あたらしい状態を作成する（複数のテクニカル指標を組み合わせたものなど）。 報酬の与え方を見直す。 通常、行動を行って次の状態に移行した段階で学習は行われるのを、5日後に変更する 自分の資産増加を基準にした報酬を使えるレベルにする

大学の研究室で実験を繰り返し自動実行しているので、終わったところまでの結果を回収する 新しい状態クラスを作る（今は移動平均乖離率とRSIのみ） 複数のテクニカル指標を組み合わせた状態を作成する １は保留で２は先ほど完了、なので３を今から作成する…