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。
58件の資料
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。…
このチュートリアルでは、過去のリスク調整済みモメンタム順位と米国債のイールドカーブに基づくレジームフィルターを使い、月次のETFローテーション・シミュレーターを構築します。各月末に、直近の価格履歴を使って10本のファンドを順位付けします。リスクオンの月は上位3本を均等保有し、リスクオフの月は固定の債券配分に切り替えます。シグナルには終値時点で利用可能な情報を使い、取引は次の取引日の寄り付きで約定させます。比例手数料と現金制約も明示しています。比較用に、固定の60/40株式・債券ポートフォリオも同じシミュレーターで…
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、実際のETFデータを使い、妥当な範囲でルックバック期間、相場局面、実装を変えてもモメンタムシグナルが有用かを評価します。モメンタムと将来リターンの横断面情報係数を計算し、ルックバックのパラメーターを一度に1つずつ動かして、性能を応答曲面として確認します。頑健性は単一の最良結果の高さではなく、ピーク付近を保つパラメーターの幅で捉えます。HACの標準誤差は、系列依存と重複する将来リターンのラベルを考慮します。…
このノートブックでは、同じ月次ETFモメンタム戦略を2種類の方法でシミュレーションして比較します。目標ウェイト、ユニバース、日付、総取引コストは同一です。一方は遅行ウェイトと資産リターンからリターンを計算し、もう一方は約定、株数、現金を追跡しながら注文を逐次処理します。そのため、結果の差から、目標が反映されるタイミング、約定価格、整数株の制約、利用可能な現金などの執行上の前提を把握できます。…
このノートブックでは、リターンを予測することと、モメンタムがリターンを引き起こすと主張することを区別します。直近1か月を除く前年の株式リターンを処置変数、将来リターンを結果変数として扱います。直近のボラティリティ、非流動性順位、出来高比率を交絡因子候補として指定します。ダブル機械学習では、それらの変数から結果変数と処置変数の双方をモデル化し、残差化した結果変数を残差化した処置変数に回帰して効果を推定します。将来情報を使わないよう、両方の補助モデルをエンバーゴ付きのウォークフォワード方式で学習します。…
このノートブックでは、学習したグラフ埋め込みがUS株の表形式モデルに予測情報を加えるかを検証します。対象期間より前に測定した絶対リターン相関からネットワークを構築し、同じ対象期間前の履歴を使ってモメンタム、ボラティリティ、トレンドの特徴量を作成して、その後の株式リターンを予測します。比較では、各交差検証フォールド内でグラフ注意機構オートエンコーダーを学習し、その後、対応するホールドアウト株式について、グラフ由来の特徴量を使用する場合と使用しない場合のリッジモデルを評価します。…
このノートブックでは、固定されたロングオンリーのETFモメンタム・ベースラインが、2010から2024までのさまざまな市場環境でどう推移したかを診断します。各日次リターンが始まる前にわかっていたボラティリティとトレンドの指標を使い、拡張した過去データの中央値で高低の状態を定義します。利回り曲線のスプレッドも、選択したモメンタムETFを保有するか、ディフェンシブな債券の組み合わせを保有するかを決めます。次に、ボラティリティとトレンドの4通りの組み合わせごとにリターンとリスク指標を分け、各区分の観測数を報告し、加法的…
このノートブックでは、2つの処理を交互に行う時系列ニューラルネットワークTSMixerを説明します。各特徴量についてルックバック期間の日数に共通の線形写像を適用し、各日に独立して共通の特徴量MLPを適用します。残差接続と事前正規化で層を構成し、小さな出力ヘッドで横断面リターンを1つ予測するようにします。テンソル軸の並べ替えによって各層が組み合わせる値が決まる点を強調し、モデルのパラメータコストをウィンドウを平坦化した上での全結合層と比較します。…
このノートブックでは、US株を順位付けするフォワードリターンの目的変数を定義し、その期間を実際の取引セッションに対応させる方法を説明します。リターンには株式分割と配当を調整した価格を使いますが、取引可能性の判定には同時点の未調整終値とドル建て出来高を使います。各行の将来価格は市場カレンダーから取得し、完全な期間がない行には明示的な失敗理由を付けます。取引可能性の判定はラベル構築後に行うため、除外された観測値が残りの行の期間を変えることはありません。…
このパイプラインは、OHLCV価格とイールドカーブから、ETF導入ワークフロー用の金融特徴量を構築します。複数のルックバック期間にわたるリターンとリスク調整後リターン、モメンタムの加速、ボラティリティ比率を算出し、RSI、MACD、ADX、CCI、ストキャスティクス、移動平均比率、ボリンジャー位置などの一般的なテクニカル指標を加えます。さらに、ドローダウン、過去の推移に対する出来高、オンバランスボリュームの動き、年次高値・安値からの距離、横断面順位も特徴量に含めます。…
このケーススタディでは、ETFモメンタムに因果推定を適用し、その将来リターンへの効果が市場ボラティリティによって変わるかを調べます。連続値のモメンタムを処置変数、21日先のリターンを結果変数とし、ボラティリティとイールドカーブを統制変数として、因果フォレストで平均効果とレジーム条件付き効果を推定します。推定値とレジーム閾値は学習データから導出し、その後のホールドアウト期間にポジションを拡大・縮小するために使います。取引コストを含めた上で、得られたルールを素朴なベースラインや単純な代替案と比較します。…
このノートブックでは、日次のIC観測値が依存している場合、通常のt検定が情報係数（IC）の強さを過大評価する理由を説明します。ETFデータからモメンタムシグナルを構築し、ICの自己相関を調べ、Newey–Westの不均一分散・自己相関一貫性標準誤差を、信頼区間用のブロックブートストラップと併せて紹介します。ブートストラップは依存性を保つため連続した観測値を再標本化し、HAC推定値は重み付き自己共分散を使って不確実性を調整します。…
このノートブックでは、ETFの上位モメンタム・ポートフォリオについて、リバランス頻度が回転率、総パフォーマンス、コスト調整後の結果に及ぼす影響を調べます。日次、週次、隔週、月次のスケジュールについて、過去の目標ウェイトの変化から回転率を推定し、例示用のスプレッド、市場インパクト、手数料の前提を適用します。損益分岐アルファは、年間の片道回転率に往復コストを掛けて算出し、取引コストを賄うために必要な総リターンの閾値を示します。別のシナリオ分析では、シグナル減衰と持続性コストによって望ましい頻度がどう変わるかを検討し、…
このノートブックでは、ETFリターンを2つの期間で予測するLightGBMモデルとRidgeのベースラインを比較します。木モデルは、モメンタムが市場ストレス下で異なる動きをするようなレジーム依存の相互作用を発見できます。一方、特徴量間の相関が非常に高いと、貪欲な分割は不安定になることがあります。実験では木の複雑さと損失関数を変え、各学習実行の複数のチェックポイントで予測を評価します。報告された学習曲線では、情報係数が設定した学習期間の終了前にピークを迎えることが多く、候補間のばらつきのかなりの部分をチェックポイン…
このデモでは、AlpacaのUSD現物市場につないだ、常時稼働型の暗号資産取引ループを説明します。無期限先物のケーススタディで使う投資対象を、取引所が扱う現物ペアに対応付け、取引できるのはその一部に限られることを示します。例示するシグナルは、無期限先物と現物のプレミアムシグナルの代理として使う、終値から終値までのモメンタムのローリングZスコアです。本番版では無期限先物価格と現物価格からプレミアムを計算する方法や、運用記録用に資金調達時間帯のタイムスタンプをUTCに統一する方法も説明します。…
このノートブックでは、調整期間と評価期間を時系列で分離しながら、モメンタムポートフォリオのStopLoss、TakeProfit、TrailingStopルールを調整する方法を示します。調整データで個々のルール幅と組み合わせを検証し、後の評価期間を開く前に選んだ設定を固定します。決済済み取引の最大不利変動と最大有利変動も、ストップ水準や目標水準の候補を設定する方法として使います。…
共通の戦略インターフェースを通じて、5日間のETFモメンタム戦略をAlpacaに接続する方法を示します。この戦略はSPY、QQQ、IWMのモメンタムを追跡し、しきい値を超えるとシグナルを生成します。ブローカー固有のアダプターがデータと注文を扱い、戦略とリスク管理ラッパーは再利用できます。ノートブックでは、SDKの利用可否、認証情報、口座状態、執行モードの確認を分けます。注文を送信せずに記録するシャドーモードにも対応しています。…
このUS株式事例では、将来リターンの予測と、モメンタムがリターンを引き起こすという主張を区別します。直近月を除く過去1年間の株式リターンを処置、将来リターンを結果とし、直近のボラティリティ、流動性の低さの順位、出来高比率を交絡因子として扱います。二重機械学習では、まず交絡因子から処置と結果をそれぞれモデル化し、次に両モデルの残差を関連付けて効果を推定します。将来データから交絡要因の関係を学習しないよう、エンバーゴを設けたウォークフォワード適合を使います。…
このノートブックでは、ETF特徴量の評価を単一のリターン期間から、10個の特徴量と3つの期間にわたるスキャンへ拡張し、多重検定を補正します。次に、長いルックバック期間の12-1モメンタムと短期リバーサルについて、時間をずらした検定、ICの持続性、米国債リターンによる共通要因の統制、VIXレジーム間の比較を用いて、メカニズムに基づく診断を行います。報告されたスキャンでは、5日間の期間で長期ルックバックのモメンタムが多重検定補正後の発見に含まれます。一方、より長い期間で最大となったインフォメーション係数は、補正後のし…
この特徴量エンジニアリング用モジュールは、システマティックなマクロ・ポートフォリオモデル向けに日次価格データを準備します。推定ボラティリティで調整した期間別リターン、複数スケールのMACDシグナル、対数価格のローリングZスコアを作成します。リターン期間には設定済みの組み合わせを使うことも、未加工のモメンタム特徴量向けに密な範囲を使うこともできます。事前ボラティリティは日次リターンの指数加重標準偏差で推定します。また、学習ターゲット用に1期先の未加工リターンとボラティリティ調整済みリターンも導出します。…
このチュートリアルでは、資産の価格と出来高の履歴から作る特徴量を概観します。複数期間のリターン、トレンドと反転の指標、複数のボラティリティ推定値、ボラティリティ局面、流動性、テールリスク、横断面の正規化などを扱います。モメンタムシグナルでは直近の観測値を除外する、移動平均からの乖離をボラティリティで尺度調整する、生の出来高ではなく相対出来高を使う、といった実践的な選択肢も説明します。また、定常性と長期情報の保持を両立させる方法として、分数階差分も取り上げます。…
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。…