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
このノートブックでは、因果グラフを事前に指定せず、多変量金融時系列の遅行関係を発見する方法としてPCMCIを紹介します。この手法をETFとボラティリティ指数のリターンに適用し、条件付き分析をペアごとのグレンジャー検定と比較して、遅行リンクの解釈方法を説明します。分析の探索期間を事前に定め、最終検定にBenjamini-Hochberg補正を用い、発見されたエッジが再現するかをブロックブートストラップで評価します。…
このチュートリアルでは、ETFのクロスセクションシグナルをロングのみ・均等加重の上位10銘柄ポートフォリオに変換し、リッジ回帰とロジスティック分類をモメンタムおよび均等加重のベースラインと比較します。モデルは、将来リターンのラベル期間にバッファを設けたウォークフォワード学習期間で適合させ、その後、ポートフォリオを毎月リバランスします。分析では、ポートフォリオリターン、売買回転率、コスト控除前後の成績指標、情報係数を計算し、シグナルの順位付け精度が取引コスト控除後の結果にどう関係するかを示します。…
この研究では、月次US株式リターンに対する線形モデルの適合が悪い原因が、二乗誤差目的関数にあるかを検証します。ウィンザー化していない将来リターンの予測対象、特徴量、ウォークフォワード分割を固定し、二乗誤差、絶対誤差、Huber損失で学習したブースティング木モデルを比較します。二乗誤差は極端な残差に過度な影響を与え、絶対誤差はその影響を抑えます。Huber損失は二次ペナルティと線形ペナルティを切り替えます。グリッドでは木の容量も変え、複数の学習チェックポイントで予測を記録し、それぞれを別の候補として扱います。…
このノートブックでは、順序付き特徴量ウィンドウから株式リターンを予測するベースラインとしてNLinearを紹介します。各サンプルは、1銘柄の連続する60セッションで構成されます。モデルは各特徴量の最新値を差し引き、残りの履歴を線形層で1つの値に変換してから、最新値を加え戻します。最後の線形層がこれらの要約を組み合わせて1つの予測を出します。このシンプルな設計は現在の特徴量水準を正規化して除き、より表現力の高い系列モデルに価値があるかを研究者が検証できるようにします。…
この資料では、株式ポジションとインサイダー取引の分析に使う、公開SEC届出データの2つの情報源を紹介します。四半期ごとの13F報告書には、厳選した運用会社の保有状況、または届出期間全体を対象とする一括データが含まれます。Form 4届出には、選択した銘柄のインサイダー取引が記録されています。ガイドでは、データのダウンロード、読み込み、後続分析用の整理方法を説明し、銘柄単位の特徴量や機関投資家と銘柄の保有関係も扱います。…
このノートブックでは、S&P 500オプションのショートストラドルのリターンを予測対象としてTabMニューラルモデルを適合させ、線形モデルやブースティング手法と同じ特徴量パネルで、3段階のモデル容量を比較します。TabMはアンサンブルメンバー間でニューラルネットワークの基盤部分を共有します。一方、メンバーごとに学習されるスケーリングベクトルと出力層が異なる予測を生み、それらを平均します。ウォークフォワード分割を使い、前処理は学習行だけで適合させ、予定された学習チェックポイントで検証予測を生成します。…
このノートブックでは、S&P 500の株式・オプション配分に対するポジション単位の管理策を評価します。固定ストップロス、トレーリングストップ、時間による手仕舞いを、それぞれの戦略固有のオーバーレイなしの基準ケースと比較します。検証用シャープレシオで適格な戦略系統を選び、事前に定めた各オーバーレイが検証用シャープレシオとドローダウンを変えるかを評価します。シャープレシオ差のペアード・ブロックブートストラップ区間を用い、改善の証拠と点推定値の単純な順位付けを区別します。…
この資料では、リターンが生じる前に観測された特性の線形関数として、資産のファクターローディングをモデル化する操作変数PCAを紹介します。交互最小二乗法で特性からローディングへの写像と実現ファクターを推定し、回転不変な部分空間診断によってローディングの復元を評価します。回転や符号の反転をしても適合リターンは変わらないため、個々のファクターの名称は特定されません。比較では復元された部分空間に注目します。…
この資料では、Chen、Pelger、Zhuによる資産価格研究の再現アーカイブに基づく、再現可能なUS株式ベンチマークについて説明します。1967年から2016年までの月次株式観測を約1.2百万件収録し、46の企業特性、マクロ経済指標、将来リターン、あらかじめ定義された学習・検証・テスト区分を含みます。企業識別子は匿名で、公開された各テンソル内では一貫していますが、識別子の名前空間が分かれているため、テンソル間で企業を紐付けることはできません。…
この資料では、TSMixerが株式の直近の特徴量履歴を、セッションと特徴量を軸とする行列として処理する方法を説明します。ブロックはまず時間方向に特徴量列の情報を混合し、次に各セッション内で特徴量間の情報を混合します。ブロックを積み重ねることで、再帰状態なしに各処理を相互に作用させます。このノートブックでは、同じUS株式パネルとウォークフォワード分割を使って、この手法をLSTMおよびNLinearと比較するため、アーキテクチャを主な比較対象としています。…
このノートブックでは、ETFとCME先物に対する登録済みウォークフォワードGBM予測を用いて、均等加重、コンフォーマル予測幅の逆数による加重、正の予測スコアに比例した加重を比較します。厳密に過去の分割における残差を使って銘柄別のMondrian分割コンフォーマル区間を較正し、評価対象の分割開始前にまだ観測できない将来リターンのラベルに対応する残差は除外します。過去の較正用残差群が有効でない場合は、最初の分割を除外します。過去の残差区間が狭いほど、区間幅を信頼度の代理指標とみなしてポートフォリオのウェイトを大きくし…
このノートブックでは、ゼロショットのChronosおよびTinyTimeMixerによる予測を、LSTMとペナルティ付き線形モデルの予測とETFパネル上で比較します。すべてのモデルに同じ単変量の過去データを与えますが、事前学習済みモデルが予測するのは将来リターンのラベルではなく、その履歴系列です。予測経路の平均を横断面の順位スコアとし、順位情報係数で評価します。学習済みのベースラインはラベルを直接予測するため、この比較で検証するのはゼロショット予測が有用な順位シグナルになるかどうかであり、目的変数を適切に較正して…
このノートブックでは、オプション市場の指標を使って銘柄間の将来リターンを順位付けできるかを評価します。オプション由来特徴量に線形モデルを適用し、ウォークフォワード検証を使ってリッジ、ラッソ、エラスティックネットのペナルティ強度を比較します。特徴量には、満期ごとのインプライド・ボラティリティ、ボラティリティ・スキュー、期間構造の傾き、分散リスクプレミアムなどが含まれます。正則化は関連する特徴量間の冗長性に対処し、ラッソとエラスティックネットは一部の係数をゼロにすることもできます。…
このノートブックでは、GARCHがボラティリティのクラスター化をセッションごとの特徴量に変換する仕組みを説明します。まずリターンの図とARCH-LM検定を使い、二乗リターンが自身のラグに依存するかを調べます。GARCH(1,1)モデルでは、新たなショックへの反応と過去の分散の持ち越しによって、ボラティリティ推定値が変化し減衰する速さが決まります。非対称な拡張モデルでは、負のリターンと正のリターンがボラティリティに異なる影響を与えることを許容します。また、条件付きボラティリティをリスク指標に使う方法や、超過回数を数…
この研究では、オプション市場の指標で将来の株式リターンを順位付けできるかを調べます。特徴量には、満期ごとのインプライド・ボラティリティ、プット・コール・スキュー、期間構造の傾き、分散リスクプレミアムが含まれます。多くの指標が重複する形で表現されるため、幅広い正則化強度で線形モデルを比較します。リッジは相関する係数を縮小し、ラッソとエラスティックネットは特徴量を取り除くこともできます。ウォークフォワード検証では、宣言したモデル設定を適合し、銘柄、日付、分割を揃えた予測を生成します。…
このノートブックでは、敵対的確率的割引ファクターの設計を米国株の日次データに応用します。ポートフォリオウェイトのネットワークが翌日の超過リターンからファクターを形成し、競合するモーメントネットワークがプライシングカーネルの学習を支援します。別のベータネットワークは、資産ごとのリターンとファクターの積を予測します。意思決定時の終値で利用できる過去の株式特性と遅延したマクロ経済状態によって、ウェイトを決めます。このノートブックではSDFウェイトとベータ予測を区別し、ファクターの価格付け診断と横断的な順位付け性能を分け…
このノートブックでは、実際のサプライチェーン知識グラフと機関投資家の13F保有情報を機械学習の特徴量に変換します。中心性や依存度の指標などのネットワーク指標を導出し、サプライヤー集中度と競争上のエクスポージャーを推定するとともに、保有者の広がり、集中度、共同保有を表す保有シグナルを作成します。また、事業運営情報と保有情報を組み合わせたグラフ横断特徴量を作り、企業別の特徴量を横持ちと縦持ちの形式で出力して、モデリングや情報係数の分析に使えるようにします。…
このノートブックでは、ETF予測戦略の運用サイクルを示します。市場データを更新し、金融特徴量を再計算し、Ridgeモデルを再学習してデプロイ用成果物を保存し、最新の横断予測を生成します。次に予測をバックテストエンジンで再生し、選定したバスケットをペーパーブローカー向けに準備します。研究評価と、全期間データを使った単一のデプロイ用学習を分け、研究レジストリから検証済みの正則化設定を引き継ぎます。ドライランでの再生がデフォルトで、ブローカーへの注文送信は明示的に設定できます。…
このノートブックでは、横断的なETFリターン予測について、LightGBMと小規模な多層パーセプトロン、TabM、任意でTabPFNを比較します。モデルは共通のウォークフォワード分割で順位情報係数を使って評価し、時系列順の検証区間を早期終了または反復回数の選択に用います。ニューラルネットワークには、TabM向けの共有バックボーン型アンサンブル設計が含まれ、MLPはシンプルなベースラインとして使われます。また、再学習にかかる実務上のコストを評価するため、学習時間も記録します。…
この資料では、取引、気配値、指値注文板の分析に使う4つの株式市場データソース、AlgoSeek TAQ、Databentoの注文単位の市場データ、NASDAQ ITCH、IEX HISTを比較します。各ソースの粒度、対象範囲、費用やアクセス条件、必要な保存容量、データが解析済みか再構成を要するかを説明しています。例を通じて、最良気配のフィードと全板情報または注文ごとのメッセージを区別し、集約された分足データから注文板を再構成できない理由を解説します。…
このノートブックでは、標準化されたETFデータの読み込み、特徴量レジストリ、シグナル診断をつなぐワークフローを紹介します。指標のメタデータを確認し、デフォルト値や明示したパラメーターで特徴量を計算し、設定を保存して再現可能なパイプラインにする方法を示します。指標の複数の期間は、別々に計算して結合できます。ライブラリのRSIと手動の指数平滑化版を比べ、平滑化方法などの実装上の選択によって値が変わる例も示します。…
このノートブックでは、匿名化された企業特性とリターンのパネルを使い、ランダムフォレストをXGBoost、LightGBM、CatBoostと比較します。データセットには時系列に沿った学習、検証、テストの分割が用意されています。主な評価指標にはスピアマン順位情報係数を使い、追加指標としてR²と平均二乗誤差も用います。ブースティングモデルには正則化とサンプリング制御を使い、XGBoostでは検証データに基づく早期終了で反復回数も選びます。…
このノートブックでは、バリュー・アット・リスクを損失の分位点として、条件付きバリュー・アット・リスク、すなわち期待ショートフォールを、その閾値を超える損失の平均として説明します。幅広い株式ETFを対象に、経験的な過去分位点、ガウスモデル、歪度と尖度を調整するCornish-Fisher法、適合したStudent-t分布からのシミュレーションという4つの手法で、1日分のテールリスクを推定します。次に予測値と実現損失を比較し、例外の件数を調べ、5つのETFを均等加重したバスケットで分散効果を検討します。…
このノートブックでは、登録済みでカバレッジが十分な候補から検証用設定を再構築し、選択済みのS&P 500株式・オプション戦略を評価します。均等加重のベースラインから配分、リスク制御、コスト感応度へと続く選択過程を追い、別の予測段階とバックテスト段階で得られたホールドアウト結果を確認します。各診断を分けて扱い、段階ごとの推移、リスク変化の対応のある不確実性、コスト控除後の維持、複数設定を試したことへの補正を評価します。…