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。
63件の資料
このノートブックでは、GJR-GARCHモデルを使って、S&P 500株式とオプションの分析向けに条件付きボラティリティ特徴量を作成します。過去価格に基づく固定ルールと異なり、推定済み特徴量は推定期間に依存します。そのため、再適合のスケジュールを明示し、過去の観測値だけからパラメーターを推定して、生成元の情報集合が保たれるよう時刻と分割の識別情報を付けて値を出力します。後のデータが過去の特徴量に影響しないよう、再帰計算の初期値と上下限も推定期間内のデータに固定します。…
このケーススタディでは、S&P…
このケーススタディでは、S&P…
このノートブックでは、アットザマネーのS&P…
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、観測された交絡因子を調整した後も、インプライド・ボラティリティと実現ボラティリティの差と将来の株式リターンとの関連が続くかを、二重機械学習で検証します。同じクロスフィット観測値を使って調整後の推定値と単純な通常最小二乗法を比較し、主体内のブロック置換プラセボも用います。時間的な制御では、結果の期間、処置変数のローリング構築、フォールドのエンバーゴ、観測値間の依存を考慮します。最終ホールドアウト期間に及ぶ可能性のある結果は分析から除外します。 結果が対象とするのは、開発期間中の現行S&P…
このノートブックでは、不完全または不一致の評価サンプルによって結果が歪まないよう、S&P 500オプションの予測モデルを比較する方法を説明します。各モデルをファミリー、設定、チェックポイントで特定し、予測が登録済みの適格性契約を満たすか確認するとともに、母集団間でクロスバリデーションのIDが共通であることを検証します。系列モデルは過去の履歴を必要とするため、対象行数が少なくなることがあります。そのため適格性グループが異なるデータ同士を比較すると、モデル差とサンプル差が混在します。…
このノートブックでは、ATMストラドルを売り、満期まで保有する戦略の候補特徴量をスクリーニングします。各取引日について、利用可能な銘柄を特徴量で横断順位付けした結果と、最終的なストラドル損益の順位を比較し、その順位の一致度を検証期間にわたって平均します。ポジションの重複を考慮して不確実性を調整し、多数の候補を同時に検定するため偽発見も制御します。…
このノートブックでは、検証用予測をロングオンリーの株式ポートフォリオとして評価します。各ラベルの頻度で決まる判断スケジュールに従い、上位K銘柄を等ウェイトで選びます。乱数シードを固定したランダムシグナル実行で、終値から翌営業日の始値までのイベント順序を確認し、同じバックテスト手順でポートフォリオの集中度を変えて比較します。オプション由来の変数は予測入力として使い、取引対象は株式です。…
このケーススタディでは、S&P 500の株式・オプション特徴量パネルで系列モデルを比較します。ルックバック期間を通じてゲート状態を保持するLSTMと、直近水準を除去して線形写像を当てはめるN-Linearベースラインを組み合わせています。このベースラインにより、同じ期間をより単純に写像する方法を超えて、再帰的な記憶が価値を加えるかを検証します。予測対象には株式の将来リターンとリスク調整後リターンのラベルが含まれます。…
このノートブックでは、説明対象のS&P 500ショートストラドル運用エンジンに、汎用的な目標ウェイト型リスクオーバーレイが適さない理由を説明します。エンジンは週次コホートに固定の資本比率を割り当て、各コホート内でウェイトの合計が1になるよう正規化します。そのため、ウェイトを縮小しても正規化で元に戻り、ドローダウンやボラティリティのオーバーレイが制御する現金配分は残りません。代わりに、ヘッジのしきい値、決済規則、エントリーコスト、コホート数など、戦略仕様に適切な制御を設けます。…
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。…
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。…
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。…