ナレッジライブラリ

この文書では、モデルの学習とローリング推論に使う時系列パネルを準備するデータセット用ユーティリティを説明します。学習用データセットは、設定可能な系列長、日付範囲、ストライドに基づき、特徴量、将来リターン、ボラティリティ尺度、マスクのスライド系列を返します。日付範囲は利用可能なパネル日付に対応付けられ、完全な系列を確保できない範囲はコンストラクターが拒否します。…

この分析では、無期限先物の資金調達率について、複数のモデル群による検証予測を比較します。情報係数は後続リターンの順位との相関を測り、AUCは上昇と下落の結果の並び順を測定し、対数損失は確率の品質を評価して、自信過剰な誤りにペナルティを与えると説明します。これらの診断指標が答える問いはそれぞれ異なります。順位付けの改善は、より良い確率較正を保証しません。また、予測だけを評価する指標から、どのトレード戦略が最も良いかは判断できません。…

このケーススタディでは、LSTMモデルを設定し、FXペアのラベルを予測します。再帰モデルが引き継ぐ隠れ状態、固定ルックバック変換が扱う過去の情報、畳み込みの受容野を対比し、他モデルとの比較は別の分析に委ねます。共通ランナーは学習前に系列長、アーキテクチャ設定、デバイス、ラベル、フォールド、チェックポイントのスケジュールを確定します。欠損した日次観測をまたぐルックバック期間は除外するため、検証カバレッジは元のパネルより狭くなる場合があります。…

このケーススタディでは、NASDAQ-100のマイクロストラクチャー特徴量に勾配ブースティング木を適用し、複数の日中時間軸でリターンと方向を予測します。木モデルと線形モデルを比較します。木モデルは、スプレッドに応じて注文フローの不均衡の振る舞いが異なる、といった条件付きの関係を発見できます。一方、線形モデルでは、そのような相互作用を明示的に与える必要があります。探索では木の複雑さ、損失関数、ブースティング反復回数を変え、複数のチェックポイントで予測を出力します。…

このノートブックでは、4段階の予測システムを構築します。調査エージェントの集合、確率の集約、敵対的な議論、そして見解の相違を特定して補足証拠を検索し、最終確率を出す監督役です。監督役の影響は、表明した確信度によって制御されます。無視する、前の結果と混合する、または置き換える、のいずれかが可能です。相関の仮定、各段階の重み、検索上限、確信度の扱いに関する設定値は、中央で一元管理します。…

このノートブックでは、ETFの順位付けシグナルをポートフォリオの形成から簡略化したバックテストまで追います。リッジ回帰とロジスティック分類をウォークフォワード分割で学習し、モメンタムおよび均等ウェイトのポートフォリオと比較します。月次リバランスでは、稼働中のシグナルがロングオンリーの上位10銘柄を選び、均等配分します。グロスとネットの成績指標、売買回転率、横断面情報係数を報告し、シグナルの順位付け能力と、そのポートフォリオを取引した結果が異なり得ることを示します。…

このノートブックでは、S&P 500オプション研究における事前定義済みモデル群の一つとして、トランスフォーマー型系列モデルPatchTSTを適合させます。過去データ系列を固定長のパッチに分割し、トークンとして埋め込み、ウィンドウ内の位置同士の関係をアテンションで捉えます。LSTMの逐次的な再帰処理と比べると、アテンションは系列内の離れた部分を直接結び付け、ウィンドウを並列処理できます。位置情報は位置埋め込みを通じて学習する必要があり、パラメーター数が多いため、データが限られると適合が難しくなる場合があります。…

この資料では、将来リターンの期間が重複するラベルについて、プールしたパネル自己相関とラベルの一意度に基づく有効標本数という2つの診断指標を定義します。自己相関の計算では、同じエンティティ内で、元のバーグリッド上の指定距離にある観測値だけを組み合わせます。エンティティごとに値を中心化してからプールすることで、エンティティ平均の違いによる見せかけの持続性を避けます。有効な組み合わせがないラグもNaNのまま表示します。…

このノートブックでは、ETFリターンとローリングボラティリティ特徴量の系列を、ロングオンリーのポートフォリオウェイトに直接変換するLSTM配分器を構築します。ソフトマックス出力により、ウェイトは非負で全額投資となります。リターンを予測してその予測を最適化器に入力する代わりに、学習目的関数は微分可能なシャープレシオを直接最大化します。時系列順に訓練・検証・テストに分割し、学習したウェイトを均等ウェイトおよび逆ボラティリティのポートフォリオと比較します。…

このノートブックでは、金融ニュースの文をポジティブ、中立、ネガティブに分類する3つの方法を比較します。ロジスティック回帰とTF-IDFの単語・単語ペア特徴量、ロジスティック回帰と事前学習済みGloVeベクトルの平均、事前学習済みFinBERTセンチメント分類器です。Financial…

このノートブックでは、分単位のNASDAQ-100データから3つの手法で特徴量を構築します。短期分散予測のためのローリング異質自己回帰モデル、直近の取引活動の周期構造を表すフーリエ変換、価格・注文フロー・取引強度の変化の順序を捉える深さ2の経路署名です。回帰特徴量はパラメーターの推定に使うデータ期間に依存しますが、変換と署名は直近の期間に対する固定計算です。特徴量を各バーで生成し、横断面での順位付け能力を評価します。…

このノートブックでは、金融イベントグラフの分析で、イベントの発生時刻、公表時刻、グラフパイプラインによる抽出時刻を混同しない方法を示します。タイムスタンプ付きの8-K関係を読み込み、公表と抽出の遅延を測り、公表時点を基準にグラフのスナップショットを作成します。また、累積スナップショットを比較して関係の入れ替わりを計算し、後日の公表や抽出内容が過去の表示に混入していないか確認します。…

この文書では、先物間の共動から推定する共通のリターン要因として潜在ファクターを紹介します。名前付きの予測変数として与えるものではありません。各学習分割内で推定する2つのアプローチを比較します。主成分分析（PCA）はリターンの分散を最も多く説明する線形方向を見つけます。一方、ニューラル確率的割引ファクター（SDF）はクロスセクションの期待リターンを説明する共通の価格付け要素を探します。PCAはリターンのみを使いますが、SDFは特性を操作変数として使い、特性に応じたエクスポージャーを表現できます。…

この文書では、S&P 500オプションの検証予測について、線形モデル、勾配ブースティング、表形式の深層学習モデル、系列モデルを比較する方法を説明します。診断結果を報告する前に、登録された各予測母集団が適格性要件に照らして完全であること、また全母集団が同じ交差検証IDを共有することを確認します。系列モデルにはルックバック履歴が必要なため、対象となる行が異なります。比較が意味を持つのは適格性が一致するグループ内であり、モデル群をまたぐ比較が自動的に妥当となるわけではありません。…

この文書では、スプレッド、短期ボラティリティ、過去リターンを考慮したうえで、買い手主導の出来高比率が将来リターンに影響するかを二重機械学習（DML）で推定する方法を説明します。クロスフィッティングを使い、統制変数に対して処置変数と結果変数をそれぞれ残差化し、その残差間の関係から効果を推定します。例では1分足のNASDAQ-100観測と15分先の結果期間を使い、Lee-Readyルールで注文フローを分類します。…

このノートブックでは、フィーチャーストアで学習データとライブのモデル入力を整合させる方法を説明します。エンティティキー、イベント時刻、有効期間、特徴量列を使ったフィーチャービューを紹介し、過去の学習向けの時点整合結合と、推論時の最新既知値の検索を比較します。例では、日次のUS株式の財務特徴量とモデル由来の特徴量をParquetファイルに保存し、学習データがホールドアウト境界を越えないよう確認します。…

この文書では、シグナルの質から検証、取引コスト、ホールドアウト期間の成績、証拠の質まで、9つのトレード事例を評価する5段階のプロセスを説明します。ゲートは累積方式で、戦略が最終段階に進むには、該当する前段階のすべてを通過する必要があります。事例に当てはまらない段階は、不合格ではなく通過扱いになります。…

このノートブックでは、暗号資産の資金調達率が上昇するか低下するかを予測するモデルのデプロイリハーサルを紹介します。過去のBinance由来の無期限先物データで3クラスのLightGBMモデルを学習させた後、OKXからライブの時間足バーと資金調達率を取得し、データを戦略の8時間間隔に集約してライブ特徴量を計算し、利用可能な銘柄をスコアリングします。Alpacaのペーパートレードを、対応付けたUSD現物ペアの執行基盤として使い、対応しない無期限先物はシグナルのみとします。実行記録には、監視と監査のためにカバレッジ、デ…

このノートブックでは、1分足のNASDAQ-100マイクロストラクチャー特徴量から複数の期間先のリターンを予測するため、長短期記憶ネットワークを学習させます。モデルは過去の系列を順に処理し、どの過去の観測を保持するかを学習します。学習ではウォークフォワード分割を使い、特徴量の標準化は学習データだけで行い、銘柄と分割が変わるたびに状態をリセットし、指定したチェックポイントで検証予測を保存します。学習ターゲット間の重複を減らすため、系列ウィンドウの間隔は各ラベルの期間に合わせます。…

このユーティリティモジュールでは、検証データとホールドアウトデータを使って予測モデルを評価する表と図を作成します。情報係数の信頼区間、検証からホールドアウトへの性能低下、選択を考慮したバックテスト統計量、フォールド単位の比較、市場局面ごとの網羅性、コンフォーマル予測区間のカバレッジなどを診断します。保存済みの学習、予測、バックテスト記録を照会して比較可能な設定を選び、関連結果がまだない場合は安定した空の表スキーマを返します。…

この文書では、資産ごとの時系列とコンテキストを、上下限のあるポートフォリオのリスクウェイトに変換するニューラル方策ネットワークの構造を説明します。資産ごとのバックボーンには、コンテキスト埋め込み、特徴量ごとの変調、変数選択、LSTM、因果的な時間方向のアテンションを組み合わせます。次に、遅延を考慮したクロスセクショナル・アテンションで資産間の関係を処理し、必要に応じてマクロ経済の隣接グラフに制約されたアテンションを適用できます。…

この文書では、連邦準備制度が2026に利上げするかどうかについて、多段階の予測を記録します。3つのエージェントが根拠を調査して確率を示し、その後、議論を経てスーパーバイザーが予測を更新します。見解は分かれています。2つのエージェントは利上げの可能性を低く見積もり、もう1つはより大きなリスクを見ています。インフレ、FRBの見通し、金融政策の先行きについて意見が異なる様子が示されています。…

このノートブックでは、USの企業特性研究におけるホールドアウト予測段階を説明します。検証結果で選んだモデル設定を使い、学習仕様とチェックポイントを再構成したうえで、ホールドアウト期間より前に終了するデータを使って再学習します。新たな学習IDによって再学習を監査可能にします。期間とラベルのバッファは研究設定から導き、学習結果が評価期間と重なるリスクを減らします。…

この設定ノートでは、L1正則化を使う3クラスのロジスティック回帰で、scikit-learnのliblinearソルバーではなくSAGAを使う理由を説明します。新しいscikit-learnバージョンでの多クラス対応に触れ、Nasdaq-100のマイクロストラクチャー実験ではSAGAの処理が大幅に速かったと報告します。報告されたテスト外の対数損失と正解率も、検証した設定ではSAGAの方が良好でした。…