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。
57件の資料
この文書では、先物キャリーから作る3つのモデルベース特徴量を説明します。翌セッションのキャリーを予測するARIMA、選択した周期長のローリング・フーリエ指標、平均キャリーから市場局面を推定する2状態の隠れマルコフモデルです。中心的な教訓は時間の扱いです。推定パラメータは過去の観測値だけで学習し、宣言したスケジュールで更新して、次の再学習までは固定する必要があります。隠れマルコフモデルのフィルター済み状態確率は、後のデータを使わず、現在と過去の観測値を用います。特徴量を将来の観測値で推定していれば、ウォークフォワー…
この事例研究では、分散されたCME先物群を対象に、週次でロング・ショートを行うキャリー順位付け戦略を検証します。日次データ、ウォークフォワードによるモデル評価、手数料、スプレッド、ロール時のスリッページを含むコストを使います。モデル群ごとにシグナルの質を比較した後、ポートフォリオ配分、リスク管理のオーバーレイ、未使用のホールドアウト期間を評価します。報告された横断面情報係数が最も高いのは潜在因子確率的割引ファクターモデルですが、事例研究に選ばれた戦略では、勾配ブースティングモデル、階層的リスクパリティ、トレーリン…
この検証スクリプトでは、モデル予測からポートフォリオのウェイト、バックテストまでの縮小版CME先物リサーチ手順を実行します。予測が想定された商品、タイムスタンプ、分割のキーを正確に網羅すること、適合済みの状態と予測ファイルが記録されたダイジェストに一致すること、同じ要求を再実行すると同じ成果物が再現されることを確認します。プレビュー出力が公式の対象群や候補群から分離されていることも確認します。…
このノートブックでは、CME先物のモデル予測を評価するシグナル段階のベースラインを設定します。週次の各判断時点で、予測リターンに基づいて商品を順位付けし、上位群を買い、下位群を売り、各ポジションを均等加重します。各側の商品数を変えて、集中度が比較にどう影響するかを示します。この段階では配分、リスク管理、取引コストを除外し、後続のポートフォリオ手法の明確な比較基準とします。…
この資料では、期間構造で商品を順位付けする横断面先物戦略のために、将来リターンのラベルを構築する方法を示します。契約ロールをまたぐリターンに適したロール調整済み価格と、同時点のカーブを保ちキャリーシグナルに必要な生の決済価格を区別します。ラベルには期近契約を使い、将来シフトを行うまでデータをそのまま保つ必要があります。そうすることで各期間は、フィルタ後に残った行数ではなく、その商品の取引セッション数に基づいて数えられます。…
この資料では、CME先物を対象にモデル予測を評価するための基準を説明します。毎週の判断時に商品を予測リターン順に並べ、上位群をロング、下位群をショートで保有し、各側を等ウェイトにします。取引可能な銘柄群から決めた範囲で各側の商品数を変え、集中度が結果に与える影響を確認します。配分最適化、リスク目標設定、取引コストは意図的に含めず、実運用可能な戦略ではなく単純な基準ポートフォリオを評価します。ワークフローでは、リクエストを構築する前に公式予測対象がすべてそろっていることを求め、得られたバックテストを名前付きの比較セ…
この分析では、9件のトレード事例で登録された二重機械学習の処置効果を比較します。各事例のレジストリから最新の結果を読み込み、レジストリの整合性とラベルの重複を確認し、対象範囲を明示します。効果と信頼区間は元の単位を保ち、HAC統計量でパネル間比較を補います。また、単純なOLS推定値と直交化推定値を比較し、ブロック置換による反証チェックを適用して、複数のラベルと実際に異なる予測期間を区別します。…
このノートブックでは、複数の資産クラスを対象とするロング・ショートのモメンタム例を通じて、先物バックテストの仕組みを紹介します。契約仕様の倍率が価格変動をドル建て損益に換算する仕組みと、想定元本が契約数量をどう決めるかを説明します。契約ごとの固定手数料と料率ベースのコストを比較し、先物の取引時間帯と証拠金を論じ、セクター別寄与度で集中度を調べます。この例では取引時間帯をそろえた日次データを使い、契約倍率を適用する場合としない場合の影響を比較します。…
この資料では、暗号資産無期限先物とプレミアム指数を調べるためのデータセットと手順を説明します。設定されたユニバースの時間足のOHLCVデータと8時間ごとのプレミアム値を取り上げ、ダウンロード、読み込み、絞り込み、基本的なプロファイリングの手順を示します。プレミアム指数は、無期限先物価格と現物価格の相対差として定義され、その符号は先物が現物を上回るか下回るかを示します。この資料は資金調達率裁定やプレミアムの平均回帰を研究するためのデータを紹介するもので、検証済みの戦略を実証するものではありません。…
このノートブックでは、調査プロセスの別の段階で選定した固定のCME先物設定に、想定取引コストが与える影響を評価します。手数料とスリッページを各水準で均等に分けた総コストのグリッドを適用します。選定済みのリスクオーバーレイはポジションと売買回転率の両方を変えるため、バックテストにも適用します。任意に選んだ単一コストでの成績ではなく、ネットのシャープレシオがゼロになるコスト水準を読み取ります。…
この資料では、複数の商品グループについて、時間足・日足のバー、連続限月の期近契約、期近より先の2つの限月を含むCME先物データセットを説明します。データの対象範囲、項目、読み込み方法、および関連する週次のCFTCポジションデータについて解説します。限月構成は期間構造分析やキャリー研究に役立ちますが、ロールを再構成して調査するには個別契約の記録が必要です。…
この文書では、先物間の共動から推定する共通のリターン要因として潜在ファクターを紹介します。名前付きの予測変数として与えるものではありません。各学習分割内で推定する2つのアプローチを比較します。主成分分析（PCA）はリターンの分散を最も多く説明する線形方向を見つけます。一方、ニューラル確率的割引ファクター（SDF）はクロスセクションの期待リターンを説明する共通の価格付け要素を探します。PCAはリターンのみを使いますが、SDFは特性を操作変数として使い、特性に応じたエクスポージャーを表現できます。…
このノートブックでは、以前に選択したCME先物の設定をホールドアウト予測に適用します。確立済みの配分器、リバランス日程、集中度ルール、取引コストの仮定を使います。中心となる方法論上の要点は、ホールドアウトを評価する前にこれらの選択を固定することです。期間を見た後でパラメーターを変更すれば、検証の信頼性が損なわれます。登録済みの学習とバックテストの識別情報から選択済み設定と対応する予測セットを特定し、実行結果をホールドアウト・バックテストとして記録します。…
このノートブックでは、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設定を選ぶ方法を説明します。シグナル、配分、リスク管理の各段階から候補を集め、検証シャープレシオが最も高い設定を選びます。両方の収益予測期間を合わせて検討し、コスト感度分析は選定済みの設定を記述するものであり、選定を競うものではありません。…
このノートブックでは、選定した実例のトレード戦略について、Backtrader、Zipline…
このケーススタディでは、他のモデル群と同じ時点整合済みのCME先物特徴量行とウォークフォワード分割を使って、パラメータ効率の高いニューラルアンサンブルTabMを評価します。パラメータの大部分を共有しながらモデル間の変動を平均化する方法としてTabMを取り上げ、小規模でノイズの多いパネルにおける適合と汎化のバランスを探るため、モデル容量を変えます。記載された評価では、等ウェイトの検証バックテストとシャープレシオを使い、指定済みのエポックチェックポイントから選択します。…
このノートブックでは、前処理や特徴量エンジニアリングの前に金融データセットを診断する、再利用可能な調査手順を構築します。時系列インデックスの型、タイムスタンプの欠損、順序、一意性を確認し、完全一致およびキーに基づく重複を検出します。フィールド、資産、日付ごとの欠損値を測定し、ギャップ、外れ値、ドメイン違反、データセット固有のカレンダー上の問題も調べます。診断では問題を報告しますが、元データの変更やクリーニングは行いません。対象はETF、US株式、暗号資産、先物、FX、企業特性です。調査結果では、列単位の完全性と欠…
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、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、CME先物のパネルデータを対象としたニューラル確率的割引ファクターモデルを紹介します。キャリー、モメンタム、ボラティリティなど、商品リターンと観測可能な特性の両方を使って潜在因子を構築し、事前に定めた将来リターン期間の予測を生成します。リターンのみを使うPCAと対比し、特性がリターンの共分散を超える価格情報を加えるかを比較で検証する方法を説明します。…
この設定では、株価指数、国債、エネルギー、金属、通貨、農産物、畜産物にわたる週次の先物研究ユニバースを定義します。金曜日の決済価格を意思決定時点とし、執行時点を月曜日の寄り付きに設定します。戦略の枠組みでは、キャリーまたはモメンタムに基づいて先物商品を順位づけし、同リスクまたは想定元本によるサイジングでロング・ショートポジションに対応します。コストの前提は商品ごとの流動性に応じて異なり、手数料、スプレッド、ロール時のスリッページを含みます。…
この資料では、線形モデルや勾配ブースティングモデルと同じ加工済み特徴量行とウォークフォワード・フォールドを使う、CME先物のTabM実験を説明します。TabMはパラメーター効率の高いニューラルアンサンブルです。アンサンブルの各メンバーで重みの大部分を共有するため、複数のネットワークを平均する分散低減効果を一部得ながら、計算コストを抑えます。設定によってモデルの容量を変え、後の検証用バックテストとシャープレシオに基づく選定のため、宣言したすべての学習チェックポイントを出力します。…
このノートブックでは、実際の戦略を対象とする監査で保持された結果を調べ、LEANエンジンと、それに対応するML4Tバックテストのプロファイルを比較します。固定された入力で対応可能な資産クラスのワークロードを特定し、約定、評価額、評価タイムスタンプ、株式のギャップ、最終価値に関するパリティの証拠を示します。利用可能な連続価格には日付別の契約チェーンとロール対応表がなく、ネイティブのLEANサブスクリプションに必要な条件を満たさないため、CME先物のワークロードは除外されています。…