ナレッジライブラリ

この章では、連続時間の価格過程、GARCHボラティリティモデル、ブートストラップ再標本化、モデル比較を含む、合成金融データ生成の古典的な手法を説明します。幾何ブラウン運動、ジャンプ拡散、平均回帰、Hestonなどのモデルが、リターン、ジャンプ、変動するボラティリティについて異なる仮定をどう表現するかを解説し、ドリフト補償や分散の切り捨てといった実装上の詳細も扱います。…

この文書では、資産ごとの時系列とコンテキストを、上下限のあるポートフォリオのリスクウェイトに変換するニューラル方策ネットワークの構造を説明します。資産ごとのバックボーンには、コンテキスト埋め込み、特徴量ごとの変調、変数選択、LSTM、因果的な時間方向のアテンションを組み合わせます。次に、遅延を考慮したクロスセクショナル・アテンションで資産間の関係を処理し、必要に応じてマクロ経済の隣接グラフに制約されたアテンションを適用できます。…

この文書では、連邦準備制度が2026に利上げするかどうかについて、多段階の予測を記録します。3つのエージェントが根拠を調査して確率を示し、その後、議論を経てスーパーバイザーが予測を更新します。見解は分かれています。2つのエージェントは利上げの可能性を低く見積もり、もう1つはより大きなリスクを見ています。インフレ、FRBの見通し、金融政策の先行きについて意見が異なる様子が示されています。…

このノートブックでは、USの企業特性研究におけるホールドアウト予測段階を説明します。検証結果で選んだモデル設定を使い、学習仕様とチェックポイントを再構成したうえで、ホールドアウト期間より前に終了するデータを使って再学習します。新たな学習IDによって再学習を監査可能にします。期間とラベルのバッファは研究設定から導き、学習結果が評価期間と重なるリスクを減らします。…

この設定ノートでは、L1正則化を使う3クラスのロジスティック回帰で、scikit-learnのliblinearソルバーではなくSAGAを使う理由を説明します。新しいscikit-learnバージョンでの多クラス対応に触れ、Nasdaq-100のマイクロストラクチャー実験ではSAGAの処理が大幅に速かったと報告します。報告されたテスト外の対数損失と正解率も、検証した設定ではSAGAの方が良好でした。…

このノートブックでは、ベータ、固有ボラティリティ、時価総額、分散を調整した後、12か月前から-2か月前までのモメンタムが翌月のUS企業リターンを予測するかを、拡張ウィンドウ方式の二重機械学習で分析します。補助モデルはそれ以前の月のデータで学習し、学習期間とテスト期間の間にエンバーゴを設け、最後の2016ホールドアウト期間を除外します。調整後の推定値は同じアウト・オブ・フォールド観測値での単純なOLSと比較し、時間と企業間の依存関係はDriscoll-Kraay推論で考慮します。…

このノートブックでは、SECの8-K報告書から構造化された企業イベントを抽出し、Neo4jナレッジグラフに読み込むパイプラインを示します。言語モデルが報告書をバッチ処理し、主体、関係、対象、タイムスタンプを含むイベント記録を作成します。明示的なイベントと関係のスキーマを使い、モデルの出力を検証し、エンティティの表記を正規化します。根拠のない関係、日付、カテゴリは未確定のままにして、確認に回します。…

このノートブックでは、企業特性データセットに対するXGBoost、LightGBM、CatBoostのOptunaハイパーパラメータ探索を比較します。各ライブラリで個別の探索を行い、木構造Parzen推定器、中央値プルーニング、早期終了、永続的な探索状態の保存を利用します。平均二乗誤差と平均絶対誤差のどちらを使うかもカテゴリ型ハイパーパラメータに含め、検証性能は平均クロスセクショナル情報係数で測定します。…

このノートブックでは、時間加重平均価格（TWAP）執行ルールのデモを使い、行動クローニングと逆強化学習（IRL）を比較します。行動クローニングは観測された市場状態を直接行動に対応づける一方、IRLは執行特徴量に対する線形報酬を当てはめ、そこから推定した目的に基づいて方策を導きます。TWAPは既知の参照目的を与えます。取引を均等に分散し、各ステップの市場インパクトを抑えることと、時間経過に伴う価格変動へのエクスポージャーとのバランスを取ります。…

このノートブックでは、観測された交絡因子を調整した後も、インプライド・ボラティリティと実現ボラティリティの差が、その後の株式リターンと関連するかを二重機械学習で調べます。関連する調整変数として、実現ボラティリティ、株式モメンタム、リスクリバーサルのスキューを特定し、同じクロスフィット済み観測値を使った単純な通常最小二乗法の推定値と調整後の推定値を比較します。分析では、ブロック置換による反証検定と、パネル構造を考慮した不確実性推定も用います。…

このデモでは、二重移動平均のクロスオーバー実装がバックテストとライブエンジンで一致するシグナルを出すか確認します。両エンジンには同じように準備したETFバーを与え、同じ戦略パラメータと約定ルールを使用するため、比較ではエンジンの挙動の違いに焦点を当てます。短期移動平均が長期移動平均を上回り、ロングポジションがないときに買い、資産を保有している場合は逆のクロスの後に売る戦略です。…

この学習用ユーティリティでは、DeePM型モデルの最適化ループを説明します。AdamWでモデルパラメータを更新する際、ロバストなシャープレシオ重視の損失関数に、先行リターン、ボラティリティ調整、マスク、取引コスト、設定可能なウォームアップ期間とソフトミン制御を渡します。有限でない損失はスキップし、各最適化ステップの前に勾配をクリップできます。…

この分析では、ITCHの追加、削除、一部取消、置換、約定メッセージから、個々のNASDAQ指値注文を再構成します。正確な時刻と対数スケールの存続時間分布を用いて、注文が取消または約定されたか、それらのイベントまでにどれだけ時間がかかったかを測定します。取引終了時点で板に残る注文と、すでに約定または変更された注文を区別し、単一銘柄のライフサイクル分析とより広範なメッセージ数の分析も分けます。…

このノートブックでは、個別のUS株に関する公開済み企業特性に、リッジ、ラッソ、弾性ネットの各モデルを当てはめます。特徴量にはバリュー、収益性、投資、規模、モメンタム、反転、リスク、流動性が含まれます。ウォークフォワードの分割で設定を比較可能にし、正則化が当てはめた予測をどう変えるか、ペナルティを変えて調べます。生の月次リターン、ウィンザー化した月次リターン、分類目的変数を使い、目的変数の選択が結果に与える影響も検討します。…

この事例では、ETFリターンのラベルに勾配ブースティング木を当てはめ、強いリッジ正則化で良好な結果だった線形ベースラインと比較します。市場ストレス局面によってモメンタムの働き方が変わるといった相互作用を木が発見できる理由を説明します。一方、貪欲な分割では、リッジなら組み合わせられる相関の高い特徴量の中から恣意的に選ぶ場合があります。グリッドでは木の複雑さと損失関数を変え、学習中の複数チェックポイントで各設定を評価します。…

この探索的分析では、過去のUS株式パネルの概要を把握し、生価格と調整後価格の項目を説明して、銘柄カバレッジの推移を調べます。年ごとの銘柄数と初回・最終観測を比較し、過去データを検証に使えるか判断するには、参入と退出の両方の推移が必要な理由を示します。このパネルは現在更新されていないコミュニティ管理の情報源であり、そのカバレッジを解釈するうえで重要です。…

このノートブックでは、GJR-GARCHモデルを使って、S&P 500株式とオプションの分析向けに条件付きボラティリティ特徴量を作成します。過去価格に基づく固定ルールと異なり、推定済み特徴量は推定期間に依存します。そのため、再適合のスケジュールを明示し、過去の観測値だけからパラメーターを推定して、生成元の情報集合が保たれるよう時刻と分割の識別情報を付けて値を出力します。後のデータが過去の特徴量に影響しないよう、再帰計算の初期値と上下限も推定期間内のデータに固定します。…

この文書では、事例のParquetデータを直接使って特徴量ストアの概念を示します。特徴量ビューでは、エンティティキー、イベント時刻、有効期間、特徴量列を指定します。モデル学習では、過去の値を、その値が判明していた時点の判断時刻に結合します。実運用での取得では、判断時点で利用可能な最新の値を選びます。これらのルールをそろえると、学習と実運用のずれを防ぎやすくなります。…

この分析ノートブックでは、新たなバックテストではなく、レジストリの結果を使って企業特性に基づくUS株式戦略を評価する方法を説明します。不確実性を考慮した運用成績統計を読み込み、共通の対象範囲で設定を順位付けし、ペア比較で選定戦略と均等加重ベンチマークを評価します。ホールドアウトの選定は、選んだ検証実行の完全な仕様に基づいて決まり、ホールドアウト結果を見た選定を避けます。…

この文書では、金融時系列データに使うデータベースエンジンのベンチマークについて説明します。一括書き込み、全件スキャン、期間指定クエリ、OHLCV集計、約定と気配値データの時点指定結合を比較します。手法では、クライアント側の変換も書き込みコストに含め、データの永続化とクエリ可能な状態を待ってから計測します。切り詰められたクエリが見かけ上速くならないよう、結果件数も厳密に検証します。読み込みではウォームアップ後に繰り返し計測し、組み込み型エンジンとサーバーで利用可能なキャッシュを反映します。…

この文書では、金融データのクリーニング方法を紹介し、学習データとテストデータの分割に沿って前処理を行う方法を説明します。中心となる教訓は、スケーリングやウィンザー化などの変換を学習データだけから推定することです。データ全体を使うと、将来の観測値の情報がモデル開発に漏れる可能性があります。重複処理、ドメインフィルター、欠損区間のフラグ付け、反転スパイク検出、外れ値のクリッピング、カテゴリ変数のエンコード、異なる頻度のデータセットの整列に使える処理も説明します。…

この文書では、予定されたポートフォリオのリバランス前にポジションを決済する3つのルールを説明します。固定幅の損切り、ポジションの最高値から測るトレーリングストップ、設定した保有期間後に決済する時間決済です。こうした追加ルールはポジションを減らすだけなので、リスクを加えるのではなく、損失を抑えたり利益を制限したりしてリターン分布を変えます。時間決済は、保有期間が重要かを評価するための価格に依存しない対照手段となります。…

この文書では、ベンチマーク、リスク要因の分析、ファクター調査の入力データとして、公開されているFama-FrenchとAQRのファクターリターンデータセットを紹介します。Fama-Frenchライブラリの市場、規模、バリュー、収益性、投資、モメンタムのファクターに加え、AQRの系列が扱うクオリティ、低ベータ、代替的なバリュー概念も説明します。データは月次で利用でき、ローダーを使った日次Fama-Frenchデータの読み込みと期間指定にも対応しています。…

このノートブックでは、後のテキスト分析に向けて、10-Kおよび10-Q提出書類から説明文のセクションを抽出する方法を解説します。様式ごとの項目番号に対応し、段落の区切りを保ちながら提出書類のHTMLを変換し、目次や本文中の相互参照で同じ項目が繰り返されてもセクションの開始と終了を特定します。また、提出書類を識別し、情報がいつ利用可能になったかを確定するため、アクセッション番号と受理時刻を保持する重要性も説明します。…