実例も出ました。Jarrod Wattsさんのjev-traderです。

    ブロックチェーンMonadの約300ミリ秒ごとのブロックに合わせ、KuruのMON-USDCの板を読み、Jevに問い合わせて、実際に指値注文を出します。

    【基礎】 Jevは文章を書かず、型つきの確率を返す

    画像
    状態と質問を送ると、選択肢ごとの確率が返る。解析もJSONの修復も要らない

    つまり、Jevは「答えを文章で書く」代わりに「選択肢ごとの確率」を返します。

    JevはTypeSafeが「System Oneモデル」と呼ぶ種類のモデルです。名前は、カーネマンの言う速い直感的思考に由来します(TrueFoundryの解説)。

    使い方は、状態(板の数値などのJSON)と、答えの形を決めた質問を送ります。返ってくるのは確率つきの値で、文章はありません。

    質問の型は三つです(Failproof AI)。

    Noul

    • 答えの形:0〜1の値(yesの確率)

    • 原文の例:流れが「情報を持つ側」の注文か → 0.83

    Choice

    • 答えの形:選択肢ごとの確率と確信度

    • 原文の例:相場の局面は、順張り向き0.63、逆張り向き0.22、乱高下0.15

    Score

    • 答えの形:基準表に沿った点数

    • 原文の例:指値を出す環境として0〜3で2.3

    料金は入力100万トークンあたり0.042ドルで、出力は無料です(AI Weekly)。出力が文章ではなく数値だからです。

    訓練にはRLCD(較正された判断のための強化学習)を使うと説明されています。「70%と言ったら、実際に約70%当たる」ことを目標にした手法です(Sesame Disk)。

    【違い】 LLMとの違いは「出力の形」と「置く場所」

    画像
    置き換える対象は『推論』ではなく、分類・採点・振り分け

    つまり、JevはLLMの上位互換ではなく、分類・採点・振り分けを安く速くやる部品です。

    出力

    • 文章を生成するLLM:文章(後で解析が要る)

    • Jev:確率つきの型つき値

    質問の扱い

    • 文章を生成するLLM:長い文脈の中で推論する

    • Jev:質問ごとに独立に評価する(原文)

    遅延

    • 文章を生成するLLM:3〜30秒(原文の見積もり)

    • Jev:70〜500 ms(原文)

    費用の感覚

    • 文章を生成するLLM:毎ブロック回すと1時間50〜150ドル(原文)

    • Jev:毎ブロック回して月10〜25ドル(原文)

    向く仕事

    • 文章を生成するLLM:説明、設計、文章作成

    • Jev:局面判定、毒性判定、点数づけ

    数値は著者とベンダーの提示です。TypeSafeの評価では、フロンティアモデルの合意との一致率はJevが67.8%、比較対象が67.9%で、費用は約76分の1とされています。

    ただし原文自身が「方向を見る数字」と断っています。

    遅延にも幅があります。Business Wireは「100ミリ秒未満」と書いており、原文の70〜500ミリ秒とは条件が違うはずです。

    自分の環境で測るのが前提です。

    【仕組み】 計算はコード、判断はモデル、拒否権はリスクレイヤー

    画像
    モデルに『売るか買うか』を聞かず、曖昧な判断だけを小さな質問にして渡す

    つまり、モデルに「売るか買うか」を聞かず、コードで組み立てられる部分を最大にして、残った曖昧な判断だけをモデルに渡します。

    原文の中心はこの分け方です。板の中心価格、スプレッド、在庫、損益のような計算できるものはコードで出します。

    「いまは順張り向きか」「この注文の流れは情報を持つ側か」といった判断だけをJevに聞きます。

    質問は小さく分けます。「総合的に良い局面か」と聞くのではなく、要素ごとに聞いて、重みづけはコードで行います。

    優先度を変えたいときは、プロンプトではなく係数を直します。

    閾値もコード側に置きます。TypeSafeの確信度の目安は、0.8超なら自動で実行、0.5〜0.8なら実行して記録、0.5未満なら人に回す、です(Leena AIの連携資料)。

    Choiceの確信度は、分布の偏り具合から計算できます。選択肢数をN、最大確率をpとすると(N×p − 1)/(N − 1)です(MarkTechPost)。

    一方、Noulの値はそれ自体がyesの確率で、0.5付近は「迷っている」という意味になります。

    最後の砦はリスクレイヤーです。最大ポジション、最大損失、データの古さ、判断の遅延などの上限を、モデルを通さずに検査します。

    ここは交渉なしの拒否権です。

    【具体例】 300ミリ秒のブロックでマーケットメイクする

    画像
    モデルが答えるのは『いま指値を出してよい環境か』。価格は数式が決める

    つまり、モデルが答えるのは「いま指値を出してよい環境か」だけで、価格の計算は50年来の数式に任せます。

    マーケットメイクは、買い値と売り値の両方に指値を置き、その差(スプレッド)を稼ぐ取引です。

    価格の決め方には、AvellanedaとStoikovの古典的な論文があります。在庫が偏ったら基準価格をずらす、という考え方です。

    原文の1ブロックの流れは次の通りです。

    1. ブロックを受信し、板を読む

    2. コードで状態をまとめる(400トークン未満)

    3. Jevに6問を1回で投げる(局面、方向、毒性、流動性の薄さ、環境の良さ、在庫の圧力)

    4. 閾値で行動を決める

    5. 数式で価格を出す

    6. リスクレイヤーが検査する

    7. 指値を出す

    決めておくべきルールが二つあります。次のブロックまでに答えが返らなければ、古い状態で注文せず見送ります。

    そして、速く判断できても費用で負けることがあります。原文は派生プロジェクトの試算として、毎ブロック取消と再発注を繰り返すと、スプレッド3.5 bpsに対してガス代が1時間で約428 MONかかり、構造的に赤字になると紹介しています。

    • 正常で確信度が高い:通常運転

    • 正常だが確信度が低い:サイズを減らす、または観察

    • 締切に遅れた:見送る

    • Jevが使えない:ルールだけで動く

    • 上限を超えた:停止、ポジション解消、通知

    「24時間動く」とは、この下から2行目までが書かれているということです。

    【関連概念】 確率は、当たった割合と照らして初めて使える

    つまり、確率を閾値に使うなら、その確率が自分の環境で本当に当たっているかを先に確かめます。

    この性質を較正(キャリブレーション)と呼びます。Jevが「上昇確率0.80」と言った事象を集めて、実際に約8割で起きていれば較正されています。

    確かめる道具は三つです。予測確率と実際の頻度を並べる信頼性曲線、予測と結果の二乗誤差の平均であるBrierスコア、その差を平均したECE(期待較正誤差)です。

    scikit-learnの解説が実装の入口になります。

    ずれていたら補正できます。Guoらの論文は、温度スケーリング(Plattスケーリングの1パラメータ版)が多くの場面で役立つと報告しています。

    注意点があります。RLCDの較正はTypeSafe側のデータに対するものです。

    原文もこの点を認め、自分の市場で曲線が曲がっていれば補正を方針レイヤーに足す、と書いています。

    評価は「価格を当てたか」ではなく、方針全体で行います。原文は、手書きルール、LLM、Jev、Jevに確信度ゲートを付けたもの、の4つを同じデータ・同じ費用で比べる案を挙げています。

    参考情報・参考書籍(PR)

    本記事をより深く理解するために、概念マップスライドを作成しました。こちらをみることで理解の補助になるはずです。

    関連記事

    【まとめ】 注文を出す前に、記録を取る

    画像

    つまり、最初の一歩は取引ではなく、判断・入力・結果の三つ組を残すことです。Jevの利用申請がなくても始められます。

    1. 自分のシステムで「LLMにyes/noや分類を聞いている場所」を一つ選ぶ

    2. 入力の状態、モデルの答え、後で分かった結果を毎回ログに残す

    3. 確率を区間に分けて、実際の頻度と並べる

    4. 行動ごとに閾値を決める。間違ったときの損の大きさに合わせる

    取引に使うなら、まず実注文を出さない検証から始めてください。損失が出る可能性があります。

    モデルは固定したバージョンで使うのも前提です。バージョンが変わると、閾値の前提が合わなくなります。

    参考情報

     
     
    海外でバズった最新テック関連情報をわかりやすく整理します! スキの数やページビューが多いなどの反響が多いものがあれば、実際の環境で操作した結果や手順などを共有する記事も作成したいとも思ってます! とりあえずこれを見ておけばディープな最新情報もキャッチアップ!できるものを目指します

    あなたへのおすすめ