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。
441件の資料
この特徴量評価では、金融およびモデル由来の候補とCME先物の先行リターンとの関係をスクリーニングします。各特徴量について、データのカバレッジと陳腐化を確認し、特徴量と先行リターンの日次横断順位相関を測定します。リターン期間の重複を考慮して不確実性を調整し、検定対象全体にBenjamini-Hochberg法による偽発見率制御を適用します。また、ウォークフォワード検証年ごとの結果や、宣言された別のリターン期間も比較し、根拠とともに継続、修正、中止の評価を記録します。…
このノートブックでは、単変量SPY価格予測の実装を、PyTorchの直接実装、sktime、Dartsで比較します。主な目的は、コードの長さ、インターフェース要件、インストールの成功、学習と予測を合わせた所要時間など、実務上の作業量を評価することです。直近の観測価格を使う単純予測を基準とし、ライブラリの例を通じて、共通の学習・予測インターフェースがモデル変更を容易にする仕組みや、ラッパーにどのような制約があるかを示します。…
この章では、持続的なトレード研究には、市場の変化、ノイズを含む証拠、実装コストに適応できる規律あるプロセスが必要だと論じています。構造変化、レジーム、データドリフト、概念ドリフトを区別したうえで、時点整合データ、明確な範囲設定、反復的な開発、現実的な戦略設計、実運用への移行、モニタリングを軸とする研究から本番環境への移行ワークフローを示します。また、探索と確認の違いを説明し、試行記録、封印したホールドアウト、選択を考慮した評価を重視します。…
この評価ノートブックでは、暗号資産無期限先物の次の8時間リターンとの関係を調べるため、金融特徴量とモデル由来の特徴量をスクリーニングします。評価サンプルはウォークフォワード検証期間から作り、最終ホールドアウトは分析対象外とします。各決済時点での横断的な順位相関により、特徴量を評価します。依存性を考慮した不確実性推定で平均情報係数を要約し、検証年ごとの成績を確認して、多重比較に対して有意性検定を補正します。特徴量台帳には証拠と判断を記録しますが、モデル入力から列を削除するものではありません。…
このノートブックでは、キャリー、ローリング・シャープレシオ、モメンタム、ボラティリティ指標など、相関する特徴量群で構成されたCME先物モデルに正則化が与える影響を調べます。Ridge、Lasso、ElasticNetを比較します。Ridgeは特徴量を残したまま係数を縮小し、Lassoは係数をゼロにでき、ElasticNetはこの二つの効果を組み合わせます。LassoとElasticNetのペナルティはフォールドごとの閾値に対する比率で表し、各学習フォールドに応じて強さを調整します。…
このノートブックでは、先物の各リターン期間について、検証で最も高く評価されたシグナル戦略または配分戦略に、設定済みの損切り、トレーリングストップ、時間決済ルールを適用します。各ルールはそれぞれの親戦略に対して評価し、検証期間の価格推移に合わせて調整せず、パラメータを事前に固定します。後の選択で意図した候補集団を保てるよう、宣言されたルールはすべて完了する必要があります。…
このノートブックでは、事前に選択したUS株式の設定をホールドアウト予測に適用します。選択済みのモデル、予測、配分器、集中度、リスクオーバーレイ、リバランス頻度、取引コストの前提を前段階から引き継ぎます。学習時の識別情報とチェックポイントから対応するホールドアウト予測セットを導き、ホールドアウトの成績を見て追加の選択を行わずにバックテストします。…
このノートブックでは、合成ETFリターン系列を生成するためにDiffusion-TSを適応させる方法を説明します。デノイザーは、クリーンな系列を多項式トレンド、フーリエ季節成分、残差成分の和として予測します。時間領域とフーリエ領域を組み合わせた損失関数により、各時点とスペクトルの両方で忠実度を高めます。DDIMサンプラーは生成に使う逆方向のステップ数を減らします。ノイズを加えた系列で学習した別の分類器が、低ボラティリティまたは高ボラティリティのレジームとラベル付けされたサンプルの生成を誘導します。…
この文書では、固定ETFモメンタム戦略のコスト感度を分析します。ユニバース、ウェイト、スケジュール、シミュレーターは固定し、片道ごとの手数料を変えながらバックテストを再実行します。得られた曲線は、想定取引コストの上昇に伴うシャープレシオと複利成長率の変化を示します。また、手数料控除前の成長率を年間売買回転率で割る方法と、シミュレーション成長曲線を補間する方法の2通りで損益分岐手数料を推定します。両者の差は、時間とともにコストが複利で効く影響を示しています。…
この文書では、無期限先物の資金調達率パネルデータのモデル化にTabMを使う理由を説明します。共有ニューラルネットワークの基盤がすべての入力特徴量を組み合わせ、非線形層が相互作用を表現できます。各分岐で一つの特徴量を選ぶ木とは異なり、この設計では相関する列を同時に利用できます。TabMのアンサンブルメンバーはネットワークの大部分を共有し、個別のスケーリングベクトルと出力層を持つため、別々のネットワークを学習するより低コストで平均化できます。…
このノートブックでは、事前に選択したETFの設定を、確保しておいたホールドアウト期間に適用します。選択した学習時の識別情報とチェックポイントから対応するホールドアウト予測を導き、その期間では調整せず、戦略既存の集中度、配分、リスクオーバーレイ、リバランス頻度、コスト前提を使用します。実行結果はホールドアウトのバックテストとして登録されます。同じ予測セットに対して別の設定を追加評価すると、ホールドアウト結果から選ぶことになり検証が損なわれるため、ガード機能で防止します。…
この評価ワークフローでは、NASDAQ-100の日中パネルを対象に、金融特徴量やモデルベースの特徴量を将来リターンと照合してスクリーニングします。まず最終テスト期間を確保し、将来ラベルの確定時点がその期間内に入る観測値を除外します。各特徴量について、ラベル期間に合わせた間隔でクロスセクションの順位情報係数(IC)を測定し、時系列依存性をNewey-West法で調整して、多重検定も考慮します。カバレッジ、同じ値が繰り返される頻度、分位点ごとのリターンの形状、特徴量間の冗長性も品質と診断の確認に加えます。各候補には、…
この分析では、直近を除外したモメンタムがETFの将来リターンに因果的な変化をもたらすかを推定します。モメンタムによるリターン予測の精度を問うものではありません。二重機械学習で、明記された交絡因子から結果変数と処置変数をそれぞれモデル化し、各モデルで説明できない部分から両者の関係を推定します。交絡因子には、実現ボラティリティ、市場レジームの指標、イールドカーブの傾きが含まれます。分析対象、時点ルール、エンバーゴ、プラセボ検定の設計をモデル適合前に確定し、予測モデルの候補とは別個の因果的証拠として結果を記録します。…
このベンチマーク生成手法では、ケーススタディで指定された資産から、日次の均等加重リターン系列を作成します。まず、各取引日における銘柄ごとの最後の終値を取り、終値間リターンを算出して、利用可能な銘柄のリターンを平均します。観測対象のパネルに資産が加わったり外れたりする際に人為的なリターンが発生しないよう、連続する取引日の価格がそろう銘柄だけを含めます。ベンチマークは日次グリッド上に作成するため、同じ頻度で評価する戦略とリターンや年率換算指標を比較できます。…
この分析では、9つの資産グループにまたがる100本のETFから成る固定ユニバースを調べます。ファンド別・年別のカバレッジを確認し、価格パネルがグループ設定と一致することを確かめたうえで、欠損値とOHLCの順序を確認し、グループ間の取引量を比較します。また、終値はすでに株式分割と配当金の調整済みであり、そのままリターンを計算できることを説明します。…
このノートブックでは、暗号資産無期限先物のリターンと方向を予測する勾配ブースティングモデルを分析します。グリッドでは、木の複雑さと損失関数を変え、二乗誤差、絶対誤差、Huber損失を含む目的関数について、学習途中の複数時点でモデルを評価します。木がほぼ同じプレミアム特徴量で繰り返し分割すると、新たな情報が増えないまま学習サンプルの細部に過剰適合する可能性があることを説明します。予測対象の異なるラベル同士ではなく、同じラベル内で候補を比較します。…
この文書では、多変量時系列の予測に使うPatchTSTのニューラルネットワーク基盤を紹介します。入力系列を重なり合うパッチに分割し、各パッチを学習済みの特徴空間に射影します。位置エンコーディングを加えた後、複数のTransformerエンコーダー層で処理します。エンコーダーは注意機構の層で各入力変数を個別に扱い、予測ヘッドがエンコードされたパッチを目標予測期間に対応づけます。…
このノートブックでは、ケーススタディの登録簿からモデル実験カタログを再構築し、その内容をMLflowと比較する方法を説明します。学習実行、予測セット、バックテスト実行を順にたどり、各段階を前の段階に結びつけます。正規化された仕様には決定的なハッシュを割り当て、再実行の冪等性を確保するとともに、設定変更を識別できるようにします。クエリを使って検証指標、ポートフォリオのバックテスト結果、成果物の来歴をまとめ、検索可能なビューを構成します。…
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、分散されたETF銘柄群を対象に、ロングオンリーで資金を全額投資する平均分散の枠組みを構築します。実現可能なポートフォリオと効率的フロンティアを作り、推定リターンと共分散を使って、シャープレシオ最大化および分散最小化のウェイトを求めます。また、推定量が少なくて済む等ウェイト、逆ボラティリティ、等リスク寄与など、より単純な代替手法とも比較します。中心的な教訓は、期待リターンの推定が難しく、共分散をはるかに多くの観測値で推定していても、期待リターンが最適化結果を大きく左右し得ることです。共分散行列…
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。…