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。
441件の資料
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、Feastを金融データとモデル由来データの特徴量ストアとして設定し、過去時点および指定時点での取得結果を、透明性のある手作業の結合方法と比較します。エンティティ、タイムスタンプ付きデータソース、特徴量ビュー、有効期間を宣言し、日付範囲に余裕を持たせた一時的なParquetコピーを準備します。この比較検証は、誤ったタイムスタンプやエンティティキー、学習済みフォールドのビンテージを選ぶといった設定ミスの検出を目的とします。…
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。…
このモジュールは、主成分分析、操作変数を用いた主成分分析、ニューラルオートエンコーダなど複数の潜在ファクターモデルについて、ウォークフォワードの学習と評価を調整します。パネルデータとフォールドを準備し、モデル別の実行処理を呼び出して、予測、フォールド単位のメタデータ、登録済み学習実行を管理します。明示的な優先順位に従ってモデルのプリセットと呼び出し側の設定を統合するため、選択される実行時の設定は呼び出し側が制御できます。…
このノートブックでは、リターンラベルごとに、検証データで選択したFX戦略1つを対象として、比例取引コストの変化が与える影響を測定します。まずシグナル、配分、リスクオーバーレイの候補から親戦略を選び、戦略の他の特性は維持したまま、取引する片道ごとの総コストだけを変化させます。この検証は後続のモデル・戦略選択から除外されるため、特に有利なコスト前提で評価された候補が優位になることを防ぎます。得られる曲線は、成績が売買回転にどれほど敏感か、またどこでリターンが損益分岐点に達するかを示すものです。…
この分析では、CME先物モデルのクロスセクション情報係数（IC）の読み方と、その後のポートフォリオ検証との関係を説明します。各日の予測リターンと実現リターンの順位相関を計算し、日ごとの相関を平均します。これは、商品を順位で選び、予測リターンの大きさを考慮しない等ウェイト戦略に対応します。また、フォールド間の平均とt統計量を日次系列に基づく推論と区別し、報告されたt統計量がフォールド間の標準誤差を用いていること、予測値がほぼ一定になる場合にはICが定義される日数も重要であることを指摘します。…
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。…
この文書では、ディフレーテッド・シャープレシオ（DSR）が、検証した戦略数、シャープレシオ推定値のばらつき、正規分布に従わないリターンを考慮し、選択した戦略のシャープレシオをどう補正するかを説明します。未補正の確率的シャープレシオ計算と比較し、相補的な組合せ対称交差検証の分割を使う、関連指標のバックテスト過剰適合確率分析も概説します。帰無戦略と同等の優位性を持つ派生形のシミュレーションで、最良の結果を選ぶと、見かけの成績が実態より良く見える場合があることを示します。…
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、S&P…
このノートブックでは、同じETFユニバース、予測、リバランス日程、バックテスト手順を用い、均等配分、逆ボラティリティ、最小分散、階層的リスクパリティを比較します。ローリングRidgeモデルがモメンタム、移動平均からの乖離、ボラティリティの特徴量からETFを順位付けし、各配分手法が共通の銘柄選択に独自の重み付けルールを適用します。結果はホールドアウト前の選択期間と、その後のホールドアウト期間に分け、リスク調整後リターン、ドローダウン、売買回転率、安定性を診断します。…
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。…
このノートブックでは、損失の分位点を示すバリュー・アット・リスク（VaR）と、その閾値を超える損失の平均を示す条件付きバリュー・アット・リスク（CVaR）を解説します。日次ETFリターンを使い、ヒストリカル法、ガウス法、Cornish–Fisher補正、スチューデントt分布によるモンテカルロ推定を比較します。次に例外の件数を数え、その頻度が指定された信頼水準に合うか検定してVaRのカバレッジを評価します。ただし、頻度検定では例外の時間的な集中を検出できないと強調しています。…
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。…
この共有モデリングモジュールは、特徴量、ラベル、時系列データ、設定を読み込み、ウォークフォワード交差検証のフォールドを準備して、クオンツリサーチのワークフローを支援します。再現性とデータの来歴を重視し、ソースファイル、配列、モデル設定、ノートブックのコードのハッシュを記録します。入力が変わればキャッシュ済みの結果を無効化できます。また、乱数シードを設定し、データセットのスキーマ、特徴量選択、フォールド準備のユーティリティも備えています。…
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、モデル学習の前に、データが週次のクロスセクション先物戦略に利用できるか確認します。CME商品を順位付けし、順位の高い契約を買い、低い契約を売る設計を説明します。また、リバランス日に両側のポジションを構成できるだけの銘柄が気配値を付けているか調べます。コストの実行可能性を評価するため、取引所の契約仕様と最小価格変動幅を使って想定売買スプレッドのコストを表し、価格変動とコストを共通の尺度で比較します。シグナルの持続性と、ホールドアウトを参照せずに開発期間で繰り返しウォークフォワード分割を行えるか…
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、FX通貨ペアの事例研究でLSTM予測モデルを実行する設定を行います。モデルはルックバック系列に沿って隠れ状態を保持し、共通の設定・研究計画ツールからアーキテクチャと学習設定を取得します。研究で定義されたラベルと設定済みのLSTMアーキテクチャを用い、対象とするモデル母集団がリクエストに含まれているかを確認します。学習を実行するか保存済みの重みを読み込む前に、予測の識別情報とチェックポイントの想定値を記録します。…
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、複数のトレード事例研究で登録された二重機械学習の推定値を集め、不確実性と診断結果を比較します。各研究の登録情報から最新の行を読み込み、登録情報の整合性とラベルの一意性を確認し、カバレッジを明示してHAC統計量と信頼区間を算出します。推定効果の単位はそれぞれ異なるため、フォレストプロットでは生の効果量を順位付けせず、無次元のHAC統計量を比較します。また、単純なOLS係数と直交化推定値を対比し、交絡バイアス指標とブロック置換による反証結果をまとめ、複数のラベルと実際に異なる予測期間を区別します…