ナレッジライブラリ

このノートブックでは、ReActループで推論と行動を交互に行う予測AIエージェントを構築します。行動の種類は意図的に絞り、エージェントは根拠を検索するか、確率予測を提出できます。2つのメソッドを備えた共通インターフェースにより、異なる言語モデルプロバイダーをループで利用できます。また、スキーマ検証により、モデルの応答が行動を起こす前に確認されます。無効な応答は修正のために返され、ステップ数の上限によって予測せずに処理を続けられる長さを制限します。…

このノートブックでは、既知のシミュレーター群に含まれるパターンを学ぶベンチマークとして、ADIA…

このノートブックでは、選択したCME先物モデル構成についてホールドアウト予測を作成する方法を説明します。構成は検証結果から選び、ホールドアウト期間の開始前に終わるデータで再学習します。ラベルバッファで学習観測値と評価期間を分け、将来を参照するラベル結果がホールドアウトに及ばないようにします。また、期間前に推定したパラメーターを期間中固定して、ホールドアウト用のモデルベース特徴量を再生成します。…

このノートブックでは、バリュー・アット・リスク（VaR）と期待ショートフォール（ES）を目標とする金融リターン・シナリオ生成手法、Tail-GANを説明します。微分可能なソートを使い、分位点推定を通じて勾配を伝播させ、VaRとESの関係を定める制約へリスク推定値を射影します。ETFリターンをローリング・シナリオにまとめ、ランダムなロング・ショートのポートフォリオウェイトと組み合わせてPnLの例を作ります。スケーリングも重要です。入力値を生成器の出力クリップ範囲内に写像し、極端な観測値も表現できるようにします。…

この特徴量エンジニアリング用ノートブックでは、ファンダメンタルズ、マクロ経済データ、カレンダー情報を使い、低頻度の情報で高頻度の売買シグナルに文脈を与える方法を説明します。簿価時価比率や利益利回りなどのバリュー比率、自己資本利益率や発生高などのクオリティ指標、マクロ指標とリスク局面、季節性やイベント時期を表す周期的なエンコーディングを取り上げます。四半期財務データの整合には、銘柄と発表日をキーとした後方as-of結合を使い、日次観測値には、その時点までに発表された最新情報だけが付与されます。マクロ系列にも公表ラグ…

このノートブックでは、検証フォールドでモデルと戦略を選択した後、選択済みのNASDAQ-100マイクロストラクチャー構成についてホールドアウト予測を作成する方法を説明します。選ばれた学習仕様を再構成し、ケーススタディで定めた期間からホールドアウト・フォールドを導き、より前のデータだけを使ってモデルを再学習します。学習IDを確認し、検証データで学習済みのモデルによる予測と、ホールドアウト用に本当に再学習した予測を区別します。特徴量や結果の情報が境界をまたがないよう、学習期間の終了からホールドアウト開始までに、最長の…

このガイドでは、週次の先物ポジションデータの情報源として、公開されているCFTCのCommitment of Tradersレポートを紹介します。ディーラー、資産運用会社、レバレッジド・マネーなどに参加者を分類するTraders in Financial…

このPythonモジュールでは、日次のアウトオブサンプルリターンを用いて、戦略のバックテストにおける不確実性を定量化する方法を説明します。リターン系列の統計量に対する定常ブロック・ブートストラップ区間、自己相関と非正規性を調整したシャープレシオの標準誤差、平均リターンのNewey–West標準誤差を組み合わせています。ブロック長は、利用可能な場合はリバランス間隔から選び、それ以外は最適サイズ推定量を用い、リターンの期間を基準に下限を設けます。また、日次リターン差を使ったペア・ブートストラップ比較と、シグナル、配分…

複数のケーススタディについて、5つの潜在ファクター推定器の登録済み検証結果をまとめます。まず、各パネルに結果がある推定器を整理し、日次の平均Spearman順位情報係数（IC）とHAC信頼区間を使って最良の推定器を特定します。また、共通のUS企業パネルで推定器を比較し、教師ありモデル群と日付ごとのIC差を調べます。モデルの選択と報告には、同じ順位統計量を使うことを重視しています。…

出来高参加率の上限によって、各市場区間で親注文のうち約定可能な数量を制限する方法を説明します。ブローカーは観測された取引高から執行可能な数量を算出し、未約定分を次の区間に繰り越します。参加率の上限を下げると市場への影響を抑えられますが、完了までの時間は延びます。上限を上げると執行は速まりますが、マーケットインパクトへのエクスポージャーが増えます。最低出来高のしきい値を設けると、特に流動性の低い時間帯の取引を防げます。…

この文書では、モメンタムおよびクロスアセット研究の候補プールを目的とした日次ETFデータセットについて説明しています。USや国際株式、債券、コモディティ、特殊ファンド、通貨を含む9つのカテゴリーを扱っています。データはYahoo Financeから取得し、付随するワークフローでレコードをダウンロード、保存、読み込み、フィルタリングし、プロファイルします。銘柄別およびカテゴリー別のカバレッジを確認し、履歴や取引高の違いを把握できます。…

実際のETFデータと価格から算出したモメンタムの例を用いて、単一ファクターを評価します。将来リターンに対するクロスセクションのSpearman情報係数を測定し、期間ごとに比較します。また、日次クロスセクションICの平均と、全観測値をまとめて計算する相関係数の違いを説明します。さらに、ICIR、統計的不確実性、分位点リターン、上位と下位のスプレッド、単調性、売買回転率、シグナルの減衰も扱います。対象範囲と鮮度の確認では、ファクターが存在し、想定どおり更新されるかを調べます。…

NASDAQ-100マイクロストラクチャー戦略の将来リターンに対して、候補となる金融特徴量とモデルベース特徴量をスクリーニングするケーススタディです。時間経過に伴うクロスセクションの順位情報係数を計算し、依存性と多重検定を考慮した推定を行い、分位点ごとのリターン形状や特徴量の重複を調べます。対象範囲と鮮度を確認し、疎すぎる、または変化が少なすぎて信頼できる解釈が難しい特徴量を特定します。証拠を添えて、継続、修正、中止の判断を記録するトリアージ台帳を用います。…

根拠のない主張やハルシネーションが大きな損失につながりかねない、自由度の高い金融研究で言語モデルをより有用にする方法として、検索拡張生成を紹介します。文書の取り込みや構造を考慮した分割から、メタデータ、ドメイン固有の埋め込み、語句検索と意味検索を組み合わせた検索、再ランキング、証拠に基づく生成まで、システムの各段階を解説します。追跡可能性と数値の信頼性を高めるため、引用の制約とツールで検証した計算も取り上げます。…

シグナルルール、配分、リスクオーバーレイを対象とする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を選択します。異なるリターン期間の候補を比較し、検証シャープレシオが最も高い設定を選びます。コスト感度分析は選択プールに候補を追加するものではなく、選択済みの設定を説明するために行います。比較を再現できるよう、正規の実行では候補の構成を固定します。…

複数の資産系列を必要とする特徴量を作成します。共和分についてEngle-Granger検定とJohansen検定を比較し、連動して動くだけでは定常スプレッドを意味しない理由を説明します。全期間の回帰と、情報を前向きに更新するカルマンフィルターの両方でヘッジ比率を推定します。平均回帰の半減期は学習期間のみから推定し、その値でシグナル期間を設定することで、選択に将来情報を使わないようにします。また、時間方向の指標をクロスセクション順位、ベンチマークとの相対値、ユニバース全体のレジーム要約に変換する方法も紹介します。…

分足とNBBO気配値を用いて、NASDAQ-100銘柄の将来の日中リターンラベルを作成する方法を説明します。シグナル後の次の足から指定した将来時点までのリターンを定義し、ビッド・アスク・バウンスを抑えるために気配値の仲値を使い、スプレッドは別の摩擦コストの推定値として扱います。取引所のスケジュールに沿って各期間を区切り、ラベルが取引時間をまたいだり、早引け後の古い補完足を使ったりしないようにします。宣言した時間の期間を足数に変換するのは、観測された時間間隔を確認してからです。…

このケーススタディでは、アット・ザ・マネーのショートストラドルを対象に、満期までのリターンを予測する勾配ブースティングモデルを比較します。木の複雑さと、二乗誤差、絶対誤差、Huber損失という3つの適合目的を変えて評価します。ボラティリティイベントがあった年を含む2つの期間でウォークフォワード検証を行い、予測を情報係数（IC）で評価します。各ブースティング段階で独自の予測を生成するため、チェックポイントは別々のモデル候補として扱います。…

日次の市場データを最新に保つ運用ワークフローを紹介します。初期履歴を読み込み、期間が少し重複する差分を取得し、欠損日を確認して、鮮度と検証上の問題を監視します。重複期間を設けることで、データ提供元による直近の足の修正も取り込めます。OHLCVデータの更新期間は現在の日付ではなく、最後に完了した足までとします。提供元から部分的な取引セッションや価格が未確定のセッションが返される場合があるためです。このガイドでは、取引所カレンダーなしで欠損を補完すると、週末や祝日の人工的な足が作られる可能性も指摘します。…

この文書では、CME先物研究で検証データからモデル設定を選択した後、ホールドアウト期間の予測を生成する手順を説明します。検証結果から選択済みの設定とチェックポイントを取得し、ホールドアウト開始前に利用可能な履歴だけを使ってモデルを再学習します。ラベルバッファによって学習結果が評価期間に及ばないようにし、ホールドアウト用の適格性とモデルパラメーターを再計算します。登録された学習識別情報により、検証データで学習済みのモデルを再利用せず、新たに学習した証拠を示します。…

このノートブックでは、S&P 500の株式・オプション研究で主要ラベルを予測するパッチ化トランスフォーマーを学習させます。各銘柄の過去の入力期間を連続したパッチに分け、各パッチをアテンションのトークンとして扱います。アテンションは期間内の離れた箇所を直接比較でき、パッチ化によって系列が短くなります。大きなパッチは計算負荷を減らしますが、パッチ内の細部を圧縮します。このモデルのルックバック期間と学習スケジュールは、研究内の他の深層学習アーキテクチャと共通です。…

選択した先物商品について、週次のCFTCトレーダー別建玉報告データを取得し、各商品の履歴をParquetファイルとして保存する方法を説明します。COTレポートは火曜日時点のポジションを記録し、金曜日に公表されます。トレーダーの分類は金融先物と商品先物で異なります。取得データには報告日、建玉、買い建玉、売り建玉、ネットポジションが含まれ、先物調査のワークフローでポジションやセンチメントの特徴量として利用できます。…

この探索的分析では、Binance無期限契約の1時間足OHLCVデータと8時間ごとのプレミアム指数を確認します。データセットの対象範囲、契約銘柄の入れ替わり、単位、欠損値、生の足データにおけるOHLCの整合性を調べます。プレミアムは小数で保存されるため、パーセント表示には換算が必要です。2つのデータフィードは公開頻度が異なるため、タイムスタンプの直接結合では一部の足だけが自然に一致します。また、足のタイムスタンプは開始時刻を示すため、as-of結合では時刻の調整も必要です。…

このコードでは、金融特徴量から予測するための教師ありオートエンコーダ・アーキテクチャを紹介します。エンコーダーが正規化された入力をボトルネック表現に圧縮し、正則化タスクとしてデコーダーが入力を再構成します。補助予測ヘッドは再構成データに対して動作し、より大きなメインネットワークはスキップ接続を通じて元の正規化特徴量とエンコード表現を組み合わせます。このモデルは分類と回帰の両方に対応します。…