2つのAIを、同じグラフに
LSTM予測 × AutoEncoder異常検知

2つのAIが、同じ点を指さすとき

1本目で「予測の外れ＝異常の兆候かもしれない」と予告し、 2本目で実データを取れるようにしました。いよいよ、その予告を確かめる回です。

LSTM（予測）と AutoEncoder（異常検知）は、別々のツールに見えます。 ところが同じ為替データに重ねると、片方が「予測を外した」点と、もう片方が「異常だ」と言う点が、 同じ場所に立つ。この一致こそ、この記事の主役です。

LSTM で「過去の窓」を束ねる

1本目の構造図——過去N日 → 翌日1点——を、実装に落とします。ウィンドウをスライドさせて、 「過去N日」を入力、「翌日」を正解とする教師データを大量に作ります。

const model = tf.sequential();
model.add(tf.layers.lstm({ units: 32, inputShape: [WINDOW, 1] }));
model.add(tf.layers.dense({ units: 1 }));
model.compile({ optimizer: 'adam', loss: 'meanSquaredError' });
await model.fit(xs, ys, { epochs: 50, batchSize: 32 });

評価は RMSE（二乗誤差の平方根）と MAPE（平均絶対誤差率）。 「どれだけ外れたか」を数値で持っておきます——これが、後で異常検知と繋がる伏線です。

AutoEncoder で「再構成できなさ」を測る

AutoEncoder は、入力を一度小さく圧縮して、また元に戻すネットワークです。 正常なパターンばかりで学習すると、正常な入力は上手に戻せるようになります。

const ae = tf.sequential();
ae.add(tf.layers.dense({ units: 8, activation: 'relu', inputShape: [WINDOW] }));
ae.add(tf.layers.dense({ units: 2, activation: 'relu' }));  // ボトルネック（圧縮）
ae.add(tf.layers.dense({ units: 8, activation: 'relu' }));
ae.add(tf.layers.dense({ units: WINDOW }));                 // 復元
ae.compile({ optimizer: 'adam', loss: 'meanSquaredError' });

肝は再構成誤差——「入力」と「復元されたもの」の差です。正常なら小さく、 いつもと違うパターン（異常）はうまく戻せず、誤差が大きくなる。戻せなさが、異常の大きさです。

どこからを異常とするかは閾値で決めます。誤差の分布から自動で決める方法と、 感度スライダーで手動調整する方法。閾値を動かすと、検出される点が増減します。

予測の「外れ」と異常は一致するか

ここで2つの誤差を並べます。LSTMの予測誤差（外れ具合）と、 AEの再構成誤差（戻せなさ）。 どちらも「いつもと違う」を、別の角度から測った量です。

これを同一グラフに重ねると——予測が大きく外れた点と、AEが異常とした点が、同じ場所に立ちます。 なぜか。市場の急変（ショック）は、過去から予測できないし、同時に正常パターンから外れる。 同じ現象を、予測モデルは「外れ」として、異常検知モデルは「再構成できなさ」として捉えているからです。

もちろん常に一致するわけではありません。緩やかな変化は AE が拾い、瞬間的なスパイクは LSTM が強く反応する、 といった片方だけが立つ点もあります。そこにも意味があります。

2つのAIは、同じ異常を指すか

為替風のデータに、いくつか異常（急なスパイク・段差）を仕込んであります。 感度（閾値）スライダーを動かして、LSTMの予測誤差と AEの再構成誤差が、同じ点で立つのを確かめてください。

感度を上げすぎると、正常な揺らぎまで拾って誤検出が増える。下げすぎると、本物の異常を見逃す。 その中間で、仕込んだ異常だけを両者が同時に指さす——一致率が跳ね上がる帯があります。

なぜ CPU バックエンド固定か

TensorFlow.js は同じコードで CPU / WebGL / WebGPU を切り替えられます。 「GPUの方が速い」——ところがこのツールは、あえて CPU 固定です。直感に反しますが、理由があります。

await tf.setBackend('cpu');   // WebGL/WebGPU を使わない

小さいモデルは、CPUが速い

gwaw.jp の TensorFlow.js バックエンド速度比較で実測したとおり、 小さいモデルでは CPU が WebGL/WebGPU より速い。GPUはデータのアップロードやカーネル起動に 固定コストがかかり、小さな演算ではそれを取り返せないからです。GPUが逆転するのは行列が十分大きくなってから。

LSTM は、特に CPU 向き

時系列モデルはさらに CPU 有利です。LSTM は各ステップが前のステップに依存する逐次計算で、 GPUの並列性が活きにくい。gwaw.jp の 「LSTMはCPU、モンテカルロはGPU」 という結論とも一致します。

点と点が、繋がった

3本かけて、教科書デモと実用ツールを隔てる3つの壁を越えました。 壁①データ（yf-proxy.php と3段フォールバック）、壁②時系列（LSTMで過去の窓を束ねる）、 壁③不確実性（AutoEncoderで再構成できなさを測る）。

そして最後に見たのは、予測と異常検知が裏表だったという事実。 「うまく予測できない」がそのまま「異常」になる。別々のAIが、同じ点を指さしていました。

MNIST（教科書）から、実データを扱う金融ツールへ。この道のりの到達点が、 為替 LSTM 予測 ＆ アノマリー検出デモです。