┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│   OHLCV     │     │    Ticks    │     │  Orderbook  │
│ (マクロ視点) │ ←→ │ (執行データ) │ ←→ │ (需給状態)  │
└─────────────┘     └─────────────┘     └─────────────┘
       ↓                    ↓                    ↓
   長期トレンド        実際の取引         短期需給

[データ層]
    OHLCV → 特徴量抽出 → OHLCVモデル → 予測1
    Ticks → 特徴量抽出 → Ticksモデル → 予測2    → メタモデル → 最終予測
    Orderbook → 特徴量抽出 → Orderbookモデル → 予測3

特徴量:
- 価格系列（正規化済み）
- テクニカル指標（RSI、MACD、ボリンジャーバンド等）
- 移動平均（SMA、EMA）
- ボラティリティ指標
- 出来高プロファイル

予測対象:
- 次の1分〜1時間の価格
- トレンド方向（上昇/下降/横ばい）

特徴量:
- トレードサイズ分布
- 買い/売り比率
- 取引頻度（時間窓内）
- 価格インパクト
- 大口取引の検出
- マイクロプライスモメンタム

予測対象:
- 次の1〜5分の価格変動
- ボラティリティクラスタリング

特徴量:
- オーダーブック不均衡（Order Book Imbalance）
- 深度加重価格（Depth Weighted Price）
- スプレッド時系列
- 板の形状特徴（CNN）
- 流動性指標
- 価格レベル別の注文量変化

予測対象:
- 短期価格方向（1〜30秒）
- 実行可能価格

入力:
- 各モデルの予測値
- 各モデルの信頼度
- 市場状態指標（ボラティリティ、流動性等）
- 時間帯特徴

出力:
- 統合予測価格
- 予測信頼区間
- 推奨アクション（買い/売り/待機）

# Ticksデータの集計例
def aggregate_ticks(ticks, window='1min'):
    features = {
        'trade_count': len(ticks),
        'volume': sum(t.size for t in ticks),
        'buy_ratio': sum(1 for t in ticks if t.side == 'buy') / len(ticks),
        'vwap': weighted_average(ticks),
        'large_trade_count': sum(1 for t in ticks if t.size > threshold)
    }
    return features

# Orderbookデータのスナップショット
def orderbook_features(orderbook, timestamps):
    features = {
        'bid_ask_spread': [],
        'depth_imbalance': [],
        'mid_price': [],
        'total_liquidity': []
    }
    # 指定タイムスタンプでのスナップショット取得
    return features

scales = ['1min', '5min', '15min', '1hour']
multi_scale_features = {}

for scale in scales:
    multi_scale_features[f'ma_{scale}'] = moving_average(prices, scale)
    multi_scale_features[f'vol_{scale}'] = volatility(prices, scale)
    multi_scale_features[f'rsi_{scale}'] = rsi(prices, scale)

class BacktestFramework:
    def __init__(self):
        self.models = {
            'ohlcv': OHLCVModel(),
            'ticks': TicksModel(),
            'orderbook': OrderbookModel(),
            'meta': MetaModel()
        }

    def evaluate(self, start_date, end_date):
        # ウォークフォワード分析
        # 取引コスト考慮
        # スリッページモデリング
        pass

class FeatureExtractor:
    def __init__(self):
        self.ohlcv_features = OHLCVFeatures()
        self.tick_features = TickFeatures()
        self.orderbook_features = OrderbookFeatures()

    def extract_all_features(self, timestamp):
        # 各データソースから特徴量を抽出
        features = {}
        features.update(self.ohlcv_features.extract(timestamp))
        features.update(self.tick_features.extract(timestamp))
        features.update(self.orderbook_features.extract(timestamp))
        return features

class PredictionPipeline:
    def predict(self, timestamp):
        # 1. 特徴量抽出
        features = self.feature_extractor.extract_all_features(timestamp)

        # 2. 個別モデル予測
        predictions = {
            'ohlcv': self.ohlcv_model.predict(features['ohlcv']),
            'ticks': self.ticks_model.predict(features['ticks']),
            'orderbook': self.orderbook_model.predict(features['orderbook'])
        }

        # 3. メタモデル統合
        final_prediction = self.meta_model.predict(predictions)

        return final_prediction