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
このケーススタディでは、アット・ザ・マネーのショートストラドルを対象に、満期までのリターンを予測する勾配ブースティングモデルを比較します。木の複雑さと、二乗誤差、絶対誤差、Huber損失という3つの適合目的を変えて評価します。ボラティリティイベントがあった年を含む2つの期間でウォークフォワード検証を行い、予測を情報係数（IC）で評価します。各ブースティング段階で独自の予測を生成するため、チェックポイントは別々のモデル候補として扱います。…
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。…
この文書では、CME先物研究で検証データからモデル設定を選択した後、ホールドアウト期間の予測を生成する手順を説明します。検証結果から選択済みの設定とチェックポイントを取得し、ホールドアウト開始前に利用可能な履歴だけを使ってモデルを再学習します。ラベルバッファによって学習結果が評価期間に及ばないようにし、ホールドアウト用の適格性とモデルパラメーターを再計算します。登録された学習識別情報により、検証データで学習済みのモデルを再利用せず、新たに学習した証拠を示します。…
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。…
この設定では、S&P 500構成銘柄を対象に、週次のアット・ザ・マネー・ストラドル売りを検証します。ポジションは金曜日に建て、満期に向けて保有し、オプションのデルタ変化に応じて日次で株式ヘッジを行います。ポートフォリオでは期間が重複するコホートに資本を分散し、主な評価指標を満期までのリターンとします。時系列順の学習、検証、ホールドアウト期間に加え、複数のポートフォリオ配分方法と、分散リスクプレミアムがリターンを説明できるかの分析を用いて評価します。…
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。…