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。
654件の資料
このノートブックでは、ベータ、固有ボラティリティ、時価総額、分散を調整した後、12か月前から-2か月前までのモメンタムが翌月のUS企業リターンを予測するかを、拡張ウィンドウ方式の二重機械学習で分析します。補助モデルはそれ以前の月のデータで学習し、学習期間とテスト期間の間にエンバーゴを設け、最後の2016ホールドアウト期間を除外します。調整後の推定値は同じアウト・オブ・フォールド観測値での単純なOLSと比較し、時間と企業間の依存関係はDriscoll-Kraay推論で考慮します。…
このノートブックでは、SECの8-K報告書から構造化された企業イベントを抽出し、Neo4jナレッジグラフに読み込むパイプラインを示します。言語モデルが報告書をバッチ処理し、主体、関係、対象、タイムスタンプを含むイベント記録を作成します。明示的なイベントと関係のスキーマを使い、モデルの出力を検証し、エンティティの表記を正規化します。根拠のない関係、日付、カテゴリは未確定のままにして、確認に回します。…
このノートブックでは、企業特性データセットに対するXGBoost、LightGBM、CatBoostのOptunaハイパーパラメータ探索を比較します。各ライブラリで個別の探索を行い、木構造Parzen推定器、中央値プルーニング、早期終了、永続的な探索状態の保存を利用します。平均二乗誤差と平均絶対誤差のどちらを使うかもカテゴリ型ハイパーパラメータに含め、検証性能は平均クロスセクショナル情報係数で測定します。…
このノートブックでは、時間加重平均価格（TWAP）執行ルールのデモを使い、行動クローニングと逆強化学習（IRL）を比較します。行動クローニングは観測された市場状態を直接行動に対応づける一方、IRLは執行特徴量に対する線形報酬を当てはめ、そこから推定した目的に基づいて方策を導きます。TWAPは既知の参照目的を与えます。取引を均等に分散し、各ステップの市場インパクトを抑えることと、時間経過に伴う価格変動へのエクスポージャーとのバランスを取ります。…
このノートブックでは、観測された交絡因子を調整した後も、インプライド・ボラティリティと実現ボラティリティの差が、その後の株式リターンと関連するかを二重機械学習で調べます。関連する調整変数として、実現ボラティリティ、株式モメンタム、リスクリバーサルのスキューを特定し、同じクロスフィット済み観測値を使った単純な通常最小二乗法の推定値と調整後の推定値を比較します。分析では、ブロック置換による反証検定と、パネル構造を考慮した不確実性推定も用います。…
この学習用ユーティリティでは、DeePM型モデルの最適化ループを説明します。AdamWでモデルパラメータを更新する際、ロバストなシャープレシオ重視の損失関数に、先行リターン、ボラティリティ調整、マスク、取引コスト、設定可能なウォームアップ期間とソフトミン制御を渡します。有限でない損失はスキップし、各最適化ステップの前に勾配をクリップできます。…
このノートブックでは、個別のUS株に関する公開済み企業特性に、リッジ、ラッソ、弾性ネットの各モデルを当てはめます。特徴量にはバリュー、収益性、投資、規模、モメンタム、反転、リスク、流動性が含まれます。ウォークフォワードの分割で設定を比較可能にし、正則化が当てはめた予測をどう変えるか、ペナルティを変えて調べます。生の月次リターン、ウィンザー化した月次リターン、分類目的変数を使い、目的変数の選択が結果に与える影響も検討します。…
この事例では、ETFリターンのラベルに勾配ブースティング木を当てはめ、強いリッジ正則化で良好な結果だった線形ベースラインと比較します。市場ストレス局面によってモメンタムの働き方が変わるといった相互作用を木が発見できる理由を説明します。一方、貪欲な分割では、リッジなら組み合わせられる相関の高い特徴量の中から恣意的に選ぶ場合があります。グリッドでは木の複雑さと損失関数を変え、学習中の複数チェックポイントで各設定を評価します。…
この文書では、事例のParquetデータを直接使って特徴量ストアの概念を示します。特徴量ビューでは、エンティティキー、イベント時刻、有効期間、特徴量列を指定します。モデル学習では、過去の値を、その値が判明していた時点の判断時刻に結合します。実運用での取得では、判断時点で利用可能な最新の値を選びます。これらのルールをそろえると、学習と実運用のずれを防ぎやすくなります。…
この文書では、金融データのクリーニング方法を紹介し、学習データとテストデータの分割に沿って前処理を行う方法を説明します。中心となる教訓は、スケーリングやウィンザー化などの変換を学習データだけから推定することです。データ全体を使うと、将来の観測値の情報がモデル開発に漏れる可能性があります。重複処理、ドメインフィルター、欠損区間のフラグ付け、反転スパイク検出、外れ値のクリッピング、カテゴリ変数のエンコード、異なる頻度のデータセットの整列に使える処理も説明します。…
このノートブックでは、後のテキスト分析に向けて、10-Kおよび10-Q提出書類から説明文のセクションを抽出する方法を解説します。様式ごとの項目番号に対応し、段落の区切りを保ちながら提出書類のHTMLを変換し、目次や本文中の相互参照で同じ項目が繰り返されてもセクションの開始と終了を特定します。また、提出書類を識別し、情報がいつ利用可能になったかを確定するため、アクセッション番号と受理時刻を保持する重要性も説明します。…
このノートブックでは、オフラインの機械学習パイプラインとQuantConnectのLEANエンジンの間にあるデプロイ境界を示します。ETFの事例レジストリから予測セットを選び、学習と予測の来歴を検証して、プラットフォームで利用できるJSON形式でアウト・オブ・サンプルのホールドアウト予測を出力します。プラットフォーム側のアルゴリズムは、モデルの推論パイプラインを再現せずに、そのスコアへポートフォリオルールを適用します。予測を固定しておけば、再学習せずに閾値、ポジション上限、リバランスルールも検証できます。…
このノートブックでは、時系列の観測値の順序と経路の形状を保つ固定長の特徴量として、パスシグネチャを解説します。第1レベルは変化の合計を記録し、第2レベルの項は座標ペア間の符号付き面積を捉えます。時間を経路の座標に加えると、合計リターンが同じでも異なる価格経路を区別でき、出来高を加えると価格と出来高の動きを合わせて表す特徴量が得られます。冗長な特徴量を減らす方法としてログシグネチャを勧め、深さを増すと特徴量数が増えることも説明します。…
この文書では、取引ケーススタディにおけるモデル学習、予測、因果効果の推定、バックテストを記録するランログシステムを説明します。ケーススタディの設定から学習メニューやモデルのプリセットに進み、データファイル、特徴量列、分割日、予測行、前処理、推定器のパラメータ、ソフトウェアのバージョンを含む解決済み仕様が作られるまでの設定の流れを示します。その仕様を標準化した表現が、実行を識別する情報になります。…
このノートブックでは、株式、債券、通貨、商品に関する9つのファクターおよび市場系列の月次リターンを、ガウス混合モデルでクラスタリングします。データが不完全な月を除外した後、尺度の違いがクラスタリングを支配しないよう系列を標準化します。異なる特性を評価する基準で候補クラスタ数を比較し、その結果得られたグループを時系列と日付付きのイベントに照らして調べます。各局面のファクター成績から、全期間をまとめた平均では見えにくい条件付きリターンや分散効果がわかります。…
この章では、取引アイデアを文書化された特徴量仕様に落とし込む枠組みを示します。特徴量の期間を意図する判断に合わせ、要因に関する仮説を明示し、予測シグナルと文脈を表す状態変数を区別するよう研究者に求めます。参照基準、表現方法、集約方法の選択は経済的な主張に沿うべきです。仮説を変える変換と、主にノイズを抑える変換も区別します。この章では、価格・出来高の特徴量、市場マイクロ構造、金融商品間の関係、デリバティブ価格が示唆する指標、ファンダメンタルズ、マクロ経済データ、カレンダー変数を概観します。…
このガイドでは、因果効果の推定と因果構造の発見を区別し、よくある研究課題に適したPythonライブラリを紹介します。調整構造が既知または明示的に指定されている場合、EconMLとDoWhyは効果を推定します。Tigramiteとcausal-learnは時系列データまたはクロスセクションデータから構造を提案します。また、離散的な処置に焦点を当てるCausalMLやベイズ構造時系列の手法が適する場合も説明します。選択は処置の種類、データの形状、対象とする推定対象によって異なります。…
このノートブックでは、バックテストと実運用のパイプラインが一貫して動作するかを確認する、決定論的な枠組みを示します。価格バーを判断に変える各段階、すなわち特徴量計算、予測、シグナル、注文数量を比較します。固定の合成価格データを使い、両方のパイプラインが同じ入力を処理できるようにすることで、市場変動と技術的な不一致を切り分けやすくします。…
このノートブックでは、暗号資産の無期限先物市場における固定の売り注文を時間単位のバーに分散して執行するため、強化学習エージェントを学習させます。状態には、ラグ付きリターン、ボラティリティ、前の時間の出来高、現物に対する無期限先物のプレミアム、資金決済までの時間を含みます。日付に基づいて学習期間と評価期間を分け、同じ評価ウィンドウ上で複数の執行スケジュールを、対応する差分と標準誤差を使って比較します。…
このノートブックでは、9件のケーススタディにわたる線形モデルの結果を集計します。対象にはOLS、Ridge、Lasso、ElasticNetが含まれます。各研究で主要ラベルに対する最も強い完全な設定を比較し、正則化、フォールド単位の情報係数、安定性、代替の予測期間、分類・回帰指標、係数の挙動を調べます。結果はレジストリから取得し、廃止済みの予測を除外したうえで、有効なフォールド指標と最大限のラベルカバレッジを備えた完全な結果のみを比較対象とします。…
このケーススタディでは、他のモデル群と同じ時点整合済みのCME先物特徴量行とウォークフォワード分割を使って、パラメータ効率の高いニューラルアンサンブルTabMを評価します。パラメータの大部分を共有しながらモデル間の変動を平均化する方法としてTabMを取り上げ、小規模でノイズの多いパネルにおける適合と汎化のバランスを探るため、モデル容量を変えます。記載された評価では、等ウェイトの検証バックテストとシャープレシオを使い、指定済みのエポックチェックポイントから選択します。…
このノートブックでは、直近を除く過去6か月のモメンタムが21日先のリターンに影響するか、またその効果が市場ボラティリティによって変わるかを調べる手順を示します。ボラティリティとイールドカーブを統制し、市場ボラティリティを効果修飾因子として、学習データ上で二重機械学習を用いて効果を推定します。ボラティリティ局面はホールドアウト前のデータで定義し、推定結果を上下限を設けて縮小するポジション調整ルールに反映します。その後、ホールドアウト期間を使い、取引コストを含めてそのルールを単純なベースラインおよび簡易的なヒューリス…
このノートブックでは、事前学習済み時系列基盤モデルのChronosとTinyTimeMixerを、LSTMおよびペナルティ付き線形ベースラインとETFパネル上で比較します。各モデルには単変量の過去データを入力します。事前学習済みモデルは入力系列を予測し、平均予測経路をクロスセクションのランキングスコアとして使う一方、学習済みベースラインは将来リターンを直接予測します。予測対象と期間がリターンのラベルと一致しないため、ゼロショットモデルには順位情報係数を用います。この実験は、モデルに何を予測させるかを明確にしながら…
この章では、クオンツ取引研究における因果関係の主張を評価する枠組みを示します。介入、結果、推定対象、反実仮想、調整集合を明確に定義し、研究課題に手法を対応させます。連続的な介入にはDouble Machine…