ナレッジライブラリ

このケーススタディでは、ETFモメンタムに因果推定を適用し、その将来リターンへの効果が市場ボラティリティによって変わるかを調べます。連続値のモメンタムを処置変数、21日先のリターンを結果変数とし、ボラティリティとイールドカーブを統制変数として、因果フォレストで平均効果とレジーム条件付き効果を推定します。推定値とレジーム閾値は学習データから導出し、その後のホールドアウト期間にポジションを拡大・縮小するために使います。取引コストを含めた上で、得られたルールを素朴なベースラインや単純な代替案と比較します。…

このノートブックでは、US株式のリターン予測に使う単純な系列モデルのベースラインとしてNLinearを紹介します。各例では、1銘柄について連続した60取引日のウィンドウを使用し、特徴量を時系列順に並べます。各特徴量の最新値を差し引き、残った履歴を線形に1つの値へ変換してから最新値を戻し、特徴量ごとの出力を組み合わせて予測します。これにより、より表現力の高い再帰型モデルや特徴量混合モデルを評価する際の有用な対照になります。…

このノートブックでは、観測された価格経路に基づきトリプルバリアの幅を決めるため、最大有利変動と最大不利変動の分析を用います。バーの終値でロングに入る場合、以降の保有期間における最高値と最安値を測定します。ショートでは、どの変動を有利・不利とみなすかを逆にします。期間は次のバーから始め、終値でのエントリーより前に生じた価格極値を使わないようにします。異なる資産やボラティリティ・レジームを比較するため、変動幅は平均真の値幅でも基準化します。…

このノートブックでは、各ルックバック期間の最後に観測した水準を差し引き、残った値を予測値に変換する最小構成の系列モデル、NLinearを評価します。単純であるため、より複雑な系列アーキテクチャの有用なベンチマークになります。モデル要求は利用可能な特徴量、適格なファンド・日付行、系列ウィンドウに照らして学習前に解決され、ウォークフォワード・フォールドで指定されたETF母集団にモデルを適合させます。…

この資料では、企業特性から月次リターンを予測するTabMニューラルネットワークのウォークフォワード研究を説明します。共通の学習ランナーでは、回帰の目的関数を二乗誤差、分類の目的関数を交差エントロピーに固定するため、この実験では損失関数ではなくモデル容量、学習チェックポイント、目的変数を変更します。未加工リターン、クロスセクションでウィンザー化したリターン、方向を示すクラスラベルについて、3種類の容量設定を比較します。前処理は各学習フォールド内で適合し、指定したすべてのチェックポイントの予測を監査可能な母集団として…

このノートブックでは、株式オプション分析のケーススタディに適用した5種類の潜在因子アプローチを、モデル系列ごとに紹介します。PCAはリターンパネルから共通の変動を直接推定し、IPCAは特性をエクスポージャーに線形に写像し、条件付きオートエンコーダーは非線形の写像を使います。確率的割引ファクターは価格付けカーネルを推定し、教師ありオートエンコーダーは条件付きモデルの学習目的に将来リターンを加えます。ノートブックは関連ノートブックが公開したモデル群を読み込み、事前に定めたモデル一覧を網羅しているかを確認します。…

このノートブックでは、同じシグナルを使っても2つのバックテストエンジンで結果が異なる理由を調べます。戦略と取引可能なユニバースを固定し、予測が同値の場合のポートフォリオ比率を決定論的にして、端株と整数株、手数料用の準備金、約定順序などの執行設定を明示します。各設定を明示した基準構成に対して変更し、最終評価額と約定件数で結果を比較します。…

この章では、バックテストを、シグナルのタイミング、執行、リバランス、ポジションサイズ、コスト、制約、ベンチマークに関する明示的な仮定を通じて戦略を反証しようとする試みとして扱います。状態、注文順序、現金、約定の扱いからベクトル化シミュレーションとイベント駆動シミュレーションを比較し、同等性を確認する演習で、プロトコルの選択が結果に及ぼす影響を切り分けます。単純なETFベースラインを、以降の比較の基準として用います。…

この資料では、変更不可の学習仕様からモデル要求を再構築し、実行結果を検証するための保護策を説明します。要求がサポート対象の識別情報バージョン、標準の実行階層、一致するモデル系列と研究、一貫した学習識別情報を使用しているかを確認します。固定ホールドアウトでは、ホールドアウト分割であること、完全なフォールドが1つあること、学習および評価の境界が正確であることを明示する必要があります。…

このノートブックでは、操作変数付き主成分分析をクロスセクション・リターンのモデルとして紹介します。各企業の特性にリターンへの直接的な重みを割り当てる代わりに、IPCAは特性から因子エクスポージャーへの共通の線形写像と、月次因子リターンを推定します。この写像とリターンを交互最小二乗法とリッジペナルティで同時に適合させ、学習期間の推定値を検証期間の特性に適用してリターンを予測します。…

このノートブックでは、8つの上場投資信託にわたって過去リターンのウィンドウから翌日の日次リターンを予測する、4種類のニューラルネットワーク設計を比較します。全結合ネットワーク、1次元畳み込み、LSTM、GRUが入力をどのように処理するかを説明し、検証誤差と学習ステップにかかる時間を比較します。入力ウィンドウを長くする探索から、再帰モデルでは逐次計算が増える一方、全結合モデルでは最初の層が広くなることを示します。…

このノートブックでは、オプションサーフェスと株価の履歴ウィンドウを使い、S&P 500構成銘柄を順位付けする系列モデルを評価します。再帰的な記憶を持たない正規化線形モデルと、ゲートを通して時間情報を保持するLSTMを比較します。線形モデルは有意義なベースラインです。LSTMがこれを上回らなければ、このデータで追加の記憶機能の価値は示されていません。モデルはウォークフォワード分割を使って将来の株式リターンまたはリスク調整後リターンを予測します。…

このノートブックでは、日次のIC観測値が依存している場合、通常のt検定が情報係数（IC）の強さを過大評価する理由を説明します。ETFデータからモメンタムシグナルを構築し、ICの自己相関を調べ、Newey–Westの不均一分散・自己相関一貫性標準誤差を、信頼区間用のブロックブートストラップと併せて紹介します。ブートストラップは依存性を保つため連続した観測値を再標本化し、HAC推定値は重み付き自己共分散を使って不確実性を調整します。…

このノートブックでは、Yahoo Finance、WikiPrices、FREDに共通するOHLCVインターフェースを示し、これらを現在のETFデータ、長期の株式データ、マクロ経済系列に利用します。優先順位を付けた取得時のフォールバック手順を示し、統合パネルを監査できるよう各観測値のデータ元を記録する重要性を説明します。ETFのユニバースは株式、債券、コモディティのエクスポージャーを含み、後続のローテーション戦略を想定しています。…

このノートブックでは、NASDAQ-100のマイクロストラクチャ特徴量を使い、数分単位の複数の期間で将来リターンを予測する長短期記憶ネットワークを学習させます。平坦化した線形モデルと異なり、LSTMは各観測値を順に処理し、過去の情報をどれだけ保持するかを学習します。モデルは1分データの過去ウィンドウを使い、銘柄やフォールドが変わると隠れ状態をリセットします。各ウィンドウは同一銘柄内に収まり、予測時点で利用可能な情報だけを使う必要があります。…

この章では、各判断時点で利用可能な情報を守りながら、金融機械学習モデルを評価する方法を説明します。学習、検証、最終ホールドアウトを区別し、データをランダムにシャッフルするk分割交差検証では、過去を予測するときに未来の観測値で学習してしまう理由を解説します。拡大型とローリング型のウォークフォワード分割は時系列順を保ち、拡大型は履歴を保持し、ローリング型は古いデータを除きます。…

この総合ノートブックでは、多様なETFユニバースに共通シグナルを適用し、均等加重、逆ボラティリティ、平均分散最適化、階層的リスクパリティを比較します。ローリングRidgeモデルは、モメンタム、移動平均からの距離、ボラティリティの特徴量を使って将来リターンを推定し、ロングとショートのETFを選びます。同じシグナルを各手法に適用することで銘柄選択と配分を切り分け、ポートフォリオのパフォーマンス、安定性、ドローダウン、回転率、レジームごとの挙動を評価します。ホールドアウト前の選択期間で後のホールドアウト評価に使う配分手…

このノートブックでは、入力ウィンドウ全体を処理して将来の推移を予測する全結合型のニューラル予測アーキテクチャ、N-BEATSを構築します。解釈可能な型では、ブロックが多項式トレンド基底とフーリエ季節性基底によって構成要素を表すよう制約します。残差バックキャストによって、積み重ねたブロックが入力の一部を順に捉えます。制約ありと制約なしのモデルをSPY終値に適合させ、名前の付いた構成要素を描画し、直近価格を繰り返す持続予測と予測誤差を比較します。…

このノートブックでは、各ケーススタディの選択済みシグナルを固定し、配分段階のバックテストを比較することでポートフォリオ配分を切り分けて分析します。均等加重、逆ボラティリティ、スコア加重、平均分散最適化、リスクパリティ、階層的リスクパリティなどを検討します。各手法について、リバランスと上位銘柄数の複数パターンからSharpeが最も高い構成を選び、ケーススタディごとの最良の配分手法と、最も強い手法と弱い手法の差を比較します。…

このノートブックでは、各ケーススタディで選ばれたシグナル予測を固定し、ポートフォリオ配分手法を比較します。同じ基幹予測に紐づく配分段階のバックテストを読み込み、均等加重、逆ボラティリティ、平均分散最適化、リスクパリティ、階層的リスクパリティ、スコア加重などの手法を調べます。ケーススタディごとに最良と最悪の配分手法のSharpe差を使って配分手法への感応度を示し、シグナル段階の均等加重をベースラインにします。配分はリスクを再分配できますが、有益なシグナルを作り出すことはできないと強調しています。差が小さければ、回転…

このノートブックでは、ETFの上位モメンタム・ポートフォリオについて、リバランス頻度が回転率、総パフォーマンス、コスト調整後の結果に及ぼす影響を調べます。日次、週次、隔週、月次のスケジュールについて、過去の目標ウェイトの変化から回転率を推定し、例示用のスプレッド、市場インパクト、手数料の前提を適用します。損益分岐アルファは、年間の片道回転率に往復コストを掛けて算出し、取引コストを賄うために必要な総リターンの閾値を示します。別のシナリオ分析では、シグナル減衰と持続性コストによって望ましい頻度がどう変わるかを検討し、…

このノートブックでは、ETFリターンを2つの期間で予測するLightGBMモデルとRidgeのベースラインを比較します。木モデルは、モメンタムが市場ストレス下で異なる動きをするようなレジーム依存の相互作用を発見できます。一方、特徴量間の相関が非常に高いと、貪欲な分割は不安定になることがあります。実験では木の複雑さと損失関数を変え、各学習実行の複数のチェックポイントで予測を評価します。報告された学習曲線では、情報係数が設定した学習期間の終了前にピークを迎えることが多く、候補間のばらつきのかなりの部分をチェックポイン…

このノートブックでは、イーサの取引における代替データとして、DeFiの預かり資産総額（TVL）系列を評価します。将来リターンとの関連、データの妥当性と再構築可能性、利用の法的な適切性、統合・保守コストに見合う価値という4つの問いに沿って検討します。シグナル分析では、複数のリターン期間に対していくつかのTVL変換を検証し、重複する観測値を考慮して不確実性を調整し、比較数を数え、関係が時間を通じて安定しているかを調べます。別途、データの網羅性や異常な変動を確認し、コスト計算では研究費用を賄うために必要なリターンを見積…

このノートブックでは、NASDAQ-100銘柄の予測を対象とする15分足バックテストの流れを説明します。最初にランダムシグナルで処理系を確認します。ランダムな売買はコスト控除後に損失となるはずなので、利益が継続する場合は先読み、データの不整合、コスト計上漏れなどの問題を示している可能性があります。次に予測とエントリー方式の組み合わせを共通のバックテストエンジンで検証し、記録した結果を、デフレート・シャープレシオなどの統計指標で評価します。説明する設定では、取引価格から作成したOHLCVバーを使い、手数料とスリッペ…