ナレッジライブラリ

このガイドでは、Ken French Data…

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、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、計測可能な潜在ファクターモデルの構造を保ちながら、企業特性からファクター・エクスポージャーへの線形写像をニューラルネットワークに置き換える条件付きオートエンコーダを提示します。月次リターンは、特性に応じたエクスポージャーと月次ファクターリターンの積として表されます。この手法は2段階のファクター構造を維持しながら、企業属性とファクター・エクスポージャーの非線形な関係を許容します。…

このノートブックは、企業間で特性値を順位付け済みの提供済みパネルを使い、US企業特性調査向けの月次モデル行列を作成します。変換を適合したりローリング期間を計算したりせず、同じ企業・月の行にある値から合成特徴量と交互作用を追加します。特徴量ファミリーの台帳には、各グループの入力、タイミング規則、根拠、想定される失敗要因を記録します。実現リターンを特徴量行列から除外し、企業識別子が別のラベルパネルと一致することを確認します。…

このノートブックでは、通貨ペアのリターン予測に線形モデルの正則化を適用します。入力特徴量間の多重共線性と、資産間の依存性を区別します。通貨ペアは共通の通貨を含むため、そのリターンや順位は独立ではありません。Ridgeは特徴量を残したまま係数を縮小し、Lassoは係数をゼロにできます。ElasticNetはその両方を組み合わせます。LassoとElasticNetのペナルティはフォールドごとのしきい値に対してスケーリングし、フォールド間で設定の意味がそろうようにします。…

このノートブックでは、企業特性から将来リターンを予測する教師ありオートエンコーダを検討します。ニューラルネットワークの狭いボトルネックは維持しますが、関連モデルで使われる条件付きファクターの解釈と価格付けの制約は取り除きます。ネットワークは特性を直接リターンに対応させ、宣言した数のユニットを通じて入力を圧縮してから予測を出します。…

この実現可能性分析では、利用可能なパネルデータでUS企業の特性に基づく月次ロング・ショート戦略を評価できるか確認します。指標が順位として符号化されているかを検証し、企業を観測できる期間を示し、各リバランス日に両側のポジションに必要な数と企業数を比較します。月次スプレッドを想定した取引コストの範囲と照合し、ホールドアウトを未使用のまま、履歴がウォークフォワード検証を繰り返せるだけあるかも確認します。モデルの学習も予測も行いません。…

このノートブックでは、金融ニュースの見出しを銘柄ごとのシグナルに変換するパイプラインを紹介します。ニュースコーパスを整形・標準化し、ティッカーと日付の組み合わせごとに完全一致または前方一致する重複を除去したうえで、文埋め込みを使って見出しの意味を表現します。ニュースサプライズは、ある日の埋め込みが直近の基準値からどれだけ離れているかを測ります。センチメント特徴量は平均的な極性と意見の不一致を捉えます。さらに、サプライズとセンチメントの方向を組み合わせ、ティッカーと日付ごとに観測値を集計し、情報係数とリターン区分を…

このノートブックでは、以前に選択した企業特性予測と固定されたポートフォリオ設定を1年間のホールドアウト期間に適用します。アウトオブサンプル評価を保つため、予測、配分、集中度、リバランス、取引コストについて新たな選択は行いません。ポートフォリオのコンフォーマル配分器は検証残差を使って予測の信頼性を推定します。残差が少なすぎる企業には、複数企業をまとめた代替幅を適用します。ウェイトはポートフォリオの各区分で幅の逆数を相対比較して決めるため、予測リターンの大きさだけを優先せず、信頼性を重視します。…

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…

このノートブックでは、株式オプション分析のケーススタディに適用した5種類の潜在因子アプローチを、モデル系列ごとに紹介します。PCAはリターンパネルから共通の変動を直接推定し、IPCAは特性をエクスポージャーに線形に写像し、条件付きオートエンコーダーは非線形の写像を使います。確率的割引ファクターは価格付けカーネルを推定し、教師ありオートエンコーダーは条件付きモデルの学習目的に将来リターンを加えます。ノートブックは関連ノートブックが公開したモデル群を読み込み、事前に定めたモデル一覧を網羅しているかを確認します。…

このノートブックでは、操作変数付き主成分分析をクロスセクション・リターンのモデルとして紹介します。各企業の特性にリターンへの直接的な重みを割り当てる代わりに、IPCAは特性から因子エクスポージャーへの共通の線形写像と、月次因子リターンを推定します。この写像とリターンを交互最小二乗法とリッジペナルティで同時に適合させ、学習期間の推定値を検証期間の特性に適用してリターンを予測します。…

このノートブックでは、計量主成分分析を使い、各銘柄に固定の負荷量を割り当てるのではなく、観測可能な株式特性に応じて潜在因子の負荷量を変える方法を説明します。特性から因子エクスポージャーへの共通の写像により、訓練パネルに含まれない銘柄の負荷量を算出でき、銘柄の特性が変われば負荷量も調整できます。通常のPCAと並べて手法を示し、因子数、パネル、ウォークフォワードの分割を一定にして比較する想定です。…

この文書では、少数の観測されない共通因子が横断面の変動の大部分を説明すると仮定する、企業リターンモデルの一群を紹介します。企業特性からリターンを直接予測するのではなく、企業特性から各社の因子エクスポージャーを推定し、そのエクスポージャーと推定した因子リターンを組み合わせます。この制約により統計的に扱いやすくなる一方、横断面を少数の因子で十分に説明できない場合は残差リターンが支配的になり、直接予測するモデルの方が優れる可能性があります。…

このノートブックでは、株式ファクターモデリングに使う教師ありオートエンコーダを紹介します。横断面を再構成してボトルネック表現を学ぶ教師なしオートエンコーダとは異なり、このモデルは学習目的関数に将来リターンも含めます。そのため、目的変数は予測だけでなく学習された表現も形作ります。それぞれのラベルが損失に直接含まれるため、将来リターンのラベルが異なれば、学習済みモデルも異なります。…

このノートブックでは、CME先物にニューラル確率的割引ファクターモデルを適用します。資産価格理論における確率的割引ファクターとは、各資産のリターンとの積が無裁定のもとで同じ期待値を持つ確率変数です。このモデルでは、キャリー、モメンタム、ボラティリティなどの商品リターンと観測可能な特性の両方を使って、この潜在変数を推定します。リターンのみを使うと説明されているPCAとの比較とは異なり、SDFでは特性を横断面の操作変数のウェイトに反映できます。…

このノートブックでは、9つの資産クラスにわたるケーススタディを横断し、加工した金融特徴量を一覧にします。利用可能な各特徴量パネルから特徴量数と名称に基づく分類群を数え、特徴量空間の規模を比較するとともに、各ケーススタディのモデルレジストリに記録された最も高い情報係数をまとめます。モメンタム、ボラティリティ、リターンなど、繰り返し現れる接頭辞は市場間で比較できます。一方、個別の指標や一貫しない命名があるため、分類群の数は大まかな目安にすぎません。…

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…