ナレッジライブラリ

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。…

このノートブックでは、9つのケーススタディにわたる5つの潜在因子推定器—PCA、IPCA、CAE、SDF、SAE—の登録済み検証結果を集約します。まず各パネルで結果がある推定器を示し、次にケーススタディごとに平均日次スピアマン順位情報係数が最も高い推定器を、HAC信頼区間とともに特定します。また、US Firmsパネルで推定器を比較し、相対的な順位性能を評価する際には、教師ありモデルと日付ごとの対応比較を行って共通日付を揃えます。…

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。…

このパイプラインは、OHLCV価格とイールドカーブから、ETF導入ワークフロー用の金融特徴量を構築します。複数のルックバック期間にわたるリターンとリスク調整後リターン、モメンタムの加速、ボラティリティ比率を算出し、RSI、MACD、ADX、CCI、ストキャスティクス、移動平均比率、ボリンジャー位置などの一般的なテクニカル指標を加えます。さらに、ドローダウン、過去の推移に対する出来高、オンバランスボリュームの動き、年次高値・安値からの距離、横断面順位も特徴量に含めます。…

このスクリプトは、SEC 13F提出書類から機関投資家の保有銘柄を2つの方法で収集します。選定した運用会社の提出書類を取得する方法と、SECの四半期一括ファイルをダウンロードする方法です。どちらも保有情報を共通スキーマに統一し、一括取得ではより広範な対象を想定しています。得られたデータは、機関投資家と銘柄の関係、銘柄レベルの特徴量、銘柄間の共同保有比較に利用できます。…

このノートブックでは、US株式リターンのパネルに主成分分析を適用し、少数の因子で幅広い共通変動を表します。各因子は共通変動の方向を示し、各銘柄の因子負荷量はその方向への感応度を表します。因子と負荷量から再構成した予測が捉えるのはパネル内で共有される変動だけであり、銘柄固有の情報は意図的に除外されます。…

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、クオンツ株式研究向けに、生のSEC Form 4 XMLからインサイダー取引を抽出する方法を説明します。XMLパーサーを使い、各取引のコード、日付、株数、価格、売買方向を対応する取引ブロックに結び付けたまま、発行体と報告所有者の情報を別に保持します。共同提出には複数の所有者が含まれることがあるため、最初に見つかった名前にすべての取引を割り当てず、所有者をリストとして収集します。…

このノートブックでは、ボラティリティ、モメンタム、クロスセクションのキャリー順位から独立して、先物キャリーがその後のリターンを予測するかを二重機械学習で推定します。柔軟なモデルとクロスフィッティングを用いて、キャリーとリターンの双方から交絡要因の影響を除き、残差から効果を推定します。結果変数は2つのリターン期間で評価します。HAC不確実性では、変動するボラティリティと重複する結果期間を考慮します。また、ブロック置換による反証では、処置ブロックを並べ替えた後の推定値と、観測されたHAC統計量を比較します。…

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…

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、事前学習済みFinBERTをFinMarBaの金融見出しに適用し、Financial PhraseBankでの評価結果と比べて精度が大幅に低い理由を調べます。中心となる診断はラベルの由来です。PhraseBankのラベルは文のセンチメントに対する注釈者の判断を反映し、FinMarBaのラベルは言及された銘柄のその後の価格方向を符号化しています。クラス名が一致しても、データセットが同じタスクを測っているとは限りません。…

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…

この資料では、標準化された市場データローダー、事前構築済み特徴量のレジストリ、シグナル診断をつなぐワークフローを紹介します。特徴量の計算は、名称、パラメーター辞書、またはYAMLで指定でき、再現可能なパイプラインと複数の指標期間を支えます。指数平滑法を使う手動のRSI実装と、ワイルダー平滑法を使うライブラリ実装を比較し、ライブラリ特徴量と独自コードを使い分ける場面を概説します。Polarsの例では、グループ化したローリング計算、時点整合性のあるas-of結合、大規模データ向けの遅延処理を扱います。…