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。
336件の資料
このケーススタディでは、US企業の特性から構築した月次ロング・ショートのデシル戦略を評価し、時点情報に基づく会計データのラグ、ウォークフォワード検証、時期に応じた取引コストを考慮して、線形モデル、勾配ブースティング、潜在ファクターの手法を比較します。報告された検証系列のうち最も強いものは、ウィンザー化した将来リターンに勾配ブースティングモデルを適用したものです。教師ありオートエンコーダも、単独で有力なシグナルになりうると説明されています。検証では複数のフォールドでプラスの成績が報告されましたが、レジストリの結果で…
この分析では、符号付きのモデルリターン予測を二値ポジションに変換する3つの方法、固定ゼロしきい値、銘柄ごとの後方パーセンタイル、銘柄間のクロスセクション・パーセンタイルを比較します。ETFと暗号資産の無期限先物について登録済みの検証予測に適用し、ルックバック期間とパーセンタイルしきい値を変化させます。リターンや取引コストを考慮する前に、各ルールが有効になる頻度と、銘柄の状態が変化する頻度を測定します。…
このノートブックでは、21日先のETFリターンを上昇・下落の目的変数に変換し、時系列順のウォークフォワード分割でL1正則化およびL2正則化ロジスティック回帰を評価します。各分割の訓練データを使って特徴量をスケーリングし、正解率、適合率、再現率、F1、ROC AUC、対数損失で予測を評価します。また、係数に基づく特徴量重要度、確率の較正、リターン群を下位・中位・上位に分ける3クラス拡張も検討します。…
このノートブックでは、特徴量、目的変数、ウォークフォワードのフォールドを固定し、月次のUS株式リターンを対象に勾配ブースティングの目的関数を比較します。二乗誤差を絶対誤差および、大きな残差の影響を抑えるHuber損失と比較します。情報係数がクロスセクションの順位を評価する一方で、個別の極端なリターンが二乗誤差の学習を支配しうることが、比較の動機です。グリッドでは木の複雑さも変え、複数のブースティング・チェックポイントで予測を記録します。これにより学習曲線から、成績が改善中か頭打ちかを確認できます。…
この実装では、資産価格評価のための条件付きオートエンコーダを説明します。ベータネットワークは各株式の特性を潜在ファクターの負荷量に変換し、線形ファクターネットワークは運用ポートフォリオのリターンをファクターリターンに変換します。モデルは対応する負荷量とファクター値を合計して株式リターンを予測するため、企業特性に応じてエクスポージャーが変化し、ファクターはポートフォリオの運用商品から導出されます。…
このノートブックでは、モデルや予測を構築する前に、過去のETFデータが月次ランキング戦略を支えられるかを評価します。前年の流動性情報を用いて時点ごとの適格性を確認し、リバランス日に利用可能なファンド数を数え、1株当たり手数料と推定したハーフスプレッドを価格に対するコストに換算します。さらに、リターンの値動きでコストを賄えるかを調べ、各ファンド内のリターン自己相関を測定します。また、ホールドアウトを参照せずに、ウォークフォワード分割が開発サンプルに収まるかも確認します。…
このノートブックでは、同じ銘柄の同じ満期のアット・ザ・マネーのコールとプットを売り、ストラドルを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。各特徴量について、利用可能な銘柄を、後のストラドル損益と同じ順序で順位付けできるかを測ります。日次の横断面順位の一致度を計算して時間方向に平均し、ポジションの重複を考慮して不確実性の推定幅を広げます。また、多数の候補を検定することへの有意性スクリーニングの補正を行い、関連性が複数の検証期間で持続するかを確認します。…
このノートブックでは、企業の10-K提出書類から抽出した文章を使い、BM25キーワード検索、密な埋め込み表現、相互ランク融合（RRF）、クロスエンコーダーによる再順位付けを比較します。各検索手法を構築し、完全一致、概念検索、複合的な検索クエリで順位付け結果を評価します。RRFは生の関連度スコアではなく順位を組み合わせるため、スコアの尺度を調整せずに、異なる尺度を使うシステムを統合できます。次に再順位付けモデルが検索候補を並べ替え、最終結果を絞り込みます。…
このノートブックでは、US株式のパネルデータを使い、3つのリターン期間にわたってLightGBMモデルを比較します。グリッドでは木の葉の数と損失関数を変え、木の数が異なる複数のチェックポイントで各設定を評価します。浅い木で特徴量間の相互作用を学習できる仕組み、二乗損失・絶対損失・Huber損失が裾の重いリターンにそれぞれ異なる反応を示すこと、選択を評価する際に各チェックポイントを別々の候補として数える必要性を解説します。…
このノートブックでは、株式とオプションの研究から得た検証用予測をロングオンリーの株式ポートフォリオに変換して評価します。等ウェイトの上位K銘柄をベースラインとし、複数のポートフォリオ集中度を比較し、ラベルごとの意思決定頻度に従います。引け時点で作成したシグナルは次に利用可能な寄り付きで執行し、乱数シードを固定したランダムシグナルの実行を処理系の確認に使います。検証日付のカバー範囲が同等な候補だけを順位付けし、不確実性分析にはブロックブートストラップ区間と、関連する複数の派生形から選択することへの補正を含めます。…
このノートブックでは、NASDAQ ITCH由来の取引と注文メッセージを使い、市場マイクロストラクチャーのパターンを示します。ティック単位の取引価格リターンに見られる負の1次自己相関を調べ、買い気配と売り気配で交互に取引が成立すると、基礎価値が変わっていなくても価格が反転したように見える場合があることを説明します。リターン分析でビッド・アスク・バウンスを減らしたい場合に、仲値リターンを使う理由を示しています。…
このユーティリティモジュールは、トレードデータのパネルを診断する統計関数を提供します。自己相関の計算では、エンティティごとに曲線を求めてから結果を集約し、ある系列の末尾と別の系列の先頭が見せかけの依存関係を生むのを避けます。期間インデックスを渡すと、欠損期間を保持し、意図したラグで観測値を対応付けます。集約推定値、エンティティ間のパーセンタイル、不確実性の参照値、ラグによって変わりうる件数を報告します。…
このUS株式事例では、将来リターンの予測と、モメンタムがリターンを引き起こすという主張を区別します。直近月を除く過去1年間の株式リターンを処置、将来リターンを結果とし、直近のボラティリティ、流動性の低さの順位、出来高比率を交絡因子として扱います。二重機械学習では、まず交絡因子から処置と結果をそれぞれモデル化し、次に両モデルの残差を関連付けて効果を推定します。将来データから交絡要因の関係を学習しないよう、エンバーゴを設けたウォークフォワード適合を使います。…
この解説用ノートブックでは、ETFデータを使い、教師ありトレードモデルの目的ラベル手法を比較します。固定期間リターンと方向ラベル、時系列のローリング・パーセンタイル、横断面パーセンタイル、固定またはボラティリティ連動の閾値を使うトリプルバリアラベル、トレンドスキャンを扱います。また、重複する観測値に対する一意性の重み付けと逐次ブートストラップについても解説します。…
このノートブックでは、四半期ごとのSEC 10-Q経営者による討議と分析の文章から、2つの株式シグナル候補を作る方法を示します。FinBERTで文章の一部を肯定・中立・否定のトーンに分類し、そのスコアを集約して、平均センチメントと提出書類内のばらつきを算出します。Sentence-transformerの埋め込みは、連続する四半期の記述間の意味的距離という別の指標を提供します。提出書類の受理日を各シグナルの利用可能時点として、市場データと結合し、将来リターンを評価します。…
このノートブックでは、市場レジームを予測に使う3つの方法を比較します。レジーム入力なしのベースラインモデル、ボラティリティ状態のフィルター確率を入力する単一モデル、明確なレジーム割り当てごとに学習する個別モデルです。先読みを避けるため、ウォークフォワードの各学習ブロックで隠れマルコフモデルを再推定し、推定分散で状態を並べ替え、テストブロック内で前向き再帰により確率を計算します。フォールドごとのスケーリングと学習データ・テストデータ間のギャップは、将来の観測値や重複する予測対象からの情報漏洩を防ぐのに役立ちます。フ…
このノートブックでは、買い手主導の符号付き出来高比率が、その後の15分リターンと関連するかを推定します。相対スプレッド、直近の実現ボラティリティ、過去1か月のリターンを調整します。クロスフィッティングを用いた二重機械学習で、これらの交絡要因から結果変数と処置変数を予測し、その残差を回帰して統制変数では説明されない処置の変動を分離します。分析対象は1分足のNASDAQ-100観測です。適格な母集団、フォールド境界、エンバーゴ、プラセボ設計を決めてから学習します。ブロック置換による反証では、処置のタイミングを崩した後…
このノートブックでは、ノイズを含む共分散推定値への感度を抑えることを目的としたポートフォリオ構築手法、階層的リスクパリティ（HRP）を説明します。3段階の手順を紹介します。相関距離で資産をクラスタリングし、得られた階層に従って並べ替え、クラスタを再帰的に分割して分散の小さい側により大きな比率を割り当てます。また、共分散行列の逆行列計算が推定誤差を増幅し得る平均・分散最適化や、逆行列計算の前に共分散推定を安定化させる縮小法と、HRPを比較します。…
このノートブックでは、シグナルと配分からコスト、リスク調整までの戦略パイプラインを通じて、登録済みのETFバックテストを評価します。モデルの学習や新たなバックテストの追加は行わず、既存の予測とバックテストを読み込み、登録結果からコホート指標と対応比較指標を算出します。報告する分析には、戦略指標のブートストラップ信頼区間、選択バイアス指標、段階間の比較、検証期間およびホールドアウト期間での均等配分ETFユニバースとの比較が含まれます。…
このノートブックでは、NASDAQ ITCH由来の取引記録を用いて、日中の取引活動を調べます。個々の取引を時間足に再集計し、活動度が3段階の各層から選んだ1銘柄について、株数ベースの出来高、取引件数、終値、出来高加重価格を比較します。最も活動度が低い銘柄では、まばらな取引を見やすくするため、時間足を広く取ります。また、最も活動度が高い銘柄群について、各時間足の出来高をその銘柄の日次出来高に占める割合で示して正規化し、取引規模ではなくタイミングを反映する平均パターンを算出します。…
このガイドでは、マイクロストラクチャー研究向けのUS株式板情報ティックデータの2つのデータ源、Databentoのマーケット・バイ・オーダーイベントとNASDAQ TotalView-ITCHメッセージを紹介します。形式、カバレッジの特徴、おおよそのデータ量、トレードオフを説明します。MBOは追加、変更、取消、約定などの処理済み注文イベントを提供します。一方、ITCHは無料の生バイナリ配信で、解析と正規化が必要です。…
このノートブックでは、ETFのリターン予測で不確実性をどう表すかを調べ、モンテカルロ・ドロップアウトとディープアンサンブルを比較します。ドロップアウトは推論を繰り返す間も有効にし、アンサンブルでは別々に学習したネットワーク間の不一致を測ります。これらのばらつきは不確実性を推定するものですが、それだけで所定のカバレッジ特性を持つ区間が得られるわけではありません。分割コンフォーマル較正では予測誤差を区間に変換し、標準的な方法と不確実性で正規化する方法の両方を検討します。…
このノートブックでは、同じ予測順位で選んだETFポートフォリオについて、均等配分、スコア加重、逆ボラティリティ、リスクパリティ、平均・分散最適化、階層的リスクパリティの6つの加重方法を比較します。選定するファンド数も配分方法と併せて変えます。集中したバスケットでは加重方法の差が出にくく、リスク特性の異なるファンドが含まれると差が広がる可能性があるためです。…
このノートブックでは、S&P 500オプションの予測研究で、事前に定めたLSTMモデルを学習します。ネットワークには各銘柄の時系列ウィンドウを入力し、手作業で設計した特徴量だけに頼るのではなく、ゲート付きの再帰状態でセッションをまたぐ情報を表現します。設定されたルックバック期間、ネットワーク規模、ドロップアウト、バッチサイズ、学習チェックポイントによってモデルの実行内容を定義します。共通のワークフローでフォールド構成、検証ギャップ、チェックポイント、再起動を扱い、予測対象が適格な行と正確に一致するか確認します。…