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。
80件の資料
このETF特徴量の分析では、モデルから導出した3つの入力を作成します。市場レジームを推定する隠れマルコフモデル（HMM）、参照ファンドの分数次差分価格、そしてETFごとのGARCH(1,1)条件付きボラティリティです。先読みを避けるには、パラメーターの推定と推論の両方で、各取引セッションまでに利用可能な情報だけを使う必要があると強調しています。再推定スケジュールでは各予測区間の前に推定したパラメーターを適用し、フィルター処理したHMM確率を使うことで、平滑化確率に含まれる将来情報を避けます。…
このノートブックでは、時間足のビットコイン無期限先物リターンに合わせた共通の取引シミュレーション環境で、DQN、PPO、A2Cを比較します。GARCH(1,1)モデルがボラティリティの集積を生み、環境はポジション変更にコストを課します。また、行動時点で既に分かっているリターンをエージェントが得ないよう、行動の適用を1ステップ遅らせます。各アルゴリズムに同じ学習相互作用予算を与え、一致する未使用のエピソードシードで評価します。…
このノートブックでは、ETFのロング取引の決済方法として、固定の利確目標と損切り、トレーリングストップ、ATRに応じたバリア、機械学習シグナル、およびそれらの組み合わせを比較します。指標と取引シミュレーションを作成し、取引リターン、勝率、損切り発生頻度、不確実性を標準誤差で要約します。OHLCの約定ルールでは、夜間の価格ギャップを始値で処理し、日足が損切りと利確の両方に触れた場合は、日次データでは日中の順序が分からないため損切りが先に成立すると仮定します。…
このノートブックでは、FREDの経済系列パネルを調べ、カレンダー日グリッド、メタデータ、派生列を解釈する方法を説明します。パネルが日次カレンダーに平坦化されているため、行数から元データの公表スケジュールは分かりません。各系列の値の変化を数えると、公表頻度の下限を推定できますが、連続する公表値が変わらない場合は実際の公表回数を取りこぼすことがあります。例として米国債利回り、VIX、10年債と2年債の利回り差を取り上げ、最近の政策イベントをグラフに注記しています。…
このノートブックでは、ARIMA予測を単独の予測値ではなく、後続モデルへの入力列として扱います。ETFリターンにモデルを当てはめ、定常性検定と自己相関診断を用いて次数の候補を提案し、訓練ブロック上の情報量規準で候補次数を比較します。重要な違いは、定常モデルの多段階予測は無条件平均に収束してすぐにほぼ一定になる一方、1ステップ予測は新たな観測に応じて更新される点です。…
この資料では、日次OHLCVデータだけがある場合に、売買スプレッドを推定する2つの方法を説明します。Corwin-Schultz法では、隣り合う1日と2日の高値・安値の幅を比較し、ボラティリティとスプレッドの異なる動きを利用して両者を切り分けます。負の推定値はゼロに切り上げます。Roll法では、売買が買い気配と売り気配の間で交互に成立することで生じる場合のある、リターンの負の系列共分散から相対スプレッドを推定します。共分散が正なら推定値はゼロになり、ビッド・アスク・バウンスの前提が成り立たない可能性を示します。…
このノートブックでは、モデリング前に市場系列の特徴を把握する手順を示します。まずSPYの価格とリターン、VIXの水準、リターン分布を図示し、トレンド、ボラティリティのクラスタリング、厚い裾を確認します。次に、拡張Dickey-Fuller検定とKPSS検定を組み合わせて読む方法を説明します。帰無仮説の方向が逆であるため、結果を併せて解釈すれば、定常性の根拠、単位根、見解の不一致、結論を出せないサンプルを区別できます。…
このノートブックでは、SPYの日次リターンを使い、周波数領域の分析とトレード特徴量としての限界を説明します。ウェーブレット分解は変動を徐々に遅い時間尺度の帯域に分け、スペクトル推定はリターンの変動が周波数間にどう分布するかを示します。例ではウェーブレット族を比較し、ローリング期間から因果的な特徴量を作成して、支配周期、スペクトルの広がり、低周波成分の比率、正規化スペクトルエントロピーなどの指標を論じます。…
このノートブックでは、モデルの不確実性が点推定を超える情報を加える方法を説明します。潜在対数ボラティリティが時間とともに変化し、リターンがStudent-t分布に従う確率的ボラティリティモデルを当てはめます。サンプラーの収束とモンテカルロ誤差に注意しながら、事後分布の広がり、区間幅、パラメータ推定値を特徴量として抽出します。また、ARIMAモデルの予測区間と、不確実性を推定した尺度上で測るべき理由も説明します。…
この探索的分析では、オプション契約とチェーンの構造を紹介し、8つの原資産を対象とするS&P…
この章では、戦略設計と実運用の一環としてリスク管理を取り上げます。バリュー・アット・リスクと条件付きバリュー・アット・リスクによるテールリスク測定、ドローダウンの深さと回復、エクスポージャーの分解、ストレステスト、適応型制御、ガバナンスを扱います。説明する手法には、ヒストリカル法、パラメトリック法、Cornish-Fisher法によるテール推定、危機局面の再現と仮想シナリオ、ファクター回帰、ボラティリティ・ターゲティング、ポジション決済、ドリフト監視、キルスイッチが含まれます。導入前に限度とエスカレーション規則を…
この文書では、大規模なS&P 500オプションチェーンを、調査用の日次銘柄別データセットに整理する方法を説明します。サーフェスの概要では、満期区分ごとに目標絶対デルタに最も近いオプションを選び、複数の期間のアット・ザ・マネーのインプライド・ボラティリティ、25デルタのプット・コール・スキュー、期間構造の指標、相対スプレッド、収束品質を算出します。未解決のインプライド・ボラティリティは除外し、仮置き値が集計を汚染しないようにします。…
このノートブックでは、分単位のNASDAQ-100データから3つの手法で特徴量を構築します。短期分散予測のためのローリング異質自己回帰モデル、直近の取引活動の周期構造を表すフーリエ変換、価格・注文フロー・取引強度の変化の順序を捉える深さ2の経路署名です。回帰特徴量はパラメーターの推定に使うデータ期間に依存しますが、変換と署名は直近の期間に対する固定計算です。特徴量を各バーで生成し、横断面での順位付け能力を評価します。…
このノートブックでは、ボラティリティの測定値を比較し、異質自己回帰（HAR）モデルを適合させ、ハースト指数で粗さを推定します。まず、日中の実現分散と日次推定量を比較し、夜間リターンと取引時間中の活動を分けます。また、調整されていない価格、欠損した取引日、定義の異なるボラティリティなどの注意点を示します。HAR回帰では日次、週次、月次のボラティリティ平均をローリング計算して複数の市場期間を表し、説明変数に重複がある場合の推論にはNewey–West標準誤差を使います。さらに、HAR予測とGARCHを比較し、リターン…
この章では、連続時間の価格過程、GARCHボラティリティモデル、ブートストラップ再標本化、モデル比較を含む、合成金融データ生成の古典的な手法を説明します。幾何ブラウン運動、ジャンプ拡散、平均回帰、Hestonなどのモデルが、リターン、ジャンプ、変動するボラティリティについて異なる仮定をどう表現するかを解説し、ドリフト補償や分散の切り捨てといった実装上の詳細も扱います。…
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が、その後の株式リターンと関連するかを二重機械学習で調べます。関連する調整変数として、実現ボラティリティ、株式モメンタム、リスクリバーサルのスキューを特定し、同じクロスフィット済み観測値を使った単純な通常最小二乗法の推定値と調整後の推定値を比較します。分析では、ブロック置換による反証検定と、パネル構造を考慮した不確実性推定も用います。…
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。…
このモジュールでは、リスク調整後モメンタムスコア（月次のETF配分のベースライン）を定義します。スコアは、過去の累積リターンを年率換算した実現ボラティリティで割って算出します。10年債利回りと2年債利回りの差が閾値を上回る場合は順位の高い資産を選び、そうでない場合は総合債券と長期米国債の間で守備的に配分します。投資対象には、幅広い株式、国際株式、不動産、金、コモディティのファンドも含まれます。比較対象として、均等加重、逆ボラティリティ、固定比率の株式・債券ポートフォリオも含まれます。…
このノートブックでは、株式、債券、通貨、商品に関する9つのファクターおよび市場系列の月次リターンを、ガウス混合モデルでクラスタリングします。データが不完全な月を除外した後、尺度の違いがクラスタリングを支配しないよう系列を標準化します。異なる特性を評価する基準で候補クラスタ数を比較し、その結果得られたグループを時系列と日付付きのイベントに照らして調べます。各局面のファクター成績から、全期間をまとめた平均では見えにくい条件付きリターンや分散効果がわかります。…
この学習用ノートブックでは、クオンツ分析で使われる価格・出来高由来の特徴量を概観します。期間別の単純リターンと対数リターン、直近1期間を除くモメンタム、夜間および日中リターン、移動平均からの乖離、トレンドと反転の指標、複数のボラティリティ推定値、ボラティリティ局面の指標、出来高と流動性の指標、リスク統計、クロスセクションの順位と標準化値を扱います。例ではETFデータを使い、本番運用を想定した特徴量ライブラリと手作業の計算を併せて示します。…
このケーススタディでは、S&P…
このノートブックでは、合成ETFリターン系列を生成するためにDiffusion-TSを適応させる方法を説明します。デノイザーは、クリーンな系列を多項式トレンド、フーリエ季節成分、残差成分の和として予測します。時間領域とフーリエ領域を組み合わせた損失関数により、各時点とスペクトルの両方で忠実度を高めます。DDIMサンプラーは生成に使う逆方向のステップ数を減らします。ノイズを加えた系列で学習した別の分類器が、低ボラティリティまたは高ボラティリティのレジームとラベル付けされたサンプルの生成を誘導します。…
このノートブックでは、金融時系列を生成する無条件のSig-Wasserstein GANを紹介します。学習済みの実データ・生成データ判別器を使わず、パスの逐次的な動きを数学的に要約するパス署名の期待値に基づく距離を使います。ニューラル生成器はノイズからパスを生成し、拡張されたパスから打ち切り署名を計算します。署名レベルごとに正規化し、実データの期待署名に一致するように学習します。例では、単一資産のS&P…
このノートブックでは、日次ETFリターンを使い、GARCHモデルがボラティリティ・クラスタリングを捉えて、取引日ごとの特徴量に変換する方法を説明します。まず、視覚的な診断とARCH-LM検定により、二乗リターンが自身の過去の値に依存するかを評価します。続いて、GARCH(1,1)モデルで直近ショックの影響と過去の分散推定値の持続性を分け、パラメーターの合計からショックの減衰速度を判断します。モデル適合のためにリターンはパーセント表示し、ボラティリティは1取引日あたりの標準偏差として解釈して、必要に応じて年率換算し…