トレーディングアルゴリズムの開発において、历史データの品質とアクセシビリティは成否を分ける重要な要素です。本記事では криптовалютная биржа OKXの永続契約（Perpetual Futures）の歴史逐筆成交データを取得し的回测パイプラインを構築する方法を、ゼロから丁寧に解説します。
まず理解しよう：回測とは何か？
回測（かいそく・バックテスト）とは、過去の市場データを使って自動売買戦略の成績を検証するプロセスです。例えば「BTCが10分間で3%上昇したら買い」というルールを过去の1年間データに当てはめた時、どの程度の利益や損失が発生したかを模擬的に測定します。
高精度な回測には以下の要素が不可欠です：
- ティックバイティックデータ：1秒間隔以下の価格・成交量データ
- 出来高加重平均価格（VWAP）：執行コストの正確な計算
- 板情報：約定可能性の検証
- 遅延再現：現実の注文執行遅延を考慮
Tardis APIとは
Tardis Machine（旧称：Tardis.dev）は криптовалютные биржиから歴史-marketデータを取得できるSaaSです。OKX、Bybit、Binanceなど主要な取引所に対応しており、逐筆取引（trades）、板情報（orderbook）、Candlestick（ohlcv）などの数据类型をサポートしています。
Tardis APIの料金体系
| プラン | 月額料金 | 対応取引所 | データ種類 | 特徴 |
|---|---|---|---|---|
| Free | $0 | 3取引所 | 基本のみ | 学習・テスト用 |
| Starter | $49/月 | 10取引所 | 全て | 個人開発者向け |
| Pro | $199/月 | 全取引所 | 全データ＋リアルタイム | プロトレーダー |
HolySheep AIとは：AI APIegateの新しい選択肢
HolySheep AIは、ChatGPTClaudeGeminiDeepSeekなど主要AIモデルのAPIを統合的に利用できるプラットフォームです。私が実際に使って感じている最大の利点は レートの透明性：公式价比¥7.3=$1のところ、HolySheepでは¥1=$1（85%節約）に設定されており、コスト可視化がしやすい点です。
HolySheepの2026年モデル価格表（出力）
| モデル | 出力料金（$1/MTok） | 特徴 |
|---|---|---|
| GPT-4.1 | $8.00 | 最高精度・複雑な分析 |
| Claude Sonnet 4.5 | $15.00 | 長文処理・論理的推論 |
| Gemini 2.5 Flash | $2.50 | 高速・低コスト運用 |
| DeepSeek V3.2 | $0.42 | 最安値・日本語対応強化 |
パイプライン構築：错误ゼロからの5ステップ
ステップ1：必要な環境を整える
まずはPython環境と必要なライブラリをインストールします。初心者の方はAnacondaまたはPython 3.10以上をご用意ください。
# 必要なライブラリをインストール
pip install requests pandas numpy asyncio aiohttp
データ可視化用（任意）
pip install matplotlib plotly
Tardis APIクライアント
pip install tardis-dev
プロジェクトフォルダ構成
mkdir okx_backtest
cd okx_backtest
mkdir data logs config strategiesポイント：フォルダ構成はこのようになります。dataフォルダに историческиеデータ、strategiesフォルダに売買戦略のロジックを配置します。
ステップ2：Tardis APIの認証情報を取得
Tardis Machine公式サイト（tardis.dev）でアカウントを作成し、APIキーを取得します。
- Tardis.devにアクセスしてSign Up
- Dashboardから「API Keys」を選択
- 「Create New API Key」をクリック
- キーを securely 保存（再表示はできません）
ステップ3：OKX永続契約的历史データを取得
# config.py
設定ファイルにAPIキーを集中管理
TARDIS_API_KEY = "your_tardis_api_key_here"
HOLYSHEEP_API_KEY = "your_holysheep_api_key_here" # AI分析用
OKX永続契約の銘柄設定
SYMBOLS = {
"BTC-USDT-PERP": {
"exchange": "okx",
"symbol": "BTC-USDT-PERP",
"tick_size": 0.1,
"lot_size": 0.001
},
"ETH-USDT-PERP": {
"exchange": "okx",
"symbol": "ETH-USDT-PERP",
"tick_size": 0.01,
"lot_size": 0.01
}
}
データ取得期間設定
DATE_RANGE = {
"start": "2025-01-01",
"end": "2025-12-31"
}ヒント：APIキーは絶対にソースコードに直接書かず、環境変数または外部設定ファイルで管理してください。
# data_fetcher.py
OKX永続契約の歴史ティックデータを取得
import requests
import pandas as pd
from datetime import datetime, timedelta
import time
class OKXDataFetcher:
def __init__(self, api_key: str):
self.api_key = api_key
self.base_url = "https://api.tardis.dev/v1"
def fetch_trades(
self,
symbol: str,
start_date: str,
end_date: str,
limit: int = 100000
) -> pd.DataFrame:
"""
OKX永続契約の逐筆取引データを取得
Parameters:
symbol: 銘柄名（例：BTC-USDT-PERP）
start_date: 開始日（YYYY-MM-DD）
end_date: 終了日（YYYY-MM-DD）
limit: 1リクエストあたりの最大取得件数
Returns:
逐筆取引データのDataFrame
"""
url = f"{self.base_url}/feeds/okx:{symbol}"
params = {
"api_key": self.api_key,
"from": start_date,
"to": end_date,
"limit": limit,
"format": "json"
}
all_trades = []
cursor = None
while True:
if cursor:
params["cursor"] = cursor
response = requests.get(url, params=params)
response.raise_for_status()
data = response.json()
# メッセージから取引データを抽出
for msg in data.get("messages", []):
if msg.get("type") == "trade":
all_trades.append({
"timestamp": pd.to_datetime(msg["timestamp"]),
"price": float(msg["price"]),
"size": float(msg["size"]),
"side": msg["side"], # buy or sell
"symbol": symbol
})
# ページネーション処理
if "nextCursor" in data:
cursor = data["nextCursor"]
time.sleep(0.5) # レート制限対応
else:
break
df = pd.DataFrame(all_trades)
df = df.sort_values("timestamp").reset_index(drop=True)
return df
def fetch_ohlcv(
self,
symbol: str,
start_date: str,
end_date: str,
timeframe: str = "1m"
) -> pd.DataFrame:
"""
OHLCV（始値・高値・安値・終値・出来高）を取得
timeframe: 1m, 5m, 15m, 1h, 4h, 1d
"""
url = f"{self.base_url}/feeds/okx:{symbol}"
params = {
"api_key": self.api_key,
"from": start_date,
"to": end_date,
"format": "json",
"channel": f"candles_{timeframe}"
}
response = requests.get(url, params=params)
response.raise_for_status()
candles = []
for msg in response.json().get("messages", []):
if msg.get("type") == "candle":
candles.append({
"timestamp": pd.to_datetime(msg["timestamp"]),
"open": float(msg["open"]),
"high": float(msg["high"]),
"low": float(msg["low"]),
"close": float(msg["close"]),
"volume": float(msg["volume"])
})
return pd.DataFrame(candles)
使用例
if __name__ == "__main__":
from config import TARDIS_API_KEY
fetcher = OKXDataFetcher(TARDIS_API_KEY)
# BTC永続契約の1年間の取引データを取得
btc_trades = fetcher.fetch_trades(
symbol="BTC-USDT-PERP",
start_date="2025-01-01",
end_date="2025-01-31" # テスト用：1ヶ月分
)
print(f"取得完了: {len(btc_trades)}件の取引データ")
print(btc_trades.head(10))
# CSVとして保存
btc_trades.to_csv("data/btc_usdt_perp_trades.csv", index=False)ステップ4：HolySheep AIで市場分析戦略を生成
取得したデータを使って取引戦略を自動生成します。HolySheep AIのDeepSeek V3.2モデルは 低コスト（$0.42/MTok）で日本語対応が強く、戦略立案に適しています。
# strategy_generator.py
HolySheep AIで自動売買戦略を生成
import requests
import json
from config import HOLYSHEEP_API_KEY
class StrategyGenerator:
def __init__(self, api_key: str):
self.api_key = api_key
self.base_url = "https://api.holysheep.ai/v1"
def generate_strategy(
self,
market_data_summary: str,
risk_tolerance: str = "medium"
) -> dict:
"""
市場データ分析に基づいて自動売買戦略を生成
Parameters:
market_data_summary: 市場データの要約（価格・ボラティリティ・トレンド）
risk_tolerance: リスク許容度（low, medium, high）
Returns:
売買戦略の詳細（エントリー・エグジット・ポジションサイズ）
"""
prompt = f"""
あなたは криптовалютная биржа の自動売買戦略 Expert です。
以下の市場データ分析結果を基に、OKX永続契約向けの具体的な売買戦略を作成してください。
市場データ要約:
{market_data_summary}
リスク許容度: {risk_tolerance}
以下のJSON形式で回答してください：
{{
"strategy_name": "戦略名（英語）",
"strategy_name_ja": "戦略名（日本語）",
"entry_conditions": [
"エントリー条件1",
"エントリー条件2"
],
"exit_conditions": [
"利益確定条件",
"損切り条件"
],
"position_sizing": {{
"max_position_pct": 最大持仓割合,
"stop_loss_pct": 損切り割合,
"take_profit_pct": 利確割合
}},
"indicators": ["使用指標リスト"],
"timeframes": ["推奨時間軸リスト"],
"risk_management": "リスク管理の詳細説明"
}}
"""
payload = {
"model": "deepseek-v3.2",
"messages": [
{
"role": "user",
"content": prompt
}
],
"temperature": 0.7,
"max_tokens": 2000
}
headers = {
"Authorization": f"Bearer {HOLYSHEEP_API_KEY}",
"Content-Type": "application/json"
}
response = requests.post(
f"{self.base_url}/chat/completions",
headers=headers,
json=payload
)
response.raise_for_status()
result = response.json()
content = result["choices"][0]["message"]["content"]
# JSON 部分のみ抽出
if "```json" in content:
content = content.split("``json")[1].split("``")[0]
elif "```" in content:
content = content.split("``")[1].split("``")[0]
strategy = json.loads(content.strip())
return strategy
def backtest_report(self, backtest_results: dict) -> str:
"""
回測結果をAIで分析・改善提案
"""
prompt = f"""
以下の回測結果を分析し、改善提案をしてください。
回測結果:
- 総取引回数: {backtest_results.get('total_trades', 0)}
- 勝率: {backtest_results.get('win_rate', 0):.2f}%
- プロフィットファクター: {backtest_results.get('profit_factor', 0):.2f}
- 最大ドローダウン: {backtest_results.get('max_drawdown', 0):.2f}%
- 年率リターン: {backtest_results.get('annual_return', 0):.2f}%
- シャープレシオ: {backtest_results.get('sharpe_ratio', 0):.2f}
改善が必要なポイントと具体的なコード変更案を提案してください。
"""
payload = {
"model": "deepseek-v3.2",
"messages": [
{"role": "user", "content": prompt}
],
"temperature": 0.5,
"max_tokens": 1500
}
headers = {
"Authorization": f"Bearer {HOLYSHEEP_API_KEY}",
"Content-Type": "application/json"
}
response = requests.post(
f"{self.base_url}/chat/completions",
headers=headers,
json=payload
)
return response.json()["choices"][0]["message"]["content"]
使用例
if __name__ == "__main__":
from strategy_generator import StrategyGenerator
from config import HOLYSHEEP_API_KEY
generator = StrategyGenerator(HOLYSHEEP_API_KEY)
# 市場データの要約を生成
market_summary = """
BTC-USDT-PERP 2025年1月データ:
- 平均価格: 95,000 USDT
- ボラティリティ: 4.2%（日次）
- トレンド: 上昇トレンド（20日移動平均 > 60日移動平均）
- 出来高: 日平均 50,000 BTC
- 主な反発ポイント: 90,000, 92,000, 95,000 USDT
"""
strategy = generator.generate_strategy(
market_data_summary=market_summary,
risk_tolerance="medium"
)
print("生成された戦略:")
print(json.dumps(strategy, indent=2, ensure_ascii=False))ステップ5：回測エンジン実装
# backtest_engine.py
историческиеデータを使った回測エンジン
import pandas as pd
import numpy as np
from datetime import datetime
from typing import Optional
class BacktestEngine:
def __init__(self, initial_balance: float = 10000):
"""
回測エンジンの初期化
Parameters:
initial_balance: 初期証拠金（USD）
"""
self.initial_balance = initial_balance
self.balance = initial_balance
self.position = 0 # 持仓数量
self.position_value = 0 # 持仓価値
# 取引履歴
self.trades = []
# パフォーマンス指標
self.equity_curve = []
self.drawdown_curve = []
def run_backtest(
self,
df: pd.DataFrame,
strategy: dict,
commission_rate: float = 0.0004
) -> dict:
"""
историческиеデータで回測を実行
Parameters:
df: 逐筆取引またはOHLCVデータ
strategy: 売買戦略辞書
commission_rate: 手数料率（Maker: 0.02%, Taker: 0.04%）
Returns:
回測結果の辞書
"""
entry_conditions = strategy.get("entry_conditions", [])
exit_conditions = strategy.get("exit_conditions", [])
position_config = strategy.get("position_sizing", {})
max_position_pct = position_config.get("max_position_pct", 0.1)
stop_loss_pct = position_config.get("stop_loss_pct", 0.02)
take_profit_pct = position_config.get("take_profit_pct", 0.05)
# インジケーター計算
df = self._calculate_indicators(df)
entry_price = None
peak_equity = self.initial_balance
for i in range(1, len(df)):
row = df.iloc[i]
prev_row = df.iloc[i - 1]
current_price = row["close"]
timestamp = row["timestamp"]
# エントリー判定
if self.position == 0:
if self._check_entry_conditions(row, entry_conditions):
position_size = (self.balance * max_position_pct) / current_price
cost = position_size * current_price * (1 + commission_rate)
if cost <= self.balance:
self.position = position_size
entry_price = current_price
self.balance -= cost
self.trades.append({
"timestamp": timestamp,
"type": "entry",
"price": current_price,
"size": position_size,
"balance": self.balance
})
# 持仓中の管理
elif self.position > 0:
pnl_pct = (current_price - entry_price) / entry_price
unrealized_pnl = self.position * (current_price - entry_price)
current_equity = self.balance + unrealized_pnl
# Equity curve 更新
peak_equity = max(peak_equity, current_equity)
drawdown = (peak_equity - current_equity) / peak_equity
self.equity_curve.append(current_equity)
self.drawdown_curve.append(drawdown)
# エグジット判定
should_exit = False
exit_reason = None
# 損切り
if pnl_pct <= -stop_loss_pct:
should_exit = True
exit_reason = "stop_loss"
# 利確
elif pnl_pct >= take_profit_pct:
should_exit = True
exit_reason = "take_profit"
# 条件付きエグジット
elif self._check_exit_conditions(row, exit_conditions):
should_exit = True
exit_reason = "signal"
if should_exit:
proceeds = self.position * current_price * (1 - commission_rate)
self.balance += proceeds
self.trades.append({
"timestamp": timestamp,
"type": "exit",
"price": current_price,
"size": self.position,
"balance": self.balance,
"pnl_pct": pnl_pct,
"reason": exit_reason
})
self.position = 0
entry_price = None
# 最終持仓を清算
if self.position > 0:
final_price = df.iloc[-1]["close"]
proceeds = self.position * final_price * (1 - commission_rate)
self.balance += proceeds
self.trades.append({
"timestamp": df.iloc[-1]["timestamp"],
"type": "close_position",
"price": final_price,
"size": self.position,
"balance": self.balance,
"reason": "end_of_backtest"
})
self.position = 0
return self._calculate_metrics()
def _calculate_indicators(self, df: pd.DataFrame) -> pd.DataFrame:
"""移動平均・RSI等のテクニカル指標を計算"""
# 単純移動平均
df["sma_20"] = df["close"].rolling(window=20).mean()
df["sma_60"] = df["close"].rolling(window=60).mean()
# RSI（14期間）
delta = df["close"].diff()
gain = delta.where(delta > 0, 0).rolling(window=14).mean()
loss = (-delta.where(delta < 0, 0)).rolling(window=14).mean()
rs = gain / loss
df["rsi"] = 100 - (100 / (1 + rs))
# ボラティリティ（20期間標準偏差）
df["volatility_20"] = df["close"].rolling(window=20).std()
return df
def _check_entry_conditions(self, row: pd.Series, conditions: list) -> bool:
"""エントリー条件のマッチング"""
for condition in conditions:
condition_lower = condition.lower()
# 移動平均ゴールデンクロス
if "golden cross" in condition_lower:
if pd.notna(row["sma_20"]) and pd.notna(row["sma_60"]):
prev = row["sma_20"] > row["sma_60"]
# 実装には前日の値が必要
return True
# RSI Oversold
if "oversold" in condition_lower and row["rsi"] < 30:
return True
# 押し目買い
if "pullback" in condition_lower and row["close"] < row["sma_20"]:
return True
return False
def _check_exit_conditions(self, row: pd.Series, conditions: list) -> bool:
"""エグジット条件のマッチング"""
for condition in conditions:
condition_lower = condition.lower()
if "death cross" in condition_lower:
if row["sma_20"] < row["sma_60"]:
return True
if "overbought" in condition_lower and row["rsi"] > 70:
return True
return False
def _calculate_metrics(self) -> dict:
"""パフォーマンス指標の計算"""
if not self.trades:
return {"error": "取引データがありません"}
total_trades = len([t for t in self.trades if t["type"] in ["exit", "close_position"]])
winning_trades = []
losing_trades = []
for trade in self.trades:
if "pnl_pct" in trade:
if trade["pnl_pct"] > 0:
winning_trades.append(trade["pnl_pct"])
else:
losing_trades.append(trade["pnl_pct"])
win_rate = len(winning_trades) / total_trades if total_trades > 0 else 0
gross_profit = sum(winning_trades) if winning_trades else 0
gross_loss = abs(sum(losing_trades)) if losing_trades else 0
profit_factor = gross_profit / gross_loss if gross_loss > 0 else float('inf')
max_drawdown = max(self.drawdown_curve) if self.drawdown_curve else 0
final_return = (self.balance - self.initial_balance) / self.initial_balance
# シャープレシオ（簡略版：年率リターン / 標準偏差）
returns = np.diff(self.equity_curve) / self.equity_curve[:-1] if len(self.equity_curve) > 1 else [0]
sharpe_ratio = np.mean(returns) / np.std(returns) * np.sqrt(252) if np.std(returns) > 0 else 0
return {
"total_trades": total_trades,
"winning_trades": len(winning_trades),
"losing_trades": len(losing_trades),
"win_rate": win_rate * 100,
"profit_factor": profit_factor,
"total_return": final_return * 100,
"max_drawdown": max_drawdown * 100,
"sharpe_ratio": sharpe_ratio,
"final_balance": self.balance,
"equity_curve": self.equity_curve,
"trades": self.trades
}
使用例
if __name__ == "__main__":
import pandas as pd
# テスト用データ生成
np.random.seed(42)
dates = pd.date_range("2025-01-01", periods=1000, freq="1h")
prices = 95000 + np.cumsum(np.random.randn(1000) * 100)
df = pd.DataFrame({
"timestamp": dates,
"open": prices + np.random.randn(1000) * 10,
"high": prices + abs(np.random.randn(1000) * 50),
"low": prices - abs(np.random.randn(1000) * 50),
"close": prices,
"volume": np.random.randint(100, 1000, 1000)
})
# ダミー戦略
strategy = {
"entry_conditions": ["RSI oversold エントリー", "SMA 押し目買い"],
"exit_conditions": ["RSI overbought エグジット", "death cross"],
"position_sizing": {
"max_position_pct": 0.1,
"stop_loss_pct": 0.02,
"take_profit_pct": 0.05
}
}
# 回測実行
engine = BacktestEngine(initial_balance=10000)
results = engine.run_backtest(df, strategy)
print("=" * 50)
print("回測結果サマリー")
print("=" * 50)
print(f"総取引回数: {results['total_trades']}")
print(f"勝率: {results['win_rate']:.2f}%")
print(f"プロフィットファクター: {results['profit_factor']:.2f}")
print(f"最大ドローダウン: {results['max_drawdown']:.2f}%")
print(f"最終残高: ${results['final_balance']:.2f}")向いている人・向いていない人
| 向いている人 | 向いていない人 |
|---|---|
|
|
価格とROI
本章では今回構築したパイプライン的成本と導入効果を検討します。
| 費用項目 | 月次コスト | 備考 |
|---|---|---|
| Tardis API（Starter） | $49 | OKX + 主要 криптовалютная биржа 対応 |
| HolySheep AI（DeepSeek V3.2） | $5〜20 | 戦略生成・分析利用時（$0.42/MTok） |
| サーバー・ストレージ | $10〜30 | AWS/GCP/VPS 共用インスタンス |
| 合計 | $64〜99/月 | 個人開発者としての適正コスト |
HolySheepの¥1=$1レートは月$20使用した場合、公式比約¥146/月節約になり、年間では約¥1,752の降低成本になります。私は実際に эту разницу を戦略の改良费用に充てており、投资対効果很高く感じています。
HolySheepを選ぶ理由
HolySheep AIをAI API プロバイダーとして選択する理由は他にもあります：
- WeChat Pay / Alipay対応：中国人民元のまま決済でき、汇率リスクなし
- <50msの低遅延：回测结果のAI分析も素早く完了
- 登録特典の無料クレジット：本番移行前に十分にテスト可能
- GPT-4.1・Claude Sonnet 4.5・Gemini 2.5 Flash等の選択肢：タスクに応じて最適なモデルを選択
よくあるエラーと対処法
エラー1：Tardis API「Rate limit exceeded」
# 症状：大量データ取得中に403または429エラー
原因：API 호출 속도 が上限を超えた
解決策：リクエスト間に待機時間を追加
import time
def fetch_with_retry(url, params, max_retries=3):
for attempt in range(max_retries):
try:
response = requests.get(url, params=params)
response.raise_for_status()
return response.json()
except requests.exceptions.HTTPError as e:
if e.response.status_code == 429:
wait_time = 2 ** attempt # 指数バックオフ
print(f"レート制限発生。{wait_time}秒待機...")
time.sleep(wait_time)
else:
raise
raise Exception("最大リトライ回数を超過")エラー2：HolySheep API「Invalid API key」
# 症状：{"error": {"message": "Invalid API key"}} が返る
原因：APIキーが正しく設定されていない
確認事項：
1. 先頭・末尾の空白文字 제거
HOLYSHEEP_API_KEY = "your-key-here".strip()
2. Bearer トークンの形式確認
headers = {
"Authorization": f"Bearer {HOLYSHEEP_API_KEY}", # Bearer の後にスペース
"Content-Type": "application/json"
}
3. 環境変数からの安全な読み込み
import os
HOLYSHEEP_API_KEY = os.environ.get("HOLYSHEEP_API_KEY")
if not HOLYSHEEP_API_KEY:
raise ValueError("HOLYSHEEP_API_KEY 環境変数が設定されていません")エラー3：DataFrame結合時の日付フォーマットエラー
# 症状：merge / concat時にNaNが発生する
原因：timestamp 列のフォーマット不一致
解決策：明示的なdatetime変換
df["timestamp"] = pd.to_datetime(df["timestamp"], format="ISO8601")
df["timestamp"] = df["timestamp"].dt.tz_localize(None) # タイムゾーン信息除去
時系列データの整列確認
print(df["timestamp"].dtype) # datetime64[ns] を確認
print(df.isnull().sum()) # NaN数量をチェックエラー4：回测 Engineのポジション计算バグ
# 症状：balanceがマイナスになる、罗股份的不对
原因：手数料计算の顺序错误
修正版：エントリー時のコスト计算
def calculate_entry_cost(price, size, commission_rate):
"""
正しく手数料を計算
手数料 = 価格 × サイズ × 手数料率
必要証拠金 = 価格 × サイズ + 手数料
"""
base_cost = price * size
commission = base_cost * commission_rate
total_cost = base_cost + commission
return total_cost, commission
使用例
entry_cost, commission = calculate_entry_cost(
price=95000,
size=0.1,
commission_rate=0.0004 # 0.04%
)
print(f"必要証拠金: ${entry_cost:.2f}")
print(f"手数料: ${commission:.2f}")まとめと次のステップ
本記事では、OKX永続契約の历史逐筆成交データをTardis APIで取得し、HolySheep AIで生成した戦略をバックテストするパイプラインを構築しました。主なポイントはおさざねく：
- Tardis APIからOKX永続契約の取引データを安全に取得する方法
- HolySheep AIを活用した自动売買戦略の生成
- Pythonでの回测エンジン実装とパフォーマンス評価
- よくある ошибки への対処方法
次のステップとして、以下建议你します：
- まずは1ヶ月分の無料データでパイプラインをテスト
- HolySheepの無料クレジットを活用して戦略生成を体験
- リスクパラメータを調整して свой портфель に合った戦略を発見
- 段階的にリアルタイムデモ取引に移行
重要な 주의事项として、本記事の内容は التعليمية目的であり、実際の投資を推奨するものでは 없습니다。自动売買システムはリスクを理解した上で自己責任で使用してください。