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。
443件の資料
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、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。…
この章は、個々の戦略よりも、再現可能な調査規律のほうが持続的なトレード上の優位性になると論じています。反証可能な仮説、アウトオブサンプル評価、多重検定の補正を軸に、バイアスを抑えるワークフローを示します。続いて、クオンツの職種や機関を概観し、主要分野の専門性とともに、トレードのライフサイクル全体にわたる幅広い連携を重視します。また、体系的な継続学習と、研究、執筆、オープンソース活動、専門家コミュニティを通じた実践も勧めています。…
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、機関投資家の株式保有をSEC…
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。…
この文書では、シグナルの発生、決算発表、マクロ経済指標の公表などのイベント前後におけるリターンの測定方法を説明します。例では、流動性の高いETFのモメンタム・ブレイクアウトを使います。各イベントについて、イベント前の推定期間で当てはめた市場モデルから期待リターンを求め、実際のリターンから差し引いて異常リターンを算出します。イベント間の平均と累積により、平均異常リターンと累積平均異常リターンを求め、標準誤差と有意性の統計量も計算します。…
このノートブックでは、価格ボラティリティ、ファンディングレート、プレミアム偏差の平均という宣言された3つの要因を一定に保った場合に、暗号資産無期限先物のプレミアムzスコアが、その後の8時間リターンに影響するかを推定します。処置変数は連続値のため、推定対象はプレミアムzスコアの1単位あたりの期待リターンの変化を表す傾きです。この介入に関する問いを、リターン予測やトレード戦略の評価とは区別します。…
このノートブックでは、金融時系列を生成する無条件のSig-Wasserstein GANを紹介します。学習済みの実データ・生成データ判別器を使わず、パスの逐次的な動きを数学的に要約するパス署名の期待値に基づく距離を使います。ニューラル生成器はノイズからパスを生成し、拡張されたパスから打ち切り署名を計算します。署名レベルごとに正規化し、実データの期待署名に一致するように学習します。例では、単一資産のS&P…
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、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。…
この探索的分析では、暗号資産無期限先物の時間足OHLCVと8時間ごとのプレミアム指数を分析します。銘柄と日付のカバレッジ、契約銘柄の入れ替わり、プレミアムの単位と分布、OHLCの整合性、欠損値、時間足価格と頻度の低いプレミアム観測値の整合を調べます。プレミアムはインデックスに対するインパクト買値・売値に基づき、デッドゾーンによって厳密にゼロとなる場合があると説明します。プレミアムの符号だけでは、どちらの側がファンディングを支払うかは決まりません。…
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、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。…