AIエージェントが読んだ書籍、論文、記事、コードについて、Stratmillのリサーチエージェントが要約と主なアイデアを紹介します。各ページから原文を確認できます。
336件の資料
このノートブックでは、日次ETFリターンを使い、GARCHモデルがボラティリティ・クラスタリングを捉えて、取引日ごとの特徴量に変換する方法を説明します。まず、視覚的な診断とARCH-LM検定により、二乗リターンが自身の過去の値に依存するかを評価します。続いて、GARCH(1,1)モデルで直近ショックの影響と過去の分散推定値の持続性を分け、パラメーターの合計からショックの減衰速度を判断します。モデル適合のためにリターンはパーセント表示し、ボラティリティは1取引日あたりの標準偏差として解釈して、必要に応じて年率換算し…
このノートブックでは、単一銘柄のNASDAQ指値注文板を、注文ごとのメッセージデータから再構築する方法を説明します。注文の追加、約定、取消、削除、置換を処理し、各有効注文の残数量を管理します。置換では古い注文参照を失効させて新しい参照を作るため、特別な処理が必要です。後続のメッセージがその新しい参照を使う場合があります。生成したスナップショットには最良買気配と最良売気配、それぞれの表示数量に加え、1秒ごとの注文フロー不均衡を記録します。…
このソースモジュールは、米国株価格、指数データ、オプション、市場のミクロ構造、ファンダメンタルズ、機関投資家の保有データを読み込む機能を提供します。特に方法論上重要なのは、日中取引データのリサンプリングです。始値、高値、安値、終値、出来高には、それぞれ適切な先頭値、極値、末尾値、合計を適用し、VWAPは出来高加重平均として再計算する必要があります。時間枠内で出来高が変わる場合、特に寄り付きや引けの前後では単純平均は誤りです。対象となる取引がない時間枠のVWAPは、価格を作り出さずnullにします。…
このノートブックでは、Yahoo Finance、長期の米国株アーカイブ、FREDのマクロ経済時系列に共通するOHLCVインターフェースを示します。後続のローテーション分析用にETF銘柄群を構築し、過去と現在のデータソースを組み合わせる方法と、優先順位に基づくフォールバック方式を説明します。また、提供元ごとの行数と価格水準を比較し、食い違いを見つけて追跡できるようにします。…
このケーススタディでは、S&P…
このノートブックでは、ETF銘柄群の将来リターン予測について、通常の最小二乗法とリッジ回帰、LASSO、Elastic Netを比較します。すべてのモデルで、ラベル期間に合わせたパージ期間を設けた同一のウォークフォワード分割を使うため、結果の違いを分割方法の不整合ではなく正則化手法に帰属できます。各分割では、学習データだけを使って特徴量のウィンズライジングを行ってから標準化します。性能は誤差や適合度の指標に加え、クロスセクションの順位相関で評価します。…
この章では、株式、マクロ経済系列、先物、暗号資産、予測市場を対象に、時間整合性のあるファンダメンタルズと代替データの調査を構築する方法を説明します。中心となる手法は、二時点管理と基準日時点のクエリ、情報源を考慮した公表タイミング、時点ごとに有効なエンティティ対応付け、監査可能な提出書類テキストの抽出です。ノートブックの手順では、こうした考え方をSEC提出書類とXBRL、マクロ指標の公表、CFTCポジション、オンチェーン指標、機関投資家の保有状況、市場予測フィードに適用します。…
このノートブックでは、流動性の高いUS株の一部に主成分分析を適用して、グロスエクスポージャーで正規化した固有ポートフォリオを構築し、潜在リスクファクターとしての役割を調べます。説明分散を確認し、セクターETFとの相関から成分を解釈します。標準PCAと階層PCAを比較し、残差、ポートフォリオのリスク寄与、ローリング期間ごとのファクター安定性を分析します。PCAファクターが示すのは共分散構造であり、価格に織り込まれたリターン機会ではないことを強調します。恣意的な符号反転と実際の部分空間ドリフトを区別し、速い残差ボラテ…
このノートブックでは、価格由来の重複特徴量からETFリターンを予測する線形モデルを比較します。複数のリターン期間や指標群が似た情報を表す場合、通常の最小二乗法では、近似した特徴量に不安定で相反する係数が付くことがあります。ウォークフォワードのフォールドでリッジ、ラッソ、エラスティックネットの適合を行い、ペナルティの強さを変えて実験します。リッジは特徴量を残しながら係数を縮小します。ラッソは係数をゼロにでき、エラスティックネットは両方の効果を組み合わせます。フォールドごとにラッソのペナルティを尺度調整し、定めた比率…
この設定では、企業特性で順位付けする月次ロング・ショートUS株式ポートフォリオを記述します。46特性を持つ完全データ銘柄群、月末の判断、翌日始値での執行、ロングとショート各側の等ウェイト、借株を含む大きな取引コストを指定します。特徴量一覧では、バリュー、クオリティ、投資、モメンタムなどのシグナルを分類し、想定する更新遅延と失敗要因を記録します。さらに、月次リターンラベルとウォークフォワード評価を定義し、2016をホールドアウト期間として確保します。…
このガイドでは、因果に関する問いとPythonライブラリーを対応付け、仮定した因果構造のもとで効果を推定することと、データから構造の候補を発見することの違いを明確にします。調整済み処置効果を求める二重機械学習、DoWhyによるグラフベースの識別と反証、PCMCI、PC、FCI、GES、LiNGAM、NOTEARSなどの時系列・横断面の発見手法を紹介します。また、処置の種類と推定対象がツール選びに与える影響も説明します。連続処置を群に変換すると、推定する問い自体が変わります。…
このフレームワークでは、日次US株式OHLCVデータの品質チェックを実演します。価格間の関係、価格が正であること、出来高が負でないこと、欠損値、重複日付、時系列順、価格の停滞、極端なリターンを構造的に検証します。既知の不具合を注入し、想定したチェックが検出することを確認して、検証機能が動作するか調べます。次に、中央絶対偏差、Zスコア、四分位範囲によるリターン外れ値の検出を比較し、同じ倍率を使っても手法ごとにしきい値が異なる理由を説明します。…
このノートブックでは、ETFの横断面を価格評価するための確率的割引ファクターモデルを紹介します。ファンドのエクスポージャーとファクターリターンを個別に推定する代わりに、ファンドリターンとの共変動で平均リターンを説明する共通の割引ファクター系列を、ネットワークで学習します。学習目的は価格評価誤差の最小化であり、予測リターンと情報係数はその後の診断指標として報告されます。最適化する量と報告する予測スコアの違いは、モデルの解釈において重要です。…
このノートブックでは、金融データやモデル由来の特徴量が、その後のリターンでETFを順位付けできるかをスクリーニングします。各特徴量の横断面順位と先行リターンの順位を比較し、日付ごとの情報係数を計算して、その時系列を調べます。リターンラベルの重複を考慮して不確実性を調整し、同時に行う特徴量検定全体の偽発見を抑えます。さらに、ウォークフォワード検証期間を通じて関連性の符号が維持されるかを確認し、証拠が重複する高相関の特徴量を特定します。評価は検証日だけに限定し、ホールドアウト期間はスクリーニングから除外します。…
このノートブックでは、SHAP特徴量の寄与度が、モデルの削減、リスク判断、報告に使えるほど安定しているかを検討します。ETF予測タスクを用い、予測値は近い一方でSHAPのプロファイルが異なるテストサンプルを探します。次に、異なる乱数シードで学習したLightGBMモデルとRandom…
このデータツールは、株式リターン、企業特性、マクロ経済系列、分割前の特性テンソルを含むChen、Pelger、Zhuの資産価格データセットを扱う作業を支援します。変換機能は、公開された学習、検証、テスト用テンソルからParquetファイルを作成します。データアーカイブには各ブロック内で継続する匿名企業の位置情報がありますが、ブロック間の対応情報はありません。そのため変換ツールは、各ブロックに重複しない識別子の範囲を割り当てます。これによりブロック内の企業識別を維持しつつ、同じ識別子がブロック間で同一の既知企業を指…
この実装では、深層学習研究のパネルデータに使う系列ウィンドウをまとめて構築する方法を説明します。各資産の観測値を連続した行に詰めるのではなく、パネルが想定するカレンダーに沿ってウィンドウを作ります。欠損セッションは未観測セルのまま保持し、観測状況とデータの古さを示す指標を付けます。これにより、設定上の過去参照期間が意図せず実際より長い期間をまたぐことを防ぎます。適格性の規則では、観測済みデータの最低割合を定め、連続する欠損の数を制限します。…
このノートブックでは、重複データの処理、欠損区間のフラグ付け、ドメインフィルター、反転に基づく急変検出、外れ値のクリッピング、カテゴリ変数のエンコーディング、頻度の異なるデータセット間の整列など、市場データや企業データを扱う実践的なクリーニング方法を紹介します。中心となる教訓は、スケーリングやクリッピングの境界など、データから学習する前処理パラメーターは学習用分割で適合し、その後に検証データまたはテストデータへ適用する必要があるということです。サンプル全体を使って適合すると、モデル開発に未来の情報が漏れる可能性が…
このノートブックでは、予測値が似ている場合や、異なる乱数シードやアーキテクチャでモデルを再適合した場合に、SHAPの寄与度が安定するかを調べます。ETFの将来リターンを使い、予測値は近くてもSHAPのプロファイルが異なるサンプルの組を探し、複数のLightGBM適合結果とRandom Forestの特徴量重要度を比較します。予測性能の評価にはクロスセクション情報係数を使い、寄与度プロファイルの比較には平均絶対SHAP値を使います。…
この資料では、検証データで選んだ戦略を、別個の2021ホールドアウトの予測値を使って評価する方法を説明します。選択した配分、集中度、リスク管理、取引スケジュール、コストは固定し、戦略に入力する予測値だけを変更します。ホールドアウトの予測セットは、学習仕様を通じて選択したモデル構成に結び付けられており、意図した手順に沿った評価に役立ちます。…
このノートブックは、暦年にわたるUS株式の2つの線形モデル構成から得た実際の検証データ上の予測誤差に、2種類の逐次検出器を適用しています。2期間の平均シフト検出器は誤差の大きさの変化を探し、悪化日頻度モニターは方向予測が外れる頻度を追跡します。各検出器は初期期間のデータで較正し、その後のセッションを監視するため、評価対象期間に合わせたしきい値の調整を避けています。アラートを移動ボラティリティに基づく市場混乱の代理指標と比較し、混乱局面に対するアラートの符号付き時間差も保持して、早期警告と遅れた検知を区別しています…
このノートブックでは、株式特徴量とインプライド・ボラティリティ、スキュー、期間構造などのオプション由来指標を組み合わせたS&P 500のクロスセクション研究について、予測モデル、構造モデル、因果モデルの証拠を比較します。週次の将来リターン順位に加え、別のラベル期間、潜在因子の結果、因果推定、十分位ごとの動き、シグナル間の相関を評価します。中心となる問いは、オプション特徴量が直接または潜在因子を通じて有用な情報を加えるか、そしてどの知見が後続の戦略シミュレーションに値するかです。…
このノートブックでは、取引、資金調達、ファンド経費を明示的に仮定し、グロスリターンをネット成績に換算します。コストにはスプレッドと市場インパクト、手数料と取引所費用、証拠金金利、株式借入料、運用報酬、管理費が含まれます。パラメーター化した計算では、実際の日次ETFリターン系列に、回転率の高いロングのみ、レバレッジをかけたロング・ショートのスプレッド、回転率の低いロングのみの各設定を適用します。そのうえで、グロスとネットのリターン、シャープレシオ、ドローダウンを比較します。…
このノートブックでは、実際に損失となった取引をモデルのSHAP説明に結び付ける、取引単位の診断ワークフローを示します。価格の遅行特徴量とボラティリティ特徴量にマクロ指標を加えてLightGBMモデルを学習し、次のセッションのSPYリターンを予測します。固定した予測閾値で1セッションのロング取引を決めます。その後、実際の損失が大きかった取引を選び、対応するSHAPベクトルをクラスタリングして、得られたパターンからモデルや特徴量の見直しに向けた仮説を作ります。…