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。
678件の資料
このノートブックでは、暗号資産無期限先物のリターンと方向を予測する勾配ブースティングモデルを分析します。グリッドでは、木の複雑さと損失関数を変え、二乗誤差、絶対誤差、Huber損失を含む目的関数について、学習途中の複数時点でモデルを評価します。木がほぼ同じプレミアム特徴量で繰り返し分割すると、新たな情報が増えないまま学習サンプルの細部に過剰適合する可能性があることを説明します。予測対象の異なるラベル同士ではなく、同じラベル内で候補を比較します。…
この文書では、多変量時系列の予測に使うPatchTSTのニューラルネットワーク基盤を紹介します。入力系列を重なり合うパッチに分割し、各パッチを学習済みの特徴空間に射影します。位置エンコーディングを加えた後、複数のTransformerエンコーダー層で処理します。エンコーダーは注意機構の層で各入力変数を個別に扱い、予測ヘッドがエンコードされたパッチを目標予測期間に対応づけます。…
この文書では、シグナルの発生、決算発表、マクロ経済指標の公表などのイベント前後におけるリターンの測定方法を説明します。例では、流動性の高いETFのモメンタム・ブレイクアウトを使います。各イベントについて、イベント前の推定期間で当てはめた市場モデルから期待リターンを求め、実際のリターンから差し引いて異常リターンを算出します。イベント間の平均と累積により、平均異常リターンと累積平均異常リターンを求め、標準誤差と有意性の統計量も計算します。…
このノートブックでは、価格ボラティリティ、ファンディングレート、プレミアム偏差の平均という宣言された3つの要因を一定に保った場合に、暗号資産無期限先物のプレミアムzスコアが、その後の8時間リターンに影響するかを推定します。処置変数は連続値のため、推定対象はプレミアムzスコアの1単位あたりの期待リターンの変化を表す傾きです。この介入に関する問いを、リターン予測やトレード戦略の評価とは区別します。…
このノートブックでは、金融時系列を生成する無条件のSig-Wasserstein GANを紹介します。学習済みの実データ・生成データ判別器を使わず、パスの逐次的な動きを数学的に要約するパス署名の期待値に基づく距離を使います。ニューラル生成器はノイズからパスを生成し、拡張されたパスから打ち切り署名を計算します。署名レベルごとに正規化し、実データの期待署名に一致するように学習します。例では、単一資産のS&P…
このノートブックでは、日次ETFリターンを使い、GARCHモデルがボラティリティ・クラスタリングを捉えて、取引日ごとの特徴量に変換する方法を説明します。まず、視覚的な診断とARCH-LM検定により、二乗リターンが自身の過去の値に依存するかを評価します。続いて、GARCH(1,1)モデルで直近ショックの影響と過去の分散推定値の持続性を分け、パラメーターの合計からショックの減衰速度を判断します。モデル適合のためにリターンはパーセント表示し、ボラティリティは1取引日あたりの標準偏差として解釈して、必要に応じて年率換算し…
このノートブックでは、単一銘柄のNASDAQ指値注文板を、注文ごとのメッセージデータから再構築する方法を説明します。注文の追加、約定、取消、削除、置換を処理し、各有効注文の残数量を管理します。置換では古い注文参照を失効させて新しい参照を作るため、特別な処理が必要です。後続のメッセージがその新しい参照を使う場合があります。生成したスナップショットには最良買気配と最良売気配、それぞれの表示数量に加え、1秒ごとの注文フロー不均衡を記録します。…
このソースモジュールは、米国株価格、指数データ、オプション、市場のミクロ構造、ファンダメンタルズ、機関投資家の保有データを読み込む機能を提供します。特に方法論上重要なのは、日中取引データのリサンプリングです。始値、高値、安値、終値、出来高には、それぞれ適切な先頭値、極値、末尾値、合計を適用し、VWAPは出来高加重平均として再計算する必要があります。時間枠内で出来高が変わる場合、特に寄り付きや引けの前後では単純平均は誤りです。対象となる取引がない時間枠のVWAPは、価格を作り出さずnullにします。…
このノートブックでは、ケーススタディの登録簿からモデル実験カタログを再構築し、その内容をMLflowと比較する方法を説明します。学習実行、予測セット、バックテスト実行を順にたどり、各段階を前の段階に結びつけます。正規化された仕様には決定的なハッシュを割り当て、再実行の冪等性を確保するとともに、設定変更を識別できるようにします。クエリを使って検証指標、ポートフォリオのバックテスト結果、成果物の来歴をまとめ、検索可能なビューを構成します。…
この探索的分析では、暗号資産無期限先物の時間足OHLCVと8時間ごとのプレミアム指数を分析します。銘柄と日付のカバレッジ、契約銘柄の入れ替わり、プレミアムの単位と分布、OHLCの整合性、欠損値、時間足価格と頻度の低いプレミアム観測値の整合を調べます。プレミアムはインデックスに対するインパクト買値・売値に基づき、デッドゾーンによって厳密にゼロとなる場合があると説明します。プレミアムの符号だけでは、どちらの側がファンディングを支払うかは決まりません。…
このノートブックでは、Yahoo Finance、長期の米国株アーカイブ、FREDのマクロ経済時系列に共通するOHLCVインターフェースを示します。後続のローテーション分析用にETF銘柄群を構築し、過去と現在のデータソースを組み合わせる方法と、優先順位に基づくフォールバック方式を説明します。また、提供元ごとの行数と価格水準を比較し、食い違いを見つけて追跡できるようにします。…
このケーススタディでは、S&P…
このノートブックでは、ETF銘柄群の将来リターン予測について、通常の最小二乗法とリッジ回帰、LASSO、Elastic Netを比較します。すべてのモデルで、ラベル期間に合わせたパージ期間を設けた同一のウォークフォワード分割を使うため、結果の違いを分割方法の不整合ではなく正則化手法に帰属できます。各分割では、学習データだけを使って特徴量のウィンズライジングを行ってから標準化します。性能は誤差や適合度の指標に加え、クロスセクションの順位相関で評価します。…
この章では、株式、マクロ経済系列、先物、暗号資産、予測市場を対象に、時間整合性のあるファンダメンタルズと代替データの調査を構築する方法を説明します。中心となる手法は、二時点管理と基準日時点のクエリ、情報源を考慮した公表タイミング、時点ごとに有効なエンティティ対応付け、監査可能な提出書類テキストの抽出です。ノートブックの手順では、こうした考え方をSEC提出書類とXBRL、マクロ指標の公表、CFTCポジション、オンチェーン指標、機関投資家の保有状況、市場予測フィードに適用します。…
このノートブックでは、分散されたETF銘柄群を対象に、ロングオンリーで資金を全額投資する平均分散の枠組みを構築します。実現可能なポートフォリオと効率的フロンティアを作り、推定リターンと共分散を使って、シャープレシオ最大化および分散最小化のウェイトを求めます。また、推定量が少なくて済む等ウェイト、逆ボラティリティ、等リスク寄与など、より単純な代替手法とも比較します。中心的な教訓は、期待リターンの推定が難しく、共分散をはるかに多くの観測値で推定していても、期待リターンが最適化結果を大きく左右し得ることです。共分散行列…
このノートブックでは、流動性の高いUS株の一部に主成分分析を適用して、グロスエクスポージャーで正規化した固有ポートフォリオを構築し、潜在リスクファクターとしての役割を調べます。説明分散を確認し、セクターETFとの相関から成分を解釈します。標準PCAと階層PCAを比較し、残差、ポートフォリオのリスク寄与、ローリング期間ごとのファクター安定性を分析します。PCAファクターが示すのは共分散構造であり、価格に織り込まれたリターン機会ではないことを強調します。恣意的な符号反転と実際の部分空間ドリフトを区別し、速い残差ボラテ…
このノートブックでは、価格由来の重複特徴量からETFリターンを予測する線形モデルを比較します。複数のリターン期間や指標群が似た情報を表す場合、通常の最小二乗法では、近似した特徴量に不安定で相反する係数が付くことがあります。ウォークフォワードのフォールドでリッジ、ラッソ、エラスティックネットの適合を行い、ペナルティの強さを変えて実験します。リッジは特徴量を残しながら係数を縮小します。ラッソは係数をゼロにでき、エラスティックネットは両方の効果を組み合わせます。フォールドごとにラッソのペナルティを尺度調整し、定めた比率…
この設定では、企業特性で順位付けする月次ロング・ショートUS株式ポートフォリオを記述します。46特性を持つ完全データ銘柄群、月末の判断、翌日始値での執行、ロングとショート各側の等ウェイト、借株を含む大きな取引コストを指定します。特徴量一覧では、バリュー、クオリティ、投資、モメンタムなどのシグナルを分類し、想定する更新遅延と失敗要因を記録します。さらに、月次リターンラベルとウォークフォワード評価を定義し、2016をホールドアウト期間として確保します。…
このガイドでは、因果に関する問いとPythonライブラリーを対応付け、仮定した因果構造のもとで効果を推定することと、データから構造の候補を発見することの違いを明確にします。調整済み処置効果を求める二重機械学習、DoWhyによるグラフベースの識別と反証、PCMCI、PC、FCI、GES、LiNGAM、NOTEARSなどの時系列・横断面の発見手法を紹介します。また、処置の種類と推定対象がツール選びに与える影響も説明します。連続処置を群に変換すると、推定する問い自体が変わります。…
このフレームワークでは、日次US株式OHLCVデータの品質チェックを実演します。価格間の関係、価格が正であること、出来高が負でないこと、欠損値、重複日付、時系列順、価格の停滞、極端なリターンを構造的に検証します。既知の不具合を注入し、想定したチェックが検出することを確認して、検証機能が動作するか調べます。次に、中央絶対偏差、Zスコア、四分位範囲によるリターン外れ値の検出を比較し、同じ倍率を使っても手法ごとにしきい値が異なる理由を説明します。…
このノートブックでは、ETFの横断面を価格評価するための確率的割引ファクターモデルを紹介します。ファンドのエクスポージャーとファクターリターンを個別に推定する代わりに、ファンドリターンとの共変動で平均リターンを説明する共通の割引ファクター系列を、ネットワークで学習します。学習目的は価格評価誤差の最小化であり、予測リターンと情報係数はその後の診断指標として報告されます。最適化する量と報告する予測スコアの違いは、モデルの解釈において重要です。…
このノートブックでは、重み共有型ニューラルアンサンブルのTabMを、暗号資産無期限先物の特徴量パネルに適用します。各メンバーはニューラルネットワークの基幹部を共有しながら、個別のスケーリングベクトルと出力層を持ちます。これにより、効率的なアンサンブルと相関する入力間の非線形な相互作用を組み合わせます。ワークフローでは、回帰、二値方向、三クラス方向の目的変数を扱い、不均衡ラベルにはフォールドごとのクラス重みを適用します。また、複数の学習チェックポイントで予測を保存・登録し、各チェックポイントを個別の候補モデルとして…
このノートブックでは、金融データやモデル由来の特徴量が、その後のリターンでETFを順位付けできるかをスクリーニングします。各特徴量の横断面順位と先行リターンの順位を比較し、日付ごとの情報係数を計算して、その時系列を調べます。リターンラベルの重複を考慮して不確実性を調整し、同時に行う特徴量検定全体の偽発見を抑えます。さらに、ウォークフォワード検証期間を通じて関連性の符号が維持されるかを確認し、証拠が重複する高相関の特徴量を特定します。評価は検証日だけに限定し、ホールドアウト期間はスクリーニングから除外します。…
このノートブックでは、RSIで定めた閾値に基づいて売買するロングオンリーのビットコイン戦略について、監査可能なレポートを作成します。グロスとネットの成績を比較し、データ、ウォームアップ、エクスポージャー、約定、コストをそろえたバイ・アンド・ホールドのベンチマークに対する成績も測定します。条件を一致させることで、売買ルールの効果を切り分けやすくします。レポートでは、ポートフォリオリターン、ベンチマーク比の指標、市場エクスポージャー、決済済み取引の統計を分けます。また、期末資産に影響する保有中のポジションと、勝率の計…