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、Ridge回帰と3つのコンフォーマル手法、すなわち分割コンフォーマル予測、コンフォーマル化分位点回帰、適応型コンフォーマル推論を使い、ETFの将来リターンの不確実性区間を作成します。ウォークフォワードのフォールドで評価し、有限サンプルでの較正ルールを説明します。補間した分位点ではなく、必要な順位にある較正スコアを選びます。適応型コンフォーマル推論は、将来リターンのラベルが確定するまでフィードバックを遅らせながら、時間とともに許容するカバレッジ不足の目標値を更新します。…
このノートブックでは、永久先物のプレミアムのzスコアが、その後8時間のリターンと関連するかを、処置前の6つの統制変数で調整してダブル機械学習により推定します。高ボラティリティと低ボラティリティのレジームで別々にフィットし、処置とレジームの交互作用も使って効果を比較します。データは複数銘柄のパネル形式で構成されているため、クロスフィッティング、エンバーゴの適用、Driscoll–Kraay標準誤差の計算では、各タイムスタンプを1つの意思決定期間として扱います。…
このノートブックでは、特性に依存するファクター負荷量と潜在ファクターの積として株式リターンをモデル化する条件付きオートエンコーダーを解説します。まず、横断面の同時最小二乗フィットで特性に基づくポートフォリオリターンを推定し、次にニューラルネットワークを学習させて同時点のリターンを再構成します。別のウォークフォワードアダプターが次のファクター実現値を予測し、現在の特性を通じて変換することで翌日の株式リターンを予測します。…
このデータセットガイドでは、株価指数、金利、エネルギー、金属、通貨、農産物、畜産物にまたがる連続CME先物契約を紹介します。時間足のソースデータと、そこから作成した日足データ、複数の限月、商品設定、ローダーによるフィルタリングについて説明します。ダウンロード手順では商品と年ごとにファイルを分け、費用の見積もりやドライランに対応しています。データをリクエストする前に、プロバイダーの料金を確認することを推奨しています。…
このノートブックでは、モデルが資産を順位付けした後、配分ルールがETF戦略にどう影響するかを調べます。予測セットとリバランスカレンダーを固定し、比較ごとに同じ上位k銘柄のバスケットを選び、その中の配分比率を変えます。手法には均等配分、スコア加重、逆ボラティリティ、リスクパリティ、平均分散最適化、階層的リスクパリティがあります。保有ファンド数によって配分比率の違いが生じる余地が変わるため、バスケットの集中度も変えて検証します。…
このノートブックでは、重複するリターン期間や、関連するモメンタム、ボラティリティ、オシレーター指標から作成したETF特徴量を使い、線形モデルを比較します。こうした予測変数には共線性があり、通常の最小二乗法では係数が不安定になります。この実験ではウォークフォワード検証フォールドごとにリッジ、ラッソ、ElasticNetの設定を適合し、データ依存のペナルティ水準をフォールドごとに決定します。また、すべての設定が同じ銘柄、日付、フォールドで評価されていることを確認します。…
このノートブックでは、取引コストによって成績が損なわれたNASDAQ-100の全バー取引戦略を、ポートフォリオ構築で改善できるかを検証します。宣言された選択銘柄群を使ってベースライン予測の上位を選び、その後は全銘柄群で配分を比較します。保有銘柄数を変え、均等配分、スコア加重、逆ボラティリティによるポジションサイズを比較しながら、15分の取引間隔は固定します。報告された結論では、検証したすべての配分手法の組み合わせが大幅なマイナスにとどまり、配分手法や集中度よりも売買回転コストの負担が重要でした。…
このノートブックでは、均等配分のシグナル段階ベースラインで検証成績上位の予測設定を選び、同じ予測に対して別の配分手法を試します。保有銘柄数を変えながら、スコアベース配分やコンフォーマル配分を、逆ボラティリティ、リスクパリティ、平均分散最適化、階層的リスクパリティと比較します。検証シャープレシオに基づいて設定を進め、各設定で全データをカバーする最良のチェックポイントを使うことで、チェックポイントが細かく多い設定が候補を過度に占めないようにします。…
このノートブックでは、登録済みのETF予測セットをポートフォリオに変換した場合の成績を評価します。各検証予測セットを、異なる上位k銘柄の保有など宣言済みのエントリー方式と組み合わせ、取引カレンダー、リバランス頻度、設定した手数料とスリッページの仮定は固定します。一括比較の前に、ランダムな順位付けをエンジンで実行します。シャープレシオがゼロから大きく離れている場合、タイミング、データ結合、コストモデルに欠陥がある可能性を示すものとして扱います。…
分数次差分では、対数価格にラグ差分演算子の非整数乗を適用します。二項係数の重みは過去の観測値に向かって減衰するため、結果には価格変化と一部残る水準情報が組み合わされます。分数次はそのバランスを調整します。低い次数では記憶を多く保ちますが、定常性を示す根拠が弱くなる傾向があります。一方、高い次数ではより短い履歴を使い、水準情報を多く取り除きます。…
この章では、バックテスト、模擬取引、実運用で動かせる戦略ロジックを軸に、研究から実際の執行へ進む手順を説明します。ブローカーやプラットフォームとの連携、デプロイの反復処理、データと特徴量の同等性確認、注文のライフサイクル処理、運用準備を扱います。注文処理は状態遷移としてモデル化され、部分約定、取消、拒否、中断後の復旧を明示的に扱えるようにします。リスク管理には注文・ポジションの上限、古いデータの確認、シャドートレード、照合、キルスイッチを含みます。…
この章では、市場データ、ファンダメンタルデータ、オルタナティブデータを含む金融データを整理し、資産クラスによって価格、流動性、観測値の意味がどう変わるかを比較します。タイムスタンプ、調整、識別子、改訂はデータセットの定義の一部であり、研究上の結論を変える可能性があると強調しています。例として、生存者を考慮した株価、コーポレートアクション調整、先物のセッションバーと連続契約、オプション指標、暗号資産のファンディングデータを挙げています。…
このノートブックでは、US株式パネルの株価特徴量を順序付きのウィンドウにして、リターンを予測するLSTMモデルを説明します。単純な表形式モデルとは異なり、LSTMは各ウィンドウのセッションを順次処理し、隠れ状態を引き継ぎます。学習されたゲートが、新しい情報を状態に加えるか、過去の情報を破棄するか、次のステップに何を渡すかを制御します。この設定では再帰層を積み重ね、構成ごとに複数のエポックチェックポイントを保存します。…
このノートブックでは、合成金融系列を生成する再帰型敵対的生成モデル、TimeGANを紹介します。5つのモジュールが埋め込みと再構成を学習し、潜在状態の遷移を予測し、ノイズから系列を生成して、生成系列と実系列を見分けます。学習は表現学習、時間的な教師あり学習、敵対的学習の同時実行という順で進みます。この例ではUS銘柄のパネルから日次対数リターンを使い、評価用にデータの直近部分をホールドアウトします。…
この文書では、ケーススタディの評価設定からウォークフォワード検証分割を生成する共通手法を説明します。フォールドの構築をカレンダー対応の分割器に委ね、パネル行の整合性を保つため一意のタイムスタンプを使い、定義済みのホールドアウト境界から逆向きに処理します。学習期間と検証期間にはローリング期間を使えます。また、期間境界をまたぐ結果による情報漏洩を抑えるため、ラベルバッファで両者を分離します。…
このノートブックでは、イベント駆動型バックテストエンジンを使って、BTC/USDTの無期限先物バーを対象とするロング限定のRSI平均回帰ルールを実装します。イントラデイの観測値をUTCの日足バーに集約し、上昇幅と下落幅の単純なローリングRSIを計算します。指標が売られ過ぎの閾値を下回るとエントリーし、買われ過ぎの閾値を上回ると決済します。戦略は資本に対する所定の割合を目標とし、手数料とスリッページをモデル化します。逐次エンジンでは、判断、未約定注文、約定、ポジション、現金を明示的に表現し、経路依存のロジックを扱え…
この文書では、TWAPとVWAPが取引時間中に大口の親注文を子注文に分割する方法を説明します。TWAPは各時間間隔に同じ数量を割り当て、VWAPは時間間隔ごとの出来高予測に比例して数量を割り当てます。ノートブックでは過去の分足から出来高を予測し、その後のNASDAQ-100セッションで両方のスケジュールを検証します。各時間間隔の出来高加重価格で約定をシミュレーションし、利用可能な出来高に占めるスライスの割合に基づいて平方根型マーケットインパクトを課します。…
このノートブックでは、ETFの将来リターンを予測する教師ありオートエンコーダーを紹介します。ネットワークはファンドの特徴量行を低次元の表現に圧縮し、その表現から直接リターンを予測します。同じモデル群の条件付きオートエンコーダーと異なり、リターンが少数の共通ファクターから生成されるとは仮定しません。再構成損失とリターン予測損失を同時に学習するため、目的ラベルを変えると別個のモデルが適合されます。…
この文書では、既存のウォークフォワード検証仕様から単一のホールドアウト用学習期間を導出する方法を説明します。研究設定で宣言されたホールドアウト日を使い、検証フォールド全体で最も早い学習開始日を採用し、最も広いラベルバッファを確保できるよう学習期間を早めに終えます。このバッファにより、学習対象の結果がホールドアウト評価用に確保された期間に及ぶのを防ぎます。特徴量がフォールド単位のより狭い履歴期間にしか存在しない場合は、学習開始日の下限を設け、特徴量が実際にカバーする日付にホールドアウト用の適合期間を制限できます。…
このノートブックでは、売買シグナルや発表などのイベントが市場ベンチマークを上回るリターンを予測するか検証する方法を説明します。流動性の高いETFのモメンタム・ブレイクアウトを例に、イベント前のリターンから市場モデルを推定し、イベント期間の異常リターンを計算してから、日次平均を集計し、信頼区間と有意性統計量を伴う累積平均異常リターン（CAAR）を算出する手順を示します。…
この分析では、9つの取引ケーススタディにまたがる特徴量トリアージ台帳を比較します。Benjamini–Hochberg法による偽発見率の有意性と、ケース固有の効果量下限および分割間の符号安定性を組み合わせた、PROCEED判断への別経路とを区別します。どちらかの経路を満たせばよいため、PROCEED特徴量の数はFDR閾値を通過する数を超える場合があります。続いて各ケースのPROCEED割合を検証およびホールドアウトのシャープレシオと対応させ、特徴量が選別後に残ることが戦略の存続を予測するかを調べます。…
このノートブックでは、株式研究向けに未加工のSECフォーム4のXMLからインサイダー取引を抽出する方法を説明します。各取引ブロックを解析単位とし、取引コード、日付、株数、価格、売買方向の対応関係を維持します。XMLツリーをたどることで、取引間や普通株・デリバティブの各セクション間で項目が混ざるのを防ぎます。共同提出では、最初に見つかった名前に取引を割り当てず、報告者全員を保持する必要があります。…
このノートブックでは、キャリー、モメンタム、ボラティリティなどの加工済み特性ではなく、CME先物リターンのパネルから主成分ファクターを構築します。PCAは商品間の変動を説明する方向を見つけます。第1成分は市場共通の動きに似ることがあり、後続の成分はセクター間の共動を反映する可能性があります。これらのパターンはセクターラベルを前提としておらず、成分は予測価値ではなく説明分散の順に並びます。…
この文書では、先物リターンに対する2つの潜在ファクター手法を紹介します。主成分分析はリターン変動の大部分を説明する無相関な方向を見つけます。一方、ニューラル確率的割引ファクターは期待リターンのクロスセクションに関連する組み合わせを探し、キャリーやボラティリティなどの商品特性を利用できます。したがって、手法の問いは異なります。一方は広範な共変動、もう一方は価格付けされている可能性のあるリターン構造を扱います。推定されたファクターの経済的意味は、さらに解釈する必要があります。…