ナレッジライブラリ

この監査では、同一の固定済みモデル目標値とコンテンツ識別可能な過去データを使い、ETF配分、先物、暗号資産無期限先物の資金調達、外国為替、US株式を対象に、複数の取引エンジンでリプレイを比較します。約定記録、評価時刻、口座価値、最終価値の一致と、意図的に変更した約定の検出によって執行の一致性を評価します。モデル化と目標値の作成はどちらのエンジンを実行する前にも行うため、この比較で切り分けられるのはリプレイの挙動であり、シグナル生成の一致ではありません。…

この分析では、事例ごとのオーバーレイ・バックテストをレジストリから読み込み、シャープレシオと最大ドローダウンを配分段階のベースラインと比較します。配分段階の値がない場合はシグナル段階の値を使います。設定をルールの種類に分類し、各調査で最もシャープレシオが高いオーバーレイと、カテゴリーごとの平均、中央値、改善率を報告します。パラメーター検討での最良結果は、最大値を選ぶことで改善が実際以上に見えるため、典型的な設定とは分けて扱います。…

このノートブックでは、S&P 500の株式・オプション分析で、系列予測に用いるパッチ型トランスフォーマーを説明します。時間窓を連続したブロックに分け、各ブロックをトークンとして表現することで、短くした系列を扱いながら、注意機構が窓内の離れた部分を直接比較できるようにします。パッチの大きさは解像度とのトレードオフを決めます。大きなブロックは系列長を短くしますが、注意機構が個別に調べる前に多くの観測値をまとめます。…

このETF特徴量ノートブックでは、数式が過去の観測値を使っていても、推定パラメーターを通じて統計モデルから未来の情報が漏れる可能性を説明します。対策として、ウォークフォワード方式の再適合スケジュールを用います。最初にバーンイン期間を設け、各再適合時点までに利用可能なデータで適合し、次の再適合までの値を生成します。この手法を、隠れマルコフモデルによる市場レジーム、分数差分を施した基準ETF価格、ETFごとのGARCH(1,1)条件付きボラティリティに適用します。…

このノートブックでは、固定された検証候補群から選ばれたFX通貨ペアの設定を再構成し、検証とホールドアウトの証拠を評価します。選択には適格な候補のうち最も高い検証シャープレシオを用い、同値の場合はバックテスト識別情報で決定的に順位付けします。コスト違いの設定は候補群に含めません。モデル系列、設定、ラベル、チェックポイントによってホールドアウトの系譜を照合します。実際に再学習すれば学習識別情報が異なるためです。分析では、登録済みのホールドアウト予測とバックテストを読み込み、出所を確認し、検証、ホールドアウト、および両…

このノートブックでは、US株式パネルを対象に勾配ブースティングを検討し、3つの先行リターン期間について、木の規模、目的関数、学習チェックポイントを変えます。浅い木でも特徴量間の相互作用を学習できる一方、規模を大きくするとノイズに適合するリスクも高まることを説明します。二乗誤差、絶対誤差、Huber損失は、裾の重いリターン観測値をそれぞれ異なる形で扱います。順位情報係数（IC）は、リターンの大きさを正確に当てることより、順位付けを評価します。複数のチェックポイントを採点することで、それぞれを別候補として扱い、木を追…

このノートブックでは、検証結果を用いて設定を選択した後、暗号資産無期限先物の資金調達戦略についてホールドアウト予測を生成する方法を説明します。対象となる検証バックテストのうちシャープレシオが最も高いものを特定し、モデル系列、ラベル、チェックポイント、戦略設定を引き継いだうえで、ホールドアウト期間より前にデータが終了する新しい学習仕様を作成します。ラベルバッファにより、先行リターンの期間が評価期間に重ならないようにします。レジストリには再学習と予測が記録され、学習識別情報が変わったことが、検証データで適合したモデル…

この共通ユーティリティモジュールは、時系列の二重機械学習（DML）を用いた取引データの因果分析を支援します。文書化された機能には、エンバーゴを伴うウォークフォワード推定、補助モデル、反証チェックが含まれます。プラセボ検定でのブロック置換は局所的な時系列依存性を保ちます。パネル置換では、エンティティごと、および観測時刻グリッドの空白ごとに区切り、不連続をまたいでブロックが移動しないようにします。また、実際の観測頻度を測定し、ラベルのバッファ期間を適切なエンバーゴに換算します。固定のバーサイズを仮定すると、誤解を招く…

このノートブックでは、2つの処理を交互に行う時系列ニューラルネットワークTSMixerを説明します。各特徴量についてルックバック期間の日数に共通の線形写像を適用し、各日に独立して共通の特徴量MLPを適用します。残差接続と事前正規化で層を構成し、小さな出力ヘッドで横断面リターンを1つ予測するようにします。テンソル軸の並べ替えによって各層が組み合わせる値が決まる点を強調し、モデルのパラメータコストをウィンドウを平坦化した上での全結合層と比較します。…

このケーススタディでは、30日物のアット・ザ・マネー・ストラドルと原資産価格データを使い、S&P…

このケーススタディでは、検証データを用いてモデルと戦略を選んだ後、ホールドアウト期間の予測を生成する方法を説明します。事前に選ばれた設定を特定し、学習仕様を再構築して、ホールドアウト開始前に利用可能なデータだけで再学習します。ラベルはフォワードリターンを表すため、評価期間の結果がモデル適合に入らないよう、訓練期間の終わりを評価期間よりラベル期間分だけ前に設定します。…

このノートブックでは、企業別、提出書類の種類別にSEC提出書類を調べるためのEdgarToolsを紹介します。安定したCIK識別子を使った発行体の検索、年次・四半期報告書の取得、XBRL財務諸表の抽出、インサイダーのForm 4と機関投資家のForm 13Fデータの確認を実演します。さらに、提出書類の総合索引の検索方法と、提出書類の本文や添付資料へのアクセス方法も示します。…

このノートブックでは、直近の特徴量を順序付きウィンドウとして用いて株式リターンを予測するLSTM系列モデルを説明します。1銘柄につき各例は連続する60セッションで構成されます。上場の空白、売買停止などの中断をまたぐウィンドウを除外し、不連続を日次の推移と誤認しないようにします。モデルは各セッションを通じて隠れ状態を保持し、ゲートが情報の入力、保持、出力を制御します。2つの再帰層と64の隠れ状態を使い、100エポックの学習予定全体で5エポックごとにチェックポイントを保存します。…

この分析では、日次オプションデータを使って、S&P 500構成銘柄のアット・ザ・マネー・ストラドルを売り、株式をデルタヘッジし、満期まで保有する週次戦略が可能かを検討します。コールとプットでストラドルを組む方法、インプライド・ボラティリティと実現ボラティリティが分散リスクプレミアムとどう関係するか、ポジションが得るプレミアムに対する割合として取引コストを測る理由を説明します。…

この資料では、株価指数、米国債、エネルギー、金属、通貨、金利、農産物、畜産物、暗号資産にわたる35種類のCME先物商品の上場限月をまとめています。取引所の限月コード体系を説明し、月次、四半期ごと、商品ごとの隔月上場スケジュールを区別します。表には代表的な上場パターンを示し、株価指数と主要な米国債の四半期サイクル、エネルギー商品の月次限月、農産物や畜産物の作物・受渡しに関係するスケジュールなどを含みます。…

この文書では、Binanceの公式USD-M無期限先物の資金調達記録をダウンロードし、標準化して列指向ファイルにキャッシュするパイプラインを説明します。指定した銘柄と日付範囲について、月次アーカイブを並行して取得します。記録をUTCタイムスタンプに変換し、決済項目を標準化して銘柄と時刻で重複を除き、保存前に欠損値や無効値がないか確認します。読み込み時には銘柄と日付を任意で指定できます。…

このノートブックでは、銘柄とセッションごとに1行の特徴量を持つUS株式パネルに、重みを共有するニューラルアンサンブルTabMを適用します。共通の2層バックボーンから複数のメンバーに接続し、各メンバーはそれぞれ独自のスケーリングベクトルと出力層を持ちます。予測を平均することで、同数の独立ネットワークを学習させるより低コストでアンサンブルメンバーを追加できます。線形モデルとは異なり、非線形ネットワークは相関する入力を組み合わせて相互作用を表現できます。また、木アンサンブルで行う分割ごとの特徴量選択を避けられます。…

この分析では、4つの予測ラベルと複数の戦略段階にまたがる、固定された暗号資産無期限先物候補群から設定を1つ選びます。検証シャープレシオが最も高い設定を選び、ラベル、分割、執行の詳細を比較可能な候補の定義に含めます。次に、選んだリターン系列の不確実性と、多数の候補を探索したことによる不確実性を区別します。ブロック・ブートストラップ区間は標本変動を推定し、デフレート・シャープレシオの各手法は候補群の選択効果を調整します。また、従来の有意性に必要な期間を報告し、資金調達料によるリターンを手数料やスリッページから分けて示…

このノートブックでは、US株を順位付けするフォワードリターンの目的変数を定義し、その期間を実際の取引セッションに対応させる方法を説明します。リターンには株式分割と配当を調整した価格を使いますが、取引可能性の判定には同時点の未調整終値とドル建て出来高を使います。各行の将来価格は市場カレンダーから取得し、完全な期間がない行には明示的な失敗理由を付けます。取引可能性の判定はラベル構築後に行うため、除外された観測値が残りの行の期間を変えることはありません。…

このノートブックでは、現物価格に対する無期限先物価格のプレミアムを基にした特徴量を用い、暗号資産無期限先物向けの勾配ブースティング設定を比較します。木の容量と損失関数を変え、二乗損失、絶対損失、Huber損失などを試し、各ブースティング実行の複数時点で予測を記録します。リターンと方向の目的変数は別々のタスクとして扱い、各ラベル内で候補を比較します。順位ベースの情報係数は予測順位を示し、設定の選択にはこのモデル比較ではなく、後続の検証バックテストでシャープレシオを用います。…

このノートブックでは、暗号資産無期限先物向けにモデルベースの特徴量を作成します。GJR-GARCHから資産ごとの条件付きボラティリティを予測し、資金調達決済に適合させた2状態のガウス隠れマルコフモデルから市場全体のストレス・レジーム確率を得ます。過去のバーから直接計算する算術的な特徴量とは異なり、これらの出力は推定パラメーターに依存します。隠れ状態モデルでは、意思決定時点までに利用できる観測だけを推論に使うかどうかにも左右されます。後の観測を取り込む推定値とフィルター済み確率を区別します。…

このケーススタディでは、暗号資産の無期限先物を対象とした研究パイプラインを提示し、定期決済時にロングとショートの間で交換される資金調達料を、リターン源の候補として扱います。ラベル作成や金融特徴量から、統計モデルと機械学習モデル、因果分析、バックテスト、ポートフォリオ配分、リスク、コスト評価まで、データとモデルの各段階を説明します。無期限先物ペアのクロスセクション、8時間ごとの観測、取引コストの仮定を用い、限られた数の時間フォールドに基づいて検証します。…

この分析では、9件のトレードケーススタディでの特徴量選別結果を比較し、審査を通過した特徴量がより強い戦略を予測するかを調べます。選別では、Benjamini–Hochberg法による偽発見制御と、ケーススタディごとの効果量の下限およびフォールド間の一貫性に基づく別ルートを組み合わせます。PROCEEDはいずれかのルートで判定されるため、その件数がFDRで有意となった件数の部分集合とは限りません。…

このノートブックでは、さまざまな市場環境で成績の改善を目指す、エンドツーエンドのETFポートフォリオ方針であるDeePMを説明します。構成要素には、ボラティリティで基準化したリターンとトレンドの特徴量、LSTMベースのモデル、変数選択、条件付け層、資産クラスのグラフで制約されたクロスアセット・アテンションが含まれます。このグラフはグループ内のつながりと、グループ間の選択された関係を表します。SoftMin目的関数はローリング学習期間の中で最も弱い区間を重視し、コストを考慮した学習では売買回転率にペナルティを課しま…