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
このノートブックでは、CME先物リターンの横断面予測に勾配ブースティングを適用します。葉数の構成を変えて木の容量を調整し、極端な残差が学習に与える影響の強さが異なる二乗誤差、絶対誤差、Huber目的関数を比較します。各モデルを複数のブースティングチェックポイントで評価するため、宣言されたモデル構成に加え、木の本数も選定要素になります。固定したモデル群の中で予測期間の影響を比較できるよう、同じグリッドを2つのリターン期間で学習します。…
このノートブックでは、暗号資産の無期限先物の資金調達プレミアムを予測する系列モデルの比較に、時間畳み込みネットワーク（TCN）を追加します。因果パディングにより、各位置では現在および過去の観測値のみを使用し、拡張畳み込みによって受容野を効率的に広げます。選択した層構成は、宣言された入力ウィンドウ全体をカバーします。予測に最後の再帰状態を使うLSTMとは異なり、TCNは各位置の表現を平均し、有用な情報が時間とともにどこに現れるかについて別の仮説を検証します。…
この事例研究では、広範なUS株式ユニバースを対象に日次の横断面シグナルを評価し、特定時点のデータや設計した特徴量から、モデル比較、ポートフォリオ構築、コスト、未使用データでの評価まで、長い研究工程を示します。ウォークフォワード検証、複数の将来リターン期間、線形モデルと木ベースモデル、表形式および時系列のニューラルモデル、潜在因子法を用います。トレード戦略では、時代に応じた取引コストと借株を考慮し、ドルニュートラルのロング・ショートポートフォリオ向けに株式を順位付けします。…
このノートブックでは、複数のトレード事例にわたるLightGBMモデルを整理して比較し、利用可能な場合は線形モデルとTabMを参照モデルとして用います。木の規模、回帰損失、チェックポイント、分類目的関数ごとに構成を評価します。主なシグナル指標は、日次横断面スピアマン情報係数の平均であり、HAC信頼区間とともに報告します。モデル間で評価フォールドと日数が一致しているかを考慮する比較設計です。…
このノートブックでは、表形式の特徴量からETFの将来リターンを予測し、LightGBMをMLP、TabM、および利用可能な場合はTabPFNと比較します。各モデルを共通の時系列ウォークフォワードフォールドで評価し、順位情報係数と学習時間を主要な比較指標とします。ニューラル手法には単純な多層パーセプトロンと、共通のバックボーンを持つ複数のアダプターヘッドの予測を平均するTabMが含まれます。学習にはL1損失を使い、各学習期間内の未使用データで停止時点を選びます。…
このノートブックでは、ETFの21日先リターンを予測するため、通常の最小二乗法をリッジ、LASSO、エラスティックネットと比較します。各モデルには同じウォークフォワードフォールドを適用し、ラベル期間に合わせたパージ間隔を設けます。各フォールドでは学習セットのパーセンタイルを使って特徴量の極端値をクリップし、学習前に特徴量を標準化します。評価には横断面順位情報係数を用い、資産数が少なすぎる日や予測に変動がない日は未定義として除外します。…
このノートブックでは、プレーンなPythonによるオーケストレーション、CrewAI、LangGraphを使って、4段階の予測ワークフローを表現します。状態の保持場所、失敗の調査や復旧方法、各方式が追加する依存関係、トレースの仕組みを比較します。ネイティブ版とLangGraph版は同じ専門家クラスを組み合わせますが、CrewAI版は役割を与えたタスクを使い、モデル呼び出しの経路も異なります。そのため、予測確率はフレームワークの性能を統制条件下で比較したものではありません。…
このノートブックでは、複数の通貨を共有する通貨ペア間でリターンが連動する市場を対象に、線形モデルの正則化を検討します。リッジ、ラッソ、エラスティックネットで対処できる特徴量の共線性と、順位付け対象の資産間にある依存関係を区別します。係数へのペナルティでは、後者は解消されません。リッジは特徴量を残しながら係数を縮小し、ラッソは係数をゼロにでき、エラスティックネットは両方の性質を組み合わせます。ペナルティ設定は各学習フォールド内で決め、共通のウォークフォワードサンプルでモデルを学習・評価します。…
この章では、統計手法を当てはめてトレードモデルの特徴量に変換する方法を概説します。診断と定常性、構造変化、分数差分、カルマンフィルター、スペクトル法とパスシグネチャ法、ARIMAとGARCHによるボラティリティ分析、HARとラフボラティリティの指標、不確実性推定、レジームモデル、横断面またはパネル変換を扱います。出力には、フィルター処理した水準やトレンド、イノベーション、予測値、条件付きボラティリティ、レジーム確率、事後または予測の不確実性が含まれます。…
このノートブックでは、上場オプションデータを読み込んで株式を順位付けし、その株式を保有する戦略向けに、将来の株式リターンラベルを作成します。企業行動を反映した調整済み価格系列を作成し、永続的な証券IDで企業を識別したうえで、各将来期間が完全であること、単一の証券内に収まること、取引セッション単位で測定されていることを確認します。また、リターンが得られない場合を明示的に処理して方向性ラベルを導出します。保有期間と検証時のパージ用バッファを区別し、シグナルの観測時点ではなく各結果が確定する時点に基づいて診断対象の期間…
このノートブックでは、20通貨ペアで候補シグナルを1特徴量ずつ評価します。ウォークフォワード検証期間のみを使い、各特徴量の日次横断順位と翌営業日のリターンとの一致度を計算します。ラベルの結果がホールドアウト期間内で確定しないよう、評価パネルの終了を十分前に設定します。カバレッジと陳腐化のフィルターで、評価に不十分なほど疎な列や変化のない列を除外します。また、ニューイー・ウェスト方式の不確実性推定で、隣接セッション間の依存を考慮します。フォールドごとの方向性確認、冗長性分析、偽発見率の調整により、不安定さと多数の検…
このノートブックでは、LightGBMのリターン予測モデルを調整するために、全組み合わせを調べるグリッド探索とOptunaのTPEサンプラーを比較します。まず、どちらの方法にも同じ離散パラメータグリッド上で同じ試行予算を与えます。列挙ではすべての組み合わせを調べますが、サンプリングでは同じ点を再び試す場合があります。次に、固定グリッドでは表せない連続パラメータ空間を検討します。この比較では、探索空間が許す範囲とサンプリング手法が見つけられる範囲を分けて考えます。…
このノートブックでは、情報係数、分位点リターン、上位から下位までのスプレッド、分類診断を使って、横断モメンタム因子を評価します。スピアマンのICを、シグナルとその後のリターンの日時点ごとの順位相関として紹介し、すべての日付と資産の観測値をまとめた相関と区別します。まとめた場合のICにはリターンの時間変化も反映されるため、2つの方法の結果は異なることがあります。また、補完的な診断としてICIR、有意性指標、分位点の単調性、売買回転率、シグナルの減衰も説明します。…
この事例研究では、上場オプションの情報がS&P 500銘柄の選択に役立つかを調べます。2017から2021までの633銘柄を対象に、日次株価と、オプションが示唆するボラティリティ水準、スキュー、期間構造、分散リスクプレミアム指標を組み合わせます。オプション特徴量にはラグを設け、金曜日のデータでポートフォリオを選び、翌週月曜日の寄り付きから取引を始めます。研究ワークフローでは、リターンのラベル付け、特徴量の構築、複数のモデル群、ポートフォリオ配分、リスク制御、取引コスト、後続期間での評価を扱います。…
このモジュールでは、モデルのリクエスト、予測とバックテストの実行、候補プール、最終選択を含む、CME先物研究の読者向けワークフローを定義します。共有設定宣言から設定済みのラベル探索を読み込み、宣言された順序を保ち、要求されたモデル設定が各ラベルに存在するか確認します。研究の構築では、標準実行と縮小版のプレビュー実行を区別し、プレビュー出力が標準の母集団構成要素として扱われないよう実行情報を付与します。…
このノートブックでは、最大順行幅（MFE）と最大逆行幅（MAE）を使い、観測された価格経路に基づいてトリプルバリア・ラベルの幅を設定します。ローソク足の終値でポジションを建てた場合、次のバーから始まる将来の保有期間における最も有利な値動きと最も不利な値動きを測ります。ロングとショートでは定義が逆になります。また、真の値幅とワイルダー平滑化を用いる平均真の値幅を説明し、ボラティリティに応じてバリア幅を調整する方法を示します。…
この分析では、モデルを適合したり予測を行ったりする前に、データが暗号資産無期限契約の横断戦略を支えられるかを検討します。提案する方法は、各資金調達決済時点でプレミアムに基づき契約を順位付けし、順位の片側を買い、もう片側を売ります。このノートブックでは、判断時点で十分な数の契約が上場しているか、一般的な値動きで取引所手数料を賄えそうか、系列相関を考慮した後に独立した履歴がどれだけ残るかを確認します。開発期間を使い、指定されたホールドアウトは読み取りません。…
このノートブックでは、ETF株式戦略の運用サイクルを実演します。市場データを更新し、金融特徴量を計算し、Ridgeモデルを再学習して、最新の横断的予測を生成します。それらをバックテストエンジンで再生し、上位銘柄のバスケットをペーパーブローカー向けに準備します。正則化の設定はリサーチレジストリから取得し、固定された設定と照合します。オフライン再生から基準となる取引記録を作成し、保存された実行記録では予定、試行、受理、失敗した注文を追跡します。…
この文書では、シグナル選択とポジションサイズを切り分けるためのFXポートフォリオ配分探索について説明します。検証バックテストの成績で順位付けした、凍結済みの等ウェイト基準候補から始め、各モデルのチェックポイントとシグナルの対応関係を保ちながら設定を進めます。予測、選択済みペア、取引コスト、執行前提は固定したまま、配分ルールを変えます。結果の各戦略仕様を基準と照合し、配分以外の項目への変更は拒否します。…
この文書では、数値とカテゴリが混在する金融データの行をテキストにシリアライズし、そのレコードで言語モデルをファインチューニングして、生成テキストを再び表に変換するフレームワークGReaTを紹介します。例では、過去のリターン、ボラティリティ、出来高、方向またはレジームを示すカテゴリラベルからETF特徴量を作り、将来リターンを目的変数とします。合成レコードをホールドアウトした実データと比較し、合成データで学習して実データでテストする評価による下流利用も論じます。…
この横断的な分析では、情報係数（IC）で測定した予測情報が、9つのトレード事例でポートフォリオのシャープレシオにどう結び付くかを調べます。中心となる点は、実装がこの関係を左右するということです。エントリー規則、ポジションサイズ、リバランス頻度、取引コストによって、シグナルの順位付け能力が戦略のパフォーマンスにつながるかが決まります。同じ選択済み設定について、ホールドアウトのICとホールドアウトのシャープレシオを比較し、検証期間とホールドアウト期間のシャープレシオも比較します。また、ICで首位のモデル群がシャープレ…
このノートブックは、検証で既に選ばれたFXの設定を再学習し、後続のホールドアウトバックテストに向けて予測を登録します。凍結された候補セットに限定して、破綻していない検証バックテストから選択を解決し、選ばれたモデルの変更不可な検証仕様から学習仕様を再構築します。ホールドアウト期間は選択されたラベルの観測タイムラインに従い、ラベルの結果が評価期間に入り込まないよう、十分な幅の学習バッファを設けます。…
このノートブックでは、過去のリターン特徴量の系列からETFの将来リターンを予測する時間畳み込みネットワーク（TCN）を紹介します。因果畳み込みにより、各出力がその日までの観測値だけを使うようにします。また、拡張率を指数関数的に増やし、入力ウィンドウ内で受容野を広げます。残差接続は層の深い構成を支え、ブロック設計には重み正規化とチャネルドロップアウトも含みます。モデルはゼロ予測に対する二乗誤差とクロスセクション順位相関を使って、Ridge回帰のベースラインと比較します。…
この事例研究では、CME先物の複数のポジションサイズ手法を等ウェイトのベースラインと比較します。逆ボラティリティ方式では各コントラクト固有のボラティリティを使い、共分散ベースの方式では商品間の関係も考慮します。これらの方法は分散投資を改善する可能性がありますが、限られた履歴からより多くの量を推定する必要があり、ノイズが増幅されることもあります。ノートブックでは強いシグナル設定を候補リストに絞り、各判断より前に利用可能な価格履歴を使って、宣言済みの配分方法を適用します。…