子供が産まれてから「ドル円のポジション持ったまま夜中に起きたら動いてて大慌て」という経験を3回くらいしてる。。。深夜2時に授乳しながらスマホで為替チェックするのはもうやめたい。そこで「そもそもどの時間帯が危険で、どの時間帯が比較的安全なのか」をPythonで調べてみました。結果、かなり明確な傾向が見えてびっくりしてる。
FX時間帯分析をやろうと思ったきっかけ
トレードの教科書には「ロンドン市場とニューヨーク市場が重なる21〜24時（日本時間）は値動きが大きい」と書いてあります。知識として知ってはいたんですが、実際のドル円データでどれくらい違うのか数字で確認したことがなかった。「なんとなく知ってる」と「データで確認した」では全然違うと思って、やってみることにしました。
分析の方針
今回の分析では以下を調べます：
・時間帯ごとの平均値幅（高値−安値）→ ボラティリティの目安
・時間帯ごとの平均絶対変化率（1時間あたりの価格変動%）
・方向性（上昇 vs 下落）の傾向はあるか
使うデータはOANDAのV20 APIから取得した直近1年分の1時間足（USDJPY）です。OANDAのデモ口座があれば無料で使えます。
データ取得コード
import requests
import pandas as pd
import json
from datetime import datetime, timedelta, timezone
# OANDA APIの設定（デモ口座）
OANDA_API_URL = "https://api-fxpractice.oanda.com"
ACCESS_TOKEN = "YOUR_OANDA_ACCESS_TOKEN" # 自分のトークンに変えてね
ACCOUNT_ID = "YOUR_ACCOUNT_ID"
HEADERS = {
"Authorization": f"Bearer {ACCESS_TOKEN}",
"Content-Type": "application/json"
}
def fetch_candles(instrument: str = "USD_JPY",
granularity: str = "H1",
count: int = 5000) -> pd.DataFrame:
"""OANDA APIから1時間足を取得"""
url = f"{OANDA_API_URL}/v3/instruments/{instrument}/candles"
params = {
"granularity": granularity,
"count": count,
"price": "M" # Mid price
}
resp = requests.get(url, headers=HEADERS, params=params)
resp.raise_for_status()
data = resp.json()
rows = []
for c in data["candles"]:
t = pd.to_datetime(c["time"])
rows.append({
"time": t,
"open": float(c["mid"]["o"]),
"high": float(c["mid"]["h"]),
"low": float(c["mid"]["l"]),
"close": float(c["mid"]["c"]),
})
df = pd.DataFrame(rows)
df["time"] = pd.to_datetime(df["time"]).dt.tz_convert("Asia/Tokyo")
df["hour"] = df["time"].dt.hour
return df
時間帯別ボラティリティ分析コード
def analyze_hourly_volatility(df: pd.DataFrame) -> pd.DataFrame:
"""時間帯ごとのボラティリティを集計"""
df["range_pips"] = (df["high"] - df["low"]) * 100 # ドル円なのでpips換算×100
df["change_pct"] = abs(df["close"] - df["open"]) / df["open"] * 100
df["direction"] = df.apply(
lambda r: "上昇" if r["close"] >= r["open"] else "下落", axis=1
)
agg = df.groupby("hour").agg(
avg_range_pips=("range_pips", "mean"),
avg_change_pct=("change_pct", "mean"),
up_ratio=("direction", lambda x: (x == "上昇").mean() * 100),
count=("range_pips", "count"),
).round(3)
agg.index.name = "hour_jst"
return agg
def label_session(hour: int) -> str:
"""時間帯セッションラベル"""
if 9 <= hour < 15:
return "東京"
elif 15 <= hour < 17:
return "合間"
elif 17 <= hour < 21:
return "ロンドン"
elif 21 <= hour < 24:
return "NY重複"
elif 0 <= hour < 3:
return "NY後半"
else:
return "閑散"
if __name__ == "__main__":
df = fetch_candles()
stats = analyze_hourly_volatility(df)
stats["session"] = [label_session(h) for h in stats.index]
print("=== ドル円 時間帯別ボラティリティ（日本時間） ===\n")
print(stats[["session", "avg_range_pips", "avg_change_pct", "up_ratio", "count"]].to_string())
# ボラが小さい上位5時間帯（子育て中に安心してトレードできる時間）
print("\n--- ボラ低め（比較的安全）な時間帯 TOP5 ---")
print(stats.nsmallest(5, "avg_range_pips")[["session", "avg_range_pips"]].to_string())
# ボラが大きい上位5時間帯（要注意）
print("\n--- ボラ高め（要注意）な時間帯 TOP5 ---")
print(stats.nlargest(5, "avg_range_pips")[["session", "avg_range_pips"]].to_string())
実際の分析結果（要約）
直近1年分のデータで分析すると、だいたいこんな傾向が出ます：
ボラが大きい（要注意）時間帯：
・21〜24時（ロンドン＋NY重複）→ 平均値幅15〜20pips超
・14〜16時（ロンドンオープン前後）→ 急変動しやすい
・米指標発表時（CPI・雇用統計）は例外的に極大化
ボラが小さい（比較的安全）時間帯：
・4〜8時（NY閉場後〜東京オープン前）→ 平均値幅5pips以下
・土日は市場が動かないのでノーポジ推奨
つまり「夜中の2時に授乳してポジションが心配」という状況は、統計的にも一番危ない時間帯が落ち着きはじめるころ。深夜3時以降は実は比較的静かなことが多いです。少し気が楽になりました（笑）。
この分析をトレードに活かす方法
単純に「ボラが小さい時間帯にエントリーして、ボラが大きくなる前に決済する」という戦略が考えられます。例えば：
・朝9〜11時（東京市場序盤）にエントリー
・ストップは小さめ（ボラが低いので10pips以内でもOKなことが多い）
・21時前には必ずポジション整理（ロンドン＋NY重複前に手仕舞い）
もちろん絶対ではないですが、時間帯を意識するだけでかなりリスクをコントロールしやすくなります。
まとめ
・ドル円のボラは時間帯によって2〜4倍の差がある
・ロンドン＋NY重複（21〜24時JST）が最も動きやすい → 初心者は特に注意
・朝4〜8時・東京時間序盤がボラ低め → ポジション持つなら比較的安心な時間帯
個人的には「いつトレードするか」を決めるだけで、夜中のハラハラが減った気がしています。次は時間帯フィルターをバックテストの条件に組み込んで、実際に勝率が上がるか検証してみようと思います。
