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
この設定では、S&P 500構成銘柄を対象に、週次のアット・ザ・マネー・ストラドル売りを検証します。ポジションは金曜日に建て、満期に向けて保有し、オプションのデルタ変化に応じて日次で株式ヘッジを行います。ポートフォリオでは期間が重複するコホートに資本を分散し、主な評価指標を満期までのリターンとします。時系列順の学習、検証、ホールドアウト期間に加え、複数のポートフォリオ配分方法と、分散リスクプレミアムがリターンを説明できるかの分析を用いて評価します。…
このノートブックでは、ファンド間の価格リターンに対して単一の重み系列を当てはめるETF確率的割引ファクターモデルを解説します。ファンドのエクスポージャーとファクターリターンを別々に推定するモデルとは異なり、価格誤差を基準に2つのネットワークを学習します。一方はクロスセクションから割引ファクターの重みを構成し、もう一方は各ファンドのエクスポージャーを推定します。目的はリターン予測ではなく、無裁定価格付けとして設定されていますが、ノートブックでは予測リターンのスコアも報告しています。…
あらかじめ選定したUS株式モデルの設定を使って、保留期間の予測を作る方法を説明しています。モデルと戦略の設定は検証結果に基づいて選んでいるため、同じ検証結果を選択の妥当性を独立に確かめる根拠にはできません。ノートブックはケーススタディの設定から保留期間の日付を読み込み、選定済みモデルを特定して、保留期間の開始前に利用できる履歴だけで再学習します。…
このノートブックでは、実運用データの代替としてホールドアウト予測をオフラインで用い、運用中のトレードモデルを監視するワークフローを紹介しています。ドリフトを計算する前に入力特徴量パネルを検証し、参照期間と現在の期間を母集団安定性指数（PSI）および2標本コルモゴロフ・スミルノフ検定で比較します。さらに、予測分布の変化と、ローンチ時のベースラインを基準としたローリング順位相関、的中率、平均二乗誤差を追跡します。…
言語モデルで合成金融テーブルを生成する手法GReaTを紹介しています。各行をテキストに変換し、ETF特徴量を使ってGPTベースのモデルをファインチューニングしてから、生成テキストを数値列とカテゴリ列が混在する表に戻します。例の特徴量には、過去リターン、ボラティリティ、出来高比率、方向やレジームのラベル、将来リターンの目的変数が含まれます。時系列に沿って学習データとテストデータを分け、特徴量分布の再現性と、合成データで学習して実データでテストする分類による下流タスクでの有用性を評価します。…
将来の観測値が過去の値に影響しないように、US株式パネルのモデルベース特徴量を構築する方法を説明しています。中心となるのは推定スケジュールです。モデルに初期学習期間を設け、特徴量を生成するブロックより前のデータだけで学習し、そのブロック全体で特徴量を出力してから、次のブロックに進む前に再学習します。この手順を市場レジームとの距離、分数階差分を適用した価格、条件付きボラティリティに用います。個別銘柄のボラティリティモデルに加え、履歴が短い場合には市場全体の推定値で補います。…