ナレッジライブラリ

このノートブックでは、検証用予測をロングオンリーの株式ポートフォリオとして評価します。各ラベルの頻度で決まる判断スケジュールに従い、上位K銘柄を等ウェイトで選びます。乱数シードを固定したランダムシグナル実行で、終値から翌営業日の始値までのイベント順序を確認し、同じバックテスト手順でポートフォリオの集中度を変えて比較します。オプション由来の変数は予測入力として使い、取引対象は株式です。…

このノートブックでは、NVDAの注文板の動きが短期リターンを予測するかを調べます。市場別注文データの追加、取消、約定から、距離加重した板の圧力指標を作り、符号付きの活動を平滑化してミッド付近の流動性変化を表します。複数の将来期間にわたる注文フロー不均衡を評価し、ミッド価格、遅延調整後価格、執行可能価格など、複数のマークアウト定義についてリターン相関と十分位パターンを比較します。この比較は、遅延とビッド・アスク・スプレッドを考慮すると、統計的な関連性が実際に取引可能な成績と異なり得る理由を示します。…

このケーススタディでは、S&P 500の株式・オプション特徴量パネルで系列モデルを比較します。ルックバック期間を通じてゲート状態を保持するLSTMと、直近水準を除去して線形写像を当てはめるN-Linearベースラインを組み合わせています。このベースラインにより、同じ期間をより単純に写像する方法を超えて、再帰的な記憶が価値を加えるかを検証します。予測対象には株式の将来リターンとリスク調整後リターンのラベルが含まれます。…

このノートブックでは、TimeGANの5つの要素からなる構造を説明します。埋め込みネットワークと復元ネットワークが生データと潜在空間を相互に写像し、スーパーバイザーが時間的な遷移を学び、生成器と識別器が敵対的に学習します。段階的な学習を説明し、US銘柄群の日次対数リターンにモデルを適用します。リターンを選ぶ理由は、シグモイドで範囲を制限した出力とミニマックス・スケーリングにあります。価格水準が上昇傾向にあると学習範囲を超えることがあり、ホールドアウト評価が難しくなります。…

このノートブックでは、共通のETFモメンタム戦略インターフェースをAlpacaに接続する方法を実演します。既定では、オフラインのシミュレーション経路を利用できます。ブローカーや市場データのアダプターを変更しても、戦略、注文ログ、シャドーモードのラッパーは同じままにできることを説明します。ライブのペーパートレード接続前には、任意のSDK、認証情報、口座状態を個別に確認します。口座スナップショットには現金、純資産、保有ポジションが含まれます。シャドーモードでは、提案する注文を記録しますが、送信はしません。…

このノートブックでは、ローリングするETFリターン期間を、畳み込みニューラルネットワーク用の2チャネル画像に変換します。Gramian Angular Summation Fieldは各期間内の値を再スケーリングして角度に写像し、時間位置のペア間の三角関数上の関係を記録します。Markov Transition Fieldは値を期間ごとの分位点に分け、位置のペア間における区分間の遷移を表します。どちらも元の系列を直接提示するのではなく、位置間の関係を符号化します。…

このノートブックでは、選択済みのUS企業特性戦略について、想定する手数料とスリッページを変えた場合に検証期間の成績がどう変化するかを測定します。明示したコスト範囲で同じ設定を再実行し、総コストを手数料とスリッページに均等配分します。戦略を固定することで、シャープレシオ曲線から取引コストの想定に対する感応度を分離して確認できます。比較用に指定コスト水準を範囲内に示し、登録済みの結果は再計算せずに再利用できます。…

このノートブックでは、検証データで構成を選択した後、未使用のホールドアウト期間について予測を作成する方法を説明します。選択した構成を確定し、ホールドアウト用に学習仕様を再構築して、利用可能な時間軸と選択済みラベルの期間から学習期間を導きます。これによりバッファを設け、まだ判明していないリターンを含む学習結果が評価期間に及ばないようにします。新しい学習IDを確認し、再学習が行われたことを読者が検証できるよう予測データを記録します。…

この設定は、ある時点でのNASDAQ-100構成銘柄を対象に、注文フローのシグナルを調べるイントラデイ分析を記述します。各評価期間より前に利用可能な流動性情報を使ってコスト条件を満たす銘柄群を定義し、複数の予測期間に対する判断スケジュールを指定します。また、ポジション監視に使う1分足の価格データと、それらのスケジュールを区別します。特徴量群には、気配流動性、マイクロプライス、ボラティリティ、注文フロー、価格インパクト、その他のマイクロストラクチャー指標が含まれ、セッション内のルックバック期間と明示的なタイミング規…

この特徴量エンジニアリング用ノートブックでは、ファンダメンタルズ、マクロ経済データ、カレンダー情報を使い、低頻度の情報で高頻度の売買シグナルに文脈を与える方法を説明します。簿価時価比率や利益利回りなどのバリュー比率、自己資本利益率や発生高などのクオリティ指標、マクロ指標とリスク局面、季節性やイベント時期を表す周期的なエンコーディングを取り上げます。四半期財務データの整合には、銘柄と発表日をキーとした後方as-of結合を使い、日次観測値には、その時点までに発表された最新情報だけが付与されます。マクロ系列にも公表ラグ…

このノートブックでは、検証フォールドでモデルと戦略を選択した後、選択済みのNASDAQ-100マイクロストラクチャー構成についてホールドアウト予測を作成する方法を説明します。選ばれた学習仕様を再構成し、ケーススタディで定めた期間からホールドアウト・フォールドを導き、より前のデータだけを使ってモデルを再学習します。学習IDを確認し、検証データで学習済みのモデルによる予測と、ホールドアウト用に本当に再学習した予測を区別します。特徴量や結果の情報が境界をまたがないよう、学習期間の終了からホールドアウト開始までに、最長の…

出来高参加率の上限によって、各市場区間で親注文のうち約定可能な数量を制限する方法を説明します。ブローカーは観測された取引高から執行可能な数量を算出し、未約定分を次の区間に繰り越します。参加率の上限を下げると市場への影響を抑えられますが、完了までの時間は延びます。上限を上げると執行は速まりますが、マーケットインパクトへのエクスポージャーが増えます。最低出来高のしきい値を設けると、特に流動性の低い時間帯の取引を防げます。…

この文書では、モメンタムおよびクロスアセット研究の候補プールを目的とした日次ETFデータセットについて説明しています。USや国際株式、債券、コモディティ、特殊ファンド、通貨を含む9つのカテゴリーを扱っています。データはYahoo Financeから取得し、付随するワークフローでレコードをダウンロード、保存、読み込み、フィルタリングし、プロファイルします。銘柄別およびカテゴリー別のカバレッジを確認し、履歴や取引高の違いを把握できます。…

実際のETFデータと価格から算出したモメンタムの例を用いて、単一ファクターを評価します。将来リターンに対するクロスセクションのSpearman情報係数を測定し、期間ごとに比較します。また、日次クロスセクションICの平均と、全観測値をまとめて計算する相関係数の違いを説明します。さらに、ICIR、統計的不確実性、分位点リターン、上位と下位のスプレッド、単調性、売買回転率、シグナルの減衰も扱います。対象範囲と鮮度の確認では、ファクターが存在し、想定どおり更新されるかを調べます。…

NASDAQ-100マイクロストラクチャー戦略の将来リターンに対して、候補となる金融特徴量とモデルベース特徴量をスクリーニングするケーススタディです。時間経過に伴うクロスセクションの順位情報係数を計算し、依存性と多重検定を考慮した推定を行い、分位点ごとのリターン形状や特徴量の重複を調べます。対象範囲と鮮度を確認し、疎すぎる、または変化が少なすぎて信頼できる解釈が難しい特徴量を特定します。証拠を添えて、継続、修正、中止の判断を記録するトリアージ台帳を用います。…

根拠のない主張やハルシネーションが大きな損失につながりかねない、自由度の高い金融研究で言語モデルをより有用にする方法として、検索拡張生成を紹介します。文書の取り込みや構造を考慮した分割から、メタデータ、ドメイン固有の埋め込み、語句検索と意味検索を組み合わせた検索、再ランキング、証拠に基づく生成まで、システムの各段階を解説します。追跡可能性と数値の信頼性を高めるため、引用の制約とツールで検証した計算も取り上げます。…

分足とNBBO気配値を用いて、NASDAQ-100銘柄の将来の日中リターンラベルを作成する方法を説明します。シグナル後の次の足から指定した将来時点までのリターンを定義し、ビッド・アスク・バウンスを抑えるために気配値の仲値を使い、スプレッドは別の摩擦コストの推定値として扱います。取引所のスケジュールに沿って各期間を区切り、ラベルが取引時間をまたいだり、早引け後の古い補完足を使ったりしないようにします。宣言した時間の期間を足数に変換するのは、観測された時間間隔を確認してからです。…

日次の市場データを最新に保つ運用ワークフローを紹介します。初期履歴を読み込み、期間が少し重複する差分を取得し、欠損日を確認して、鮮度と検証上の問題を監視します。重複期間を設けることで、データ提供元による直近の足の修正も取り込めます。OHLCVデータの更新期間は現在の日付ではなく、最後に完了した足までとします。提供元から部分的な取引セッションや価格が未確定のセッションが返される場合があるためです。このガイドでは、取引所カレンダーなしで欠損を補完すると、週末や祝日の人工的な足が作られる可能性も指摘します。…

このノートブックでは、S&P 500の株式・オプション研究で主要ラベルを予測するパッチ化トランスフォーマーを学習させます。各銘柄の過去の入力期間を連続したパッチに分け、各パッチをアテンションのトークンとして扱います。アテンションは期間内の離れた箇所を直接比較でき、パッチ化によって系列が短くなります。大きなパッチは計算負荷を減らしますが、パッチ内の細部を圧縮します。このモデルのルックバック期間と学習スケジュールは、研究内の他の深層学習アーキテクチャと共通です。…

このコードでは、金融特徴量から予測するための教師ありオートエンコーダ・アーキテクチャを紹介します。エンコーダーが正規化された入力をボトルネック表現に圧縮し、正則化タスクとしてデコーダーが入力を再構成します。補助予測ヘッドは再構成データに対して動作し、より大きなメインネットワークはスキップ接続を通じて元の正規化特徴量とエンコード表現を組み合わせます。このモデルは分類と回帰の両方に対応します。…

このノートブックでは、ファンド間の価格リターンに対して単一の重み系列を当てはめるETF確率的割引ファクターモデルを解説します。ファンドのエクスポージャーとファクターリターンを別々に推定するモデルとは異なり、価格誤差を基準に2つのネットワークを学習します。一方はクロスセクションから割引ファクターの重みを構成し、もう一方は各ファンドのエクスポージャーを推定します。目的はリターン予測ではなく、無裁定価格付けとして設定されていますが、ノートブックでは予測リターンのスコアも報告しています。…

あらかじめ選定したUS株式モデルの設定を使って、保留期間の予測を作る方法を説明しています。モデルと戦略の設定は検証結果に基づいて選んでいるため、同じ検証結果を選択の妥当性を独立に確かめる根拠にはできません。ノートブックはケーススタディの設定から保留期間の日付を読み込み、選定済みモデルを特定して、保留期間の開始前に利用できる履歴だけで再学習します。…

言語モデルで合成金融テーブルを生成する手法GReaTを紹介しています。各行をテキストに変換し、ETF特徴量を使ってGPTベースのモデルをファインチューニングしてから、生成テキストを数値列とカテゴリ列が混在する表に戻します。例の特徴量には、過去リターン、ボラティリティ、出来高比率、方向やレジームのラベル、将来リターンの目的変数が含まれます。時系列に沿って学習データとテストデータを分け、特徴量分布の再現性と、合成データで学習して実データでテストする分類による下流タスクでの有用性を評価します。…

将来の観測値が過去の値に影響しないように、US株式パネルのモデルベース特徴量を構築する方法を説明しています。中心となるのは推定スケジュールです。モデルに初期学習期間を設け、特徴量を生成するブロックより前のデータだけで学習し、そのブロック全体で特徴量を出力してから、次のブロックに進む前に再学習します。この手順を市場レジームとの距離、分数階差分を適用した価格、条件付きボラティリティに用います。個別銘柄のボラティリティモデルに加え、履歴が短い場合には市場全体の推定値で補います。…