ナレッジライブラリ

この実験では、勾配ブースティング木、表形式ニューラルネットワーク、潜在因子モデルによる月次ETF順位予測の検証データ予測を組み合わせます。まず予測をクロスセクションでzスコア標準化し、その後に平均します。異分散・自己相関を考慮した不確実性推定付きの情報係数（IC）と、少数のETFを選んで加重するコスト考慮型のロングオンリー・バックテストでアンサンブルを評価します。…

この資料では、将来の観測値を使わずに適合済みモデルの特徴量を生成する共通手法を紹介します。隠れマルコフモデルでは、現在までの観測値に基づくフィルター済み状態確率と、系列全体を条件とし、将来情報が漏れる可能性のある平滑化状態確率を区別します。また、因果的なGARCHボラティリティの再帰計算や、ウォークフォワードでの再適合スケジュールも説明します。これにはタイムスタンプの確認や、適合済みモデルを先頭部分または新たに出力されたブロックに適用する方法も含まれます。状態の並べ替えなど関連する適合用ヘルパーは、分割間で特徴量…

このノートブックでは、無期限先物のプレミアムの乖離が、その後の8時間リターンと関係するか、また高ボラティリティ市場と低ボラティリティ市場で推定された関係が異なるかを、二重機械学習で推定します。暗号資産銘柄をまたぐパネル設計を説明し、観測された処置前の特徴量を調整します。また、パージとエンバーゴを含むウォークフォワードのクロスフィッティングを用い、標準誤差では共通の時間ショックと系列依存を考慮します。ボラティリティ局面ごとの適合と、処置と局面の交互作用により、局面間の違いを扱います。…

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。…

このノートブックでは、確率予測の評価と予測パイプラインの管理方法を説明します。ブライアスコアと対数スコア、期待較正誤差、鋭さを比較し、信頼度図から予測の過信や過小評価が生じている箇所を確認する方法を示します。また、同じ観測値で評価せずに較正変換を適合させる方法も説明します。さらに、検索時の証拠を固定して実行を再現する方法、プロキシを通じてツール権限を適用する方法、信頼できないテキストをスキャンしてインジェクション攻撃を探す方法も扱います。…

この運用デモでは、主要なFX通貨ペアの過去の日次データでリッジモデルを再学習し、Interactive Brokersのペーパーセッションで現在の足データを取得して、通貨ペアを順位付けし、ロングバスケットを構築します。ブローカーへの接続、簡潔な特徴量セットの準備、FX契約の適格性確認、注文計画、監視と監査用の各実行記録までを順に説明します。データ取得と執行の両方に同じ取引場所を使うことで運用手順が簡素化され、ノートブックでは口座確認と契約の特定方法を明示します。…

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、一定期間にわたって固定注文を清算する近接方策最適化（Proximal Policy Optimization）エージェントを学習させます。学習したペース配分方策をTWAPおよびAlmgren–Chrissスケジュールと比較し、実装ショートフォールを測定して各戦略がいつ取引するかを調べます。すべての戦略に同じ市場シミュレーションのパスを使って評価するため、エピソードごとの比較が可能です。また、在庫リスクと均等なペース配分からの乖離が、学習した方策をどう形作るかを説明します。…

このノートブックでは、有限個の戦略またはシグナルから選択する際に、成績推定を補正する方法としてラデマッハー・アンチセラム（RAS）プロトコルを紹介します。経験的ラデマッハー複雑度は、候補の成績行列がランダムな符号にどの程度適合できるかを推定します。これにより、候補間の依存関係が単純な試行回数だけではなく、実現したパスに反映されます。RASは、この複雑度推定と標本誤差項を使って成績の下限を求めます。異なる前提のもとで選択調整済み確率を示すDeflated Sharpe Ratio（DSR）と対比しています。…

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、ショートの欧州コールを対象にディープヘッジを実演します。幾何ブラウン運動のパスをシミュレーションし、ブラック–ショールズのデルタヘッジをベンチマークとして使用します。また、満期時損失の条件付きバリュー・アット・リスクを最小化する原資産ポジションを選ぶため、半再帰型ニューラルネットワークを学習させます。ヘッジの開始、リバランス、終了時に取引コストを課すため、学習した方策とベンチマークには同じ取引コストの前提が適用されます。ポジションがデルタベンチマークに近い場合に、ネットワークの取引が減るかも…

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、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、価格ボラティリティ、資金調達率、プレミアムの直近平均からの乖離を調整し、介入下で暗号資産無期限先物のプレミアムのZスコアが、その後の8時間リターンと関連するかを推定します。二重機械学習では、交絡因子から結果と処置を別々に予測し、その残差同士の関係を分析します。クロスフィッティングにより、各観測値は自身の残差を生成するモデルから除外されます。また、時系列順の分割とエンバーゴによって、交絡調整用モデルが後のデータを使わないようにします。…

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。…