
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

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

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」

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

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

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。
ブロックを受信し、板を読む
コードで状態をまとめる(400トークン未満)
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)
閾値で行動を決める
数式で価格を出す
リスクレイヤーが検査する
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

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。
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
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
確率を区間に分けて、実際の頻度と並べる
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。