ナレッジライブラリ

この文書では、NASDAQの取引データを日中足に集約して、取引ベースのマイクロストラクチャー特徴量を構築する方法を説明します。Kyleのラムダ、Amihud流動性指標、Rollのスプレッド推定量、取引強度、注文フロー不均衡（OFI）を取り上げます。集約前に、OFIを個々の取引が買い手主導か売り手主導かに分類する必要があると強調しています。バーの終値だけに符号を付けると、この指標はバー収益の方向に縮約されてしまいます。また、取引活動を表すフロー特徴量と、スプレッドや板の厚みなど板の状態を表す特徴量も区別しています。…

この文書では、S&P 500オプションの検証予測について、線形モデル、勾配ブースティング、表形式の深層学習モデル、系列モデルを比較する方法を説明します。診断結果を報告する前に、登録された各予測母集団が適格性要件に照らして完全であること、また全母集団が同じ交差検証IDを共有することを確認します。系列モデルにはルックバック履歴が必要なため、対象となる行が異なります。比較が意味を持つのは適格性が一致するグループ内であり、モデル群をまたぐ比較が自動的に妥当となるわけではありません。…

この文書では、スプレッド、短期ボラティリティ、過去リターンを考慮したうえで、買い手主導の出来高比率が将来リターンに影響するかを二重機械学習（DML）で推定する方法を説明します。クロスフィッティングを使い、統制変数に対して処置変数と結果変数をそれぞれ残差化し、その残差間の関係から効果を推定します。例では1分足のNASDAQ-100観測と15分先の結果期間を使い、Lee-Readyルールで注文フローを分類します。…

このノートブックでは、学習やバックテストの再実行をせずに、登録済みのNASDAQ-100マイクロストラクチャー・バックテストから戦略を評価します。登録簿から指標と系譜を読み込み、必要に応じて派生コホート表とペア比較表を作成し、共通日付を使って戦略を等ウェイト・ベンチマークと比較します。中心となる方法は、単独の要約統計量を差し引くのではなく、日々のリターン差を分析することです。これにより、対応する観測値に含まれる情報を保ちます。連続する日次リターンの依存性を考慮するため、ブロック・ブートストラップ区間を使います。…

このノートブックでは、フィーチャーストアで学習データとライブのモデル入力を整合させる方法を説明します。エンティティキー、イベント時刻、有効期間、特徴量列を使ったフィーチャービューを紹介し、過去の学習向けの時点整合結合と、推論時の最新既知値の検索を比較します。例では、日次のUS株式の財務特徴量とモデル由来の特徴量をParquetファイルに保存し、学習データがホールドアウト境界を越えないよう確認します。…

このノートブックでは、月次のETFモメンタムとイールドカーブのレジーム戦略を、ベクトル化したリターン計算と逐次的な口座シミュレーションの2つの方法で適用します。どちらも目標ウェイト、資産、日付、取引コスト合計が同じため、目標が有効になる時点、約定価格、整数株の制約、現金管理などの執行上の選択に比較を絞れます。シグナルはルックバックリターンを実現ボラティリティに対して評価してETFを順位付けし、リスクオン局面では選択したファンドを保有し、それ以外では債券ETFを使います。…

このノートブックでは、1分足のNASDAQ-100マイクロストラクチャー特徴量から複数の期間先のリターンを予測するため、長短期記憶ネットワークを学習させます。モデルは過去の系列を順に処理し、どの過去の観測を保持するかを学習します。学習ではウォークフォワード分割を使い、特徴量の標準化は学習データだけで行い、銘柄と分割が変わるたびに状態をリセットし、指定したチェックポイントで検証予測を保存します。学習ターゲット間の重複を減らすため、系列ウィンドウの間隔は各ラベルの期間に合わせます。…

このノートブックでは、統合データマネージャー、事前定義またはカスタムの銘柄ユニバース、パーティション分割したParquetストレージを使って金融時系列を取得・管理する手順を示します。単一銘柄と複数銘柄の並列取得、ストレージへのデータ読み込み、指定期間の読み出し、増分更新、分析やバックテスト前の欠損検出を扱います。株式、債券、金を含むリベース済みETF系列を用い、バッチ読み込みで複数資産を一つのデータセットから比較できることを示します。…

この文書では、資産ごとの時系列とコンテキストを、上下限のあるポートフォリオのリスクウェイトに変換するニューラル方策ネットワークの構造を説明します。資産ごとのバックボーンには、コンテキスト埋め込み、特徴量ごとの変調、変数選択、LSTM、因果的な時間方向のアテンションを組み合わせます。次に、遅延を考慮したクロスセクショナル・アテンションで資産間の関係を処理し、必要に応じてマクロ経済の隣接グラフに制約されたアテンションを適用できます。…

このノートブックでは、USの企業特性研究におけるホールドアウト予測段階を説明します。検証結果で選んだモデル設定を使い、学習仕様とチェックポイントを再構成したうえで、ホールドアウト期間より前に終了するデータを使って再学習します。新たな学習IDによって再学習を監査可能にします。期間とラベルのバッファは研究設定から導き、学習結果が評価期間と重なるリスクを減らします。…

このノートブックでは、ベータ、固有ボラティリティ、時価総額、分散を調整した後、12か月前から-2か月前までのモメンタムが翌月のUS企業リターンを予測するかを、拡張ウィンドウ方式の二重機械学習で分析します。補助モデルはそれ以前の月のデータで学習し、学習期間とテスト期間の間にエンバーゴを設け、最後の2016ホールドアウト期間を除外します。調整後の推定値は同じアウト・オブ・フォールド観測値での単純なOLSと比較し、時間と企業間の依存関係はDriscoll-Kraay推論で考慮します。…

このノートブックでは、SECの8-K報告書から構造化された企業イベントを抽出し、Neo4jナレッジグラフに読み込むパイプラインを示します。言語モデルが報告書をバッチ処理し、主体、関係、対象、タイムスタンプを含むイベント記録を作成します。明示的なイベントと関係のスキーマを使い、モデルの出力を検証し、エンティティの表記を正規化します。根拠のない関係、日付、カテゴリは未確定のままにして、確認に回します。…

このノートブックでは、企業特性データセットに対するXGBoost、LightGBM、CatBoostのOptunaハイパーパラメータ探索を比較します。各ライブラリで個別の探索を行い、木構造Parzen推定器、中央値プルーニング、早期終了、永続的な探索状態の保存を利用します。平均二乗誤差と平均絶対誤差のどちらを使うかもカテゴリ型ハイパーパラメータに含め、検証性能は平均クロスセクショナル情報係数で測定します。…

このノートブックでは、観測された交絡因子を調整した後も、インプライド・ボラティリティと実現ボラティリティの差が、その後の株式リターンと関連するかを二重機械学習で調べます。関連する調整変数として、実現ボラティリティ、株式モメンタム、リスクリバーサルのスキューを特定し、同じクロスフィット済み観測値を使った単純な通常最小二乗法の推定値と調整後の推定値を比較します。分析では、ブロック置換による反証検定と、パネル構造を考慮した不確実性推定も用います。…

このデモでは、二重移動平均のクロスオーバー実装がバックテストとライブエンジンで一致するシグナルを出すか確認します。両エンジンには同じように準備したETFバーを与え、同じ戦略パラメータと約定ルールを使用するため、比較ではエンジンの挙動の違いに焦点を当てます。短期移動平均が長期移動平均を上回り、ロングポジションがないときに買い、資産を保有している場合は逆のクロスの後に売る戦略です。…

この分析では、ITCHの追加、削除、一部取消、置換、約定メッセージから、個々のNASDAQ指値注文を再構成します。正確な時刻と対数スケールの存続時間分布を用いて、注文が取消または約定されたか、それらのイベントまでにどれだけ時間がかかったかを測定します。取引終了時点で板に残る注文と、すでに約定または変更された注文を区別し、単一銘柄のライフサイクル分析とより広範なメッセージ数の分析も分けます。…

このノートブックでは、個別のUS株に関する公開済み企業特性に、リッジ、ラッソ、弾性ネットの各モデルを当てはめます。特徴量にはバリュー、収益性、投資、規模、モメンタム、反転、リスク、流動性が含まれます。ウォークフォワードの分割で設定を比較可能にし、正則化が当てはめた予測をどう変えるか、ペナルティを変えて調べます。生の月次リターン、ウィンザー化した月次リターン、分類目的変数を使い、目的変数の選択が結果に与える影響も検討します。…

この事例では、ETFリターンのラベルに勾配ブースティング木を当てはめ、強いリッジ正則化で良好な結果だった線形ベースラインと比較します。市場ストレス局面によってモメンタムの働き方が変わるといった相互作用を木が発見できる理由を説明します。一方、貪欲な分割では、リッジなら組み合わせられる相関の高い特徴量の中から恣意的に選ぶ場合があります。グリッドでは木の複雑さと損失関数を変え、学習中の複数チェックポイントで各設定を評価します。…

この探索的分析では、過去のUS株式パネルの概要を把握し、生価格と調整後価格の項目を説明して、銘柄カバレッジの推移を調べます。年ごとの銘柄数と初回・最終観測を比較し、過去データを検証に使えるか判断するには、参入と退出の両方の推移が必要な理由を示します。このパネルは現在更新されていないコミュニティ管理の情報源であり、そのカバレッジを解釈するうえで重要です。…

このノートブックでは、GJR-GARCHモデルを使って、S&P 500株式とオプションの分析向けに条件付きボラティリティ特徴量を作成します。過去価格に基づく固定ルールと異なり、推定済み特徴量は推定期間に依存します。そのため、再適合のスケジュールを明示し、過去の観測値だけからパラメーターを推定して、生成元の情報集合が保たれるよう時刻と分割の識別情報を付けて値を出力します。後のデータが過去の特徴量に影響しないよう、再帰計算の初期値と上下限も推定期間内のデータに固定します。…

この分析ノートブックでは、新たなバックテストではなく、レジストリの結果を使って企業特性に基づくUS株式戦略を評価する方法を説明します。不確実性を考慮した運用成績統計を読み込み、共通の対象範囲で設定を順位付けし、ペア比較で選定戦略と均等加重ベンチマークを評価します。ホールドアウトの選定は、選んだ検証実行の完全な仕様に基づいて決まり、ホールドアウト結果を見た選定を避けます。…

この文書では、金融データのクリーニング方法を紹介し、学習データとテストデータの分割に沿って前処理を行う方法を説明します。中心となる教訓は、スケーリングやウィンザー化などの変換を学習データだけから推定することです。データ全体を使うと、将来の観測値の情報がモデル開発に漏れる可能性があります。重複処理、ドメインフィルター、欠損区間のフラグ付け、反転スパイク検出、外れ値のクリッピング、カテゴリ変数のエンコード、異なる頻度のデータセットの整列に使える処理も説明します。…

この文書では、予定されたポートフォリオのリバランス前にポジションを決済する3つのルールを説明します。固定幅の損切り、ポジションの最高値から測るトレーリングストップ、設定した保有期間後に決済する時間決済です。こうした追加ルールはポジションを減らすだけなので、リスクを加えるのではなく、損失を抑えたり利益を制限したりしてリターン分布を変えます。時間決済は、保有期間が重要かを評価するための価格に依存しない対照手段となります。…

この文書では、ベンチマーク、リスク要因の分析、ファクター調査の入力データとして、公開されているFama-FrenchとAQRのファクターリターンデータセットを紹介します。Fama-Frenchライブラリの市場、規模、バリュー、収益性、投資、モメンタムのファクターに加え、AQRの系列が扱うクオリティ、低ベータ、代替的なバリュー概念も説明します。データは月次で利用でき、ローダーを使った日次Fama-Frenchデータの読み込みと期間指定にも対応しています。…