ナレッジライブラリ

シグナルルール、配分、リスクオーバーレイを対象とする登録済みの検証バックテストから、CME先物のケーススタディを選択します。異なるリターン期間の候補を比較し、検証シャープレシオが最も高い設定を選びます。コスト感度分析は選択プールに候補を追加するものではなく、選択済みの設定を説明するために行います。比較を再現できるよう、正規の実行では候補の構成を固定します。…

複数の資産系列を必要とする特徴量を作成します。共和分についてEngle-Granger検定とJohansen検定を比較し、連動して動くだけでは定常スプレッドを意味しない理由を説明します。全期間の回帰と、情報を前向きに更新するカルマンフィルターの両方でヘッジ比率を推定します。平均回帰の半減期は学習期間のみから推定し、その値でシグナル期間を設定することで、選択に将来情報を使わないようにします。また、時間方向の指標をクロスセクション順位、ベンチマークとの相対値、ユニバース全体のレジーム要約に変換する方法も紹介します。…

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。…

この探索的分析では、Binance無期限契約の1時間足OHLCVデータと8時間ごとのプレミアム指数を確認します。データセットの対象範囲、契約銘柄の入れ替わり、単位、欠損値、生の足データにおけるOHLCの整合性を調べます。プレミアムは小数で保存されるため、パーセント表示には換算が必要です。2つのデータフィードは公開頻度が異なるため、タイムスタンプの直接結合では一部の足だけが自然に一致します。また、足のタイムスタンプは開始時刻を示すため、as-of結合では時刻の調整も必要です。…

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。…

このノートブックでは、実運用データの代替としてホールドアウト予測をオフラインで用い、運用中のトレードモデルを監視するワークフローを紹介しています。ドリフトを計算する前に入力特徴量パネルを検証し、参照期間と現在の期間を母集団安定性指数（PSI）および2標本コルモゴロフ・スミルノフ検定で比較します。さらに、予測分布の変化と、ローンチ時のベースラインを基準としたローリング順位相関、的中率、平均二乗誤差を追跡します。…

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。…