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、無期限先物の資金調達率特徴量を学習した系列表現が、無期限価格と現物価格の差であるプレミアムを手作業で要約した特徴量を上回るか、焦点を絞って検証します。直近ウィンドウ内の変化に線形写像を適用するNLinearと、再帰型のLSTMを比較します。両者で特徴量の順序、フォールド、欠損データの規則、チェックポイントのスケジュールをそろえ、測定差をより明確にアーキテクチャに帰属できるようにします。このノートブックは実験を定義し、検証予測を記録します。戦略の選定はここではなく、後続のバックテストで行います…
このノートブックでは、SHAP特徴量の寄与度が、モデルの削減、リスク判断、報告に使えるほど安定しているかを検討します。ETF予測タスクを用い、予測値は近い一方でSHAPのプロファイルが異なるテストサンプルを探します。次に、異なる乱数シードで学習したLightGBMモデルとRandom…
このノートブックでは、20通貨ペアの候補特徴量を一つずつ先行リターンと照合して評価します。分析対象をウォークフォワード検証期間に限定し、各セッションにフォールドを記録します。また、ホールドアウト前にバッファ期間を設け、ラベルがその期間内に確定しないようにします。ホールドアウト自体は測定しません。まず十分なカバレッジと変動がある特徴量を選別し、次に特徴量の値と次セッションのリターンの間で、日次の横断面スピアマン順位相関を測定します。隣接セッション間の関連を許容して不確実性を推定し、効果の方向がフォールド間で維持され…
このノートブックでは、複数のエージェントによる確率予測を組み合わせ、得られた確率を校正する方法を説明します。パネルの規模と仮定したペア間相関に応じて平均予測を基準率から遠ざける、ネイマン極値化を紹介します。仮定する相関が低いほど複数の証拠源としてパネルを重視し、高いほどエージェント同士を似たものとして扱います。例と合成データのプロットは、この仮定が変わると集約値が大きく変わり得ることを示します。この方法は予測間の不一致を考慮しません。同じ平均値のパネルでも、予測のばらつきは大きく異なることがあります。…
このデータツールは、株式リターン、企業特性、マクロ経済系列、分割前の特性テンソルを含むChen、Pelger、Zhuの資産価格データセットを扱う作業を支援します。変換機能は、公開された学習、検証、テスト用テンソルからParquetファイルを作成します。データアーカイブには各ブロック内で継続する匿名企業の位置情報がありますが、ブロック間の対応情報はありません。そのため変換ツールは、各ブロックに重複しない識別子の範囲を割り当てます。これによりブロック内の企業識別を維持しつつ、同じ識別子がブロック間で同一の既知企業を指…
このノートブックでは、モデルの順位付けをシンプルな暗号資産無期限先物ポートフォリオに反映します。各ファンディング時点で、エントリー規則が順位の上位または下位から契約を選び、均等に加重します。均等加重を基準にすると、ポジションサイズを固定したまま、比較結果の差を順位付けの違いに帰属できます。指定された予測構成にエントリー規則を適用して実行し、結果を後の分析用に登録します。…
このノートブックでは、アットザマネーのS&P…
このモジュールでは、複数のモデル群でウォークフォワードの学習・検証分割を共通の方法で準備します。時間ウィンドウの切り出し、分割ごとのモデルベース特徴量の適用、ラベルが欠損した行の除外、学習データのサンプリングなど、モデルに依存しない時間のかかる処理を、後続のモデル固有の変換から分けます。生の分割を再利用することで、構成ごとに同じ準備を繰り返さずに済みます。線形モデルには欠損値補完と標準化を適用し、勾配ブースティング木では欠損値を保持して、木が備える欠損値の振り分け機能を使います。…
このノートブックでは、無期限先物のファンディング研究における複数モデル群の検証予測を比較します。情報係数は予測値とその後のリターンの順位相関、AUCは上昇・下落ラベルの順位付け、対数損失は確信度の高い誤りに大きなペナルティを課す確率予測の精度を測る指標だと説明します。それぞれ異なる問いに答えるため、AUCが改善する一方で対数損失が悪化することもあります。また、どちらの順位指標も、有用なリターンの大きさや確率の較正を示すものではありません。…
この実装では、深層学習研究のパネルデータに使う系列ウィンドウをまとめて構築する方法を説明します。各資産の観測値を連続した行に詰めるのではなく、パネルが想定するカレンダーに沿ってウィンドウを作ります。欠損セッションは未観測セルのまま保持し、観測状況とデータの古さを示す指標を付けます。これにより、設定上の過去参照期間が意図せず実際より長い期間をまたぐことを防ぎます。適格性の規則では、観測済みデータの最低割合を定め、連続する欠損の数を制限します。…
このノートブックでは、重複データの処理、欠損区間のフラグ付け、ドメインフィルター、反転に基づく急変検出、外れ値のクリッピング、カテゴリ変数のエンコーディング、頻度の異なるデータセット間の整列など、市場データや企業データを扱う実践的なクリーニング方法を紹介します。中心となる教訓は、スケーリングやクリッピングの境界など、データから学習する前処理パラメーターは学習用分割で適合し、その後に検証データまたはテストデータへ適用する必要があるということです。サンプル全体を使って適合すると、モデル開発に未来の情報が漏れる可能性が…
このノートブックでは、予測値が似ている場合や、異なる乱数シードやアーキテクチャでモデルを再適合した場合に、SHAPの寄与度が安定するかを調べます。ETFの将来リターンを使い、予測値は近くてもSHAPのプロファイルが異なるサンプルの組を探し、複数のLightGBM適合結果とRandom Forestの特徴量重要度を比較します。予測性能の評価にはクロスセクション情報係数を使い、寄与度プロファイルの比較には平均絶対SHAP値を使います。…
このノートブックでは、Polymarketの暗号資産決済型イベント契約と、規制下にあるKalshiの契約を比較します。アクセス規則や上場方針によって、各市場が示す価格や問いがどのように決まるかに焦点を当てます。少量のPolymarketスナップショットを調べ、対象となる市場数と日付を確認し、Bitcoinの価格しきい値の段階的な契約を特定して、しきい値が上がるにつれて価格が下がるかを検証します。また、確率特徴量を作成し、両市場で重複する連邦準備制度関連のイベント契約を比較します。…
この資料では、検証データで選んだ戦略を、別個の2021ホールドアウトの予測値を使って評価する方法を説明します。選択した配分、集中度、リスク管理、取引スケジュール、コストは固定し、戦略に入力する予測値だけを変更します。ホールドアウトの予測セットは、学習仕様を通じて選択したモデル構成に結び付けられており、意図した手順に沿った評価に役立ちます。…
この文書は、SECの8-K報告書を構造化された企業イベントに変換するパイプラインを説明しています。言語モデルがイベント間の関係を抽出し、明示的なスキーマ検査でエンティティ名、関係の種類、カテゴリ、日付を検証します。決定論的な正規化でエンティティ表記を整え、裏付けのない値を含む記録はレビュー用に未解決のままにします。提出書類の項目番号は文脈として渡し、複数の項目は保持します。欠落した項目は推測せず、欠落として識別します。…
このノートブックは、暦年にわたるUS株式の2つの線形モデル構成から得た実際の検証データ上の予測誤差に、2種類の逐次検出器を適用しています。2期間の平均シフト検出器は誤差の大きさの変化を探し、悪化日頻度モニターは方向予測が外れる頻度を追跡します。各検出器は初期期間のデータで較正し、その後のセッションを監視するため、評価対象期間に合わせたしきい値の調整を避けています。アラートを移動ボラティリティに基づく市場混乱の代理指標と比較し、混乱局面に対するアラートの符号付き時間差も保持して、早期警告と遅れた検知を区別しています…
このノートブックでは、S&P 500株のアット・ザ・マネーのショート・ストラドルについて、将来リターンのラベルを作成しています。日次パネル上の名目30日ストラドルは、セッションごとに異なる契約を表すため、価格系列を単純にずらすと異なる金融商品が混在します。その代わりに、ラベルは実際に建てたコールとプットの個別契約を追跡し、その後の価格または決済価値を取得して、各取引に有効なエントリーと決済のデータがあるか確認します。また、満期保有リターンを主要指標とし、デルタヘッジ型を含む固定期間の診断指標と区別しています。…
この文書は、2026年に米連邦準備制度が政策金利の誘導目標を引き上げるかどうかについて、強気・弱気の立場から構造化して議論した記録です。3つのエージェントが問いを検討し、論拠は連邦準備制度の見通し、インフレ、労働市場の状況、金融機関の予測、過去の政策変更に基づいています。強気の見方はインフレの持続と連邦準備制度が方針を転換する可能性を重視します。弱気の見方は利下げまたは金利据え置きの予測、雇用の減速、引き締め政策の効果が発揮されるまで待つ可能性を指摘しています。…
このノートブックは、ケーススタディのバックテストから得た戦略のコスト別分析を用いて、グロスとネットのシャープレシオを比較します。各稼働戦略の構成について、記録済みの成果物から想定する片道ごとのコストとリバランス頻度を読み取り、想定コストでのシャープレシオを補間し、シャープレシオがゼロになるコストを推定します。分析範囲の上限でも利益が残る場合、損益分岐点は実際に観測された交差点として報告せず、右打ち切りとして扱います。頻度別の分類には明示的な売買回転率の乗数を使用しますが、ノートブックでは実測値ではなく仮定と位置付…
この文書では、実注文のライフサイクルを有限個の状態と、イベントによって生じる有効な遷移で表現する方法を説明します。注文の送信、ブローカーによる受領確認、取引所での受理、一部約定と全量約定、取消要求、拒否、期限切れ、停止を扱います。遷移表を使うと、注文の現在状態に照らしてブローカーのコールバックを検証し、最終状態に至った履歴を保持できます。…
このノートブックでは、株式特徴量とインプライド・ボラティリティ、スキュー、期間構造などのオプション由来指標を組み合わせたS&P 500のクロスセクション研究について、予測モデル、構造モデル、因果モデルの証拠を比較します。週次の将来リターン順位に加え、別のラベル期間、潜在因子の結果、因果推定、十分位ごとの動き、シグナル間の相関を評価します。中心となる問いは、オプション特徴量が直接または潜在因子を通じて有用な情報を加えるか、そしてどの知見が後続の戦略シミュレーションに値するかです。…
このノートブックでは、取引、資金調達、ファンド経費を明示的に仮定し、グロスリターンをネット成績に換算します。コストにはスプレッドと市場インパクト、手数料と取引所費用、証拠金金利、株式借入料、運用報酬、管理費が含まれます。パラメーター化した計算では、実際の日次ETFリターン系列に、回転率の高いロングのみ、レバレッジをかけたロング・ショートのスプレッド、回転率の低いロングのみの各設定を適用します。そのうえで、グロスとネットのリターン、シャープレシオ、ドローダウンを比較します。…
このノートブックでは、実際に損失となった取引をモデルのSHAP説明に結び付ける、取引単位の診断ワークフローを示します。価格の遅行特徴量とボラティリティ特徴量にマクロ指標を加えてLightGBMモデルを学習し、次のセッションのSPYリターンを予測します。固定した予測閾値で1セッションのロング取引を決めます。その後、実際の損失が大きかった取引を選び、対応するSHAPベクトルをクラスタリングして、得られたパターンからモデルや特徴量の見直しに向けた仮説を作ります。…
このノートブックでは、執行記録から学習する行動クローニングと逆強化学習（IRL）を比較します。実演データはTWAPスケジュールから得ています。リスク中立の目的は既知で、タイミングリスクへのエクスポージャーを受け入れながら、取引を均等に分散してインパクトを抑えます。行動クローニングは状態と行動の組から直接行動を学習します。一方、IRLはその行動を説明しうる報酬を推定し、別の設定へ移転するための基礎となる可能性があります。…