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、日々の取引判断に使う変化の遅い状況特徴量として、会計比率、マクロ経済環境、カレンダー符号化を説明します。利益利回り、収益性、発生高、レバレッジ、キャッシュフロー利回りなどのバリュー・クオリティ指標を示し、発表日とas-of結合を使って四半期ファンダメンタルズを日次観測に整列します。マクロ系列には公表ラグとフォワードフィルが必要です。カレンダーのパターンには周期的な符号化やイベントまでの時間を使えます。…
このノートブックでは、ATMストラドルを売り、満期まで保有する戦略の候補特徴量をスクリーニングします。各取引日について、利用可能な銘柄を特徴量で横断順位付けした結果と、最終的なストラドル損益の順位を比較し、その順位の一致度を検証期間にわたって平均します。ポジションの重複を考慮して不確実性を調整し、多数の候補を同時に検定するため偽発見も制御します。…
この文書では、観測日の調整後終値と後続の取引日の価格を用いて、ETFの日次将来リターンラベルを作成する方法を説明します。月次期間を主ラベルとし、より短い週次バリエーションも作成します。適格性フィルターを適用する前に、各銘柄の完全かつ整列済みの価格履歴からラベルを計算します。アサーションで、不完全な末尾、異常に長い暦日間隔、銘柄の境界、ラベル型を検査します。…
このノートブックでは、ETFの将来リターン予測について、分割コンフォーマル予測、コンフォーマル化分位点回帰、適応型コンフォーマル推論を比較します。ウォークフォワード分割では、あるサブセットで学習し、別のサブセットで区間誤差を較正してから、後の観測値で評価します。分割コンフォーマル法は較正残差の順位を使って区間幅を定めます。CQRは較正前に下側と上側の分位点モデルを当てはめるため、状況に応じて区間幅を変えられます。ACIは、遅れて結果が得られるたびに誤被覆率を更新します。…
この文書では、日付付きの銘柄レコードを潜在ファクターのケーススタディ向け配列に変換する方法を説明します。一つ目の方法では、適格性データセットから学習したカバレッジ閾値を満たす銘柄だけを残し、欠損値をNaNとして保持した、一貫性のある銘柄軸を作ります。二つ目の方法では、不均一なクロスセクションを構築し、各日付の観測最大数に合わせてパディングします。スロット位置は日付ごとのもので、恒久的な銘柄識別子として扱いません。…
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。…
このノートブックでは、全データを読み込む代わりにParquetスキーマを参照し、9つの市場ケーススタディにあるモデルベースの特徴量列を一覧化します。識別子列を除外して市場ごとの列数を数え、列名のトークンに基づいて、ボラティリティモデル、レジーム指標、自己回帰予測、分数差分などの特徴量群を割り当てます。列挙したトークンのどれにも一致しない列を調べるため、名前のサンプルも示します。…
このノートブックでは、多数のファクターや戦略を探索すると、個々の推定値が正しく計算されていても、選ばれた最良候補の見かけ上の成績が膨らむ仕組みを説明します。ノイズだけのファクターをシミュレーションし、最大の情報係数が偶然に見栄えのよい値になり得ることを示します。続いて、不均一分散・自己相関頑健な推論の後に偽発見率を制御する補正手順を構築し、より保守的なスクリーニングのためにファミリーワイズ誤差制御も論じます。…
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。…
この記録は、連続する四半期のGDP縮小、またはNBERの景気後退開始日を基準とする所定の判定ルールのもと、2026末までに米国が景気後退に入るかを調べたマルチエージェント調査を記録しています。3つのエージェントが成長率予測、景気後退指標、金融政策の見通し、過去の発生率を調べ、確率推定と根拠を示しました。あるエージェントは、プラス成長の予測と比較的低い景気後退リスクの指標を挙げ、市場が織り込む確率は高いと論じました。別の根拠では、現在の良好な状況に加え、過去の景気後退の発生頻度も考慮しました。…
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。…
リスクプレミアムPCAでは、学習データの平均リターンベクトルの外積に重みを付けて加え、共分散行列を変更します。主成分から静的なファクター・ポートフォリオを定義します。重みがゼロなら通常のPCAに戻り、正の重みでは平均リターンと関連する方向へファクターが傾きます。ノートブックでは、複数の重みについて価格付けの適合度、リターンの再構成、負荷量空間の変化を比較した後、事前に指定した重みで翌日のファクタープレミアムを予測します。…
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。…
このノートブックでは、9つのファクターおよび資産クラスのリターン系列の同時的な動きに基づき、ガウス混合モデルで月をグループ化します。月次観測値を標準化し、欠損月を除外したうえで、候補となるクラスター数をBIC、AIC、シルエットスコアで比較します。次に、日付が分かる市場イベントに照らしてクラスターを解釈し、各グループ内のファクター成績を調べます。これにより、全体平均では環境ごとの差が隠れることを示します。…
このノートブックでは、ReActループで推論と行動を交互に行う予測AIエージェントを構築します。行動の種類は意図的に絞り、エージェントは根拠を検索するか、確率予測を提出できます。2つのメソッドを備えた共通インターフェースにより、異なる言語モデルプロバイダーをループで利用できます。また、スキーマ検証により、モデルの応答が行動を起こす前に確認されます。無効な応答は修正のために返され、ステップ数の上限によって予測せずに処理を続けられる長さを制限します。…
このノートブックでは、既知のシミュレーター群に含まれるパターンを学ぶベンチマークとして、ADIA…
このノートブックでは、バリュー・アット・リスク（VaR）と期待ショートフォール（ES）を目標とする金融リターン・シナリオ生成手法、Tail-GANを説明します。微分可能なソートを使い、分位点推定を通じて勾配を伝播させ、VaRとESの関係を定める制約へリスク推定値を射影します。ETFリターンをローリング・シナリオにまとめ、ランダムなロング・ショートのポートフォリオウェイトと組み合わせてPnLの例を作ります。スケーリングも重要です。入力値を生成器の出力クリップ範囲内に写像し、極端な観測値も表現できるようにします。…
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Pythonモジュールでは、日次のアウトオブサンプルリターンを用いて、戦略のバックテストにおける不確実性を定量化する方法を説明します。リターン系列の統計量に対する定常ブロック・ブートストラップ区間、自己相関と非正規性を調整したシャープレシオの標準誤差、平均リターンのNewey–West標準誤差を組み合わせています。ブロック長は、利用可能な場合はリバランス間隔から選び、それ以外は最適サイズ推定量を用い、リターンの期間を基準に下限を設けます。また、日次リターン差を使ったペア・ブートストラップ比較と、シグナル、配分…
複数のケーススタディについて、5つの潜在ファクター推定器の登録済み検証結果をまとめます。まず、各パネルに結果がある推定器を整理し、日次の平均Spearman順位情報係数（IC）とHAC信頼区間を使って最良の推定器を特定します。また、共通のUS企業パネルで推定器を比較し、教師ありモデル群と日付ごとのIC差を調べます。モデルの選択と報告には、同じ順位統計量を使うことを重視しています。…
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。…