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。
619件の資料
このノートブックでは、大口のポジションを清算するスケジュールを決めるAlmgren–Chrissの枠組みを紹介します。到着時価格に対する執行不足を測定し、2種類のコストをモデル化します。取引強度が上がると増加する市場インパクトと、売却前のポジションが価格変動にさらされている間に増えるタイミングリスクです。リスク回避度のパラメーターで取引経路を選び、コストとリスクのトレードオフの集合から効率的フロンティアを構成します。また、経路を清算の半減期で解釈し、恒久的なインパクトと一時的な流動性コストを区別します。…
このコードは、アウトオブサンプル予測テーブルから標準化されたパフォーマンス指標を計算し、フォールドごとと全体の主要指標を別々に示します。情報係数、誤差指標、識別指標、主体数など、回帰と分類の両方に対応します。分類では、情報係数の計算に連続値のリターン列を必要とし、AUC、対数損失、正解率などの指標にはクラスラベルを使います。この区別によって、二値ラベルをリターン順位の代わりに使うことを避けます。…
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と将来の株式リターンとの関連が続くかを、二重機械学習で検証します。同じクロスフィット観測値を使って調整後の推定値と単純な通常最小二乗法を比較し、主体内のブロック置換プラセボも用います。時間的な制御では、結果の期間、処置変数のローリング構築、フォールドのエンバーゴ、観測値間の依存を考慮します。最終ホールドアウト期間に及ぶ可能性のある結果は分析から除外します。 結果が対象とするのは、開発期間中の現行S&P…
このノートブックでは、Interactive Brokersを実データの取得元と執行先の両方に用いて、日次FX通貨ペアモデルを導入する一連の手順を説明します。過去のパネルデータでRidge回帰モデルを学習し、日次リターン、モメンタム、ボラティリティ、価格から得られる少数の特徴量を計算します。直近のバーを取得して通貨ペアのユニバースをスコアリングし、予測リターンが最も高いペアのバスケットを計画します。監視と監査用に、モデル成果物と実行記録も保存します。…
このノートブックでは、CME先物のパネルデータを対象としたニューラル確率的割引ファクターモデルを紹介します。キャリー、モメンタム、ボラティリティなど、商品リターンと観測可能な特性の両方を使って潜在因子を構築し、事前に定めた将来リターン期間の予測を生成します。リターンのみを使うPCAと対比し、特性がリターンの共分散を超える価格情報を加えるかを比較で検証する方法を説明します。…
このノートブックでは、複数資産のETFユニバースについて、ロングのみの6種類のポートフォリオ配分を比較します。最適化を不安定にするサンプリング変動を抑えるため、Ledoit–Wolf共分散縮小を用い、最大シャープレシオ、最小分散、リスクパリティ、階層的リスクパリティ、最小条件付きドローダウンリスク、均等配分を比較します。各手法で必要な推定値は異なります。期待リターンと共分散を使う手法がある一方、リスクのみを目的とする手法では期待リターン予測を使いません。リスクパリティはポートフォリオ分散へのリスク寄与を均等にし、…
この設定では、株価指数、国債、エネルギー、金属、通貨、農産物、畜産物にわたる週次の先物研究ユニバースを定義します。金曜日の決済価格を意思決定時点とし、執行時点を月曜日の寄り付きに設定します。戦略の枠組みでは、キャリーまたはモメンタムに基づいて先物商品を順位づけし、同リスクまたは想定元本によるサイジングでロング・ショートポジションに対応します。コストの前提は商品ごとの流動性に応じて異なり、手数料、スプレッド、ロール時のスリッページを含みます。…
この実験では、選択した月次US株式のロング・ショートシグナルが、小型株にどの程度依存しているかを調べます。ラグ付き時価総額フィルターを適用して検証用予測から時価総額が最小の四分位を除き、モデルを再学習せず、同じポートフォリオ構築とコストの前提で再実行します。フィルター適用後のユニバースでは資産数が減りますが、回転率は全ユニバースの結果とほぼ同水準に保たれます。…
この資料では、線形モデルや勾配ブースティングモデルと同じ加工済み特徴量行とウォークフォワード・フォールドを使う、CME先物のTabM実験を説明します。TabMはパラメーター効率の高いニューラルアンサンブルです。アンサンブルの各メンバーで重みの大部分を共有するため、複数のネットワークを平均する分散低減効果を一部得ながら、計算コストを抑えます。設定によってモデルの容量を変え、後の検証用バックテストとシャープレシオに基づく選定のため、宣言したすべての学習チェックポイントを出力します。…
このノートブックでは、検証フォールドで設定を選択した後、US株式のケーススタディのホールドアウト期間を予測する方法を説明します。選択された設定を特定してチェックポイントの選択を維持し、ホールドアウト開始前に利用可能なデータを使って新たな学習仕様を作成します。ラベルバッファーにより、学習アウトカムの対象期間が評価期間に重なるのを防ぎます。また、再フィット時にはフォールドごとの適格性とパラメーターを再計算します。…
このノートブックでは、Ridge回帰と3つのコンフォーマル手法、すなわち分割コンフォーマル予測、コンフォーマル化分位点回帰、適応型コンフォーマル推論を使い、ETFの将来リターンの不確実性区間を作成します。ウォークフォワードのフォールドで評価し、有限サンプルでの較正ルールを説明します。補間した分位点ではなく、必要な順位にある較正スコアを選びます。適応型コンフォーマル推論は、将来リターンのラベルが確定するまでフィードバックを遅らせながら、時間とともに許容するカバレッジ不足の目標値を更新します。…
このノートブックでは、モデルが資産を順位付けした後、配分ルールがETF戦略にどう影響するかを調べます。予測セットとリバランスカレンダーを固定し、比較ごとに同じ上位k銘柄のバスケットを選び、その中の配分比率を変えます。手法には均等配分、スコア加重、逆ボラティリティ、リスクパリティ、平均分散最適化、階層的リスクパリティがあります。保有ファンド数によって配分比率の違いが生じる余地が変わるため、バスケットの集中度も変えて検証します。…
このノートブックでは、登録済みのETF予測セットをポートフォリオに変換した場合の成績を評価します。各検証予測セットを、異なる上位k銘柄の保有など宣言済みのエントリー方式と組み合わせ、取引カレンダー、リバランス頻度、設定した手数料とスリッページの仮定は固定します。一括比較の前に、ランダムな順位付けをエンジンで実行します。シャープレシオがゼロから大きく離れている場合、タイミング、データ結合、コストモデルに欠陥がある可能性を示すものとして扱います。…
この章では、バックテスト、模擬取引、実運用で動かせる戦略ロジックを軸に、研究から実際の執行へ進む手順を説明します。ブローカーやプラットフォームとの連携、デプロイの反復処理、データと特徴量の同等性確認、注文のライフサイクル処理、運用準備を扱います。注文処理は状態遷移としてモデル化され、部分約定、取消、拒否、中断後の復旧を明示的に扱えるようにします。リスク管理には注文・ポジションの上限、古いデータの確認、シャドートレード、照合、キルスイッチを含みます。…
この章では、市場データ、ファンダメンタルデータ、オルタナティブデータを含む金融データを整理し、資産クラスによって価格、流動性、観測値の意味がどう変わるかを比較します。タイムスタンプ、調整、識別子、改訂はデータセットの定義の一部であり、研究上の結論を変える可能性があると強調しています。例として、生存者を考慮した株価、コーポレートアクション調整、先物のセッションバーと連続契約、オプション指標、暗号資産のファンディングデータを挙げています。…
この文書では、ケーススタディの評価設定からウォークフォワード検証分割を生成する共通手法を説明します。フォールドの構築をカレンダー対応の分割器に委ね、パネル行の整合性を保つため一意のタイムスタンプを使い、定義済みのホールドアウト境界から逆向きに処理します。学習期間と検証期間にはローリング期間を使えます。また、期間境界をまたぐ結果による情報漏洩を抑えるため、ラベルバッファで両者を分離します。…
この文書では、既存のウォークフォワード検証仕様から単一のホールドアウト用学習期間を導出する方法を説明します。研究設定で宣言されたホールドアウト日を使い、検証フォールド全体で最も早い学習開始日を採用し、最も広いラベルバッファを確保できるよう学習期間を早めに終えます。このバッファにより、学習対象の結果がホールドアウト評価用に確保された期間に及ぶのを防ぎます。特徴量がフォールド単位のより狭い履歴期間にしか存在しない場合は、学習開始日の下限を設け、特徴量が実際にカバーする日付にホールドアウト用の適合期間を制限できます。…
このノートブックでは、ATMストラドルを売り、満期まで保有する戦略の候補特徴量をスクリーニングします。各取引日について、利用可能な銘柄を特徴量で横断順位付けした結果と、最終的なストラドル損益の順位を比較し、その順位の一致度を検証期間にわたって平均します。ポジションの重複を考慮して不確実性を調整し、多数の候補を同時に検定するため偽発見も制御します。…
このノートブックでは、ETFの将来リターン予測について、分割コンフォーマル予測、コンフォーマル化分位点回帰、適応型コンフォーマル推論を比較します。ウォークフォワード分割では、あるサブセットで学習し、別のサブセットで区間誤差を較正してから、後の観測値で評価します。分割コンフォーマル法は較正残差の順位を使って区間幅を定めます。CQRは較正前に下側と上側の分位点モデルを当てはめるため、状況に応じて区間幅を変えられます。ACIは、遅れて結果が得られるたびに誤被覆率を更新します。…
このノートブックでは、多数のファクターや戦略を探索すると、個々の推定値が正しく計算されていても、選ばれた最良候補の見かけ上の成績が膨らむ仕組みを説明します。ノイズだけのファクターをシミュレーションし、最大の情報係数が偶然に見栄えのよい値になり得ることを示します。続いて、不均一分散・自己相関頑健な推論の後に偽発見率を制御する補正手順を構築し、より保守的なスクリーニングのためにファミリーワイズ誤差制御も論じます。…
このノートブックでは、共通のETFモメンタム戦略インターフェースをAlpacaに接続する方法を実演します。既定では、オフラインのシミュレーション経路を利用できます。ブローカーや市場データのアダプターを変更しても、戦略、注文ログ、シャドーモードのラッパーは同じままにできることを説明します。ライブのペーパートレード接続前には、任意のSDK、認証情報、口座状態を個別に確認します。口座スナップショットには現金、純資産、保有ポジションが含まれます。シャドーモードでは、提案する注文を記録しますが、送信はしません。…
このノートブックでは、説明対象のS&P 500ショートストラドル運用エンジンに、汎用的な目標ウェイト型リスクオーバーレイが適さない理由を説明します。エンジンは週次コホートに固定の資本比率を割り当て、各コホート内でウェイトの合計が1になるよう正規化します。そのため、ウェイトを縮小しても正規化で元に戻り、ドローダウンやボラティリティのオーバーレイが制御する現金配分は残りません。代わりに、ヘッジのしきい値、決済規則、エントリーコスト、コホート数など、戦略仕様に適切な制御を設けます。…
このノートブックでは、選択済みのUS企業特性戦略について、想定する手数料とスリッページを変えた場合に検証期間の成績がどう変化するかを測定します。明示したコスト範囲で同じ設定を再実行し、総コストを手数料とスリッページに均等配分します。戦略を固定することで、シャープレシオ曲線から取引コストの想定に対する感応度を分離して確認できます。比較用に指定コスト水準を範囲内に示し、登録済みの結果は再計算せずに再利用できます。…
このノートブックでは、9つのファクターおよび資産クラスのリターン系列の同時的な動きに基づき、ガウス混合モデルで月をグループ化します。月次観測値を標準化し、欠損月を除外したうえで、候補となるクラスター数をBIC、AIC、シルエットスコアで比較します。次に、日付が分かる市場イベントに照らしてクラスターを解釈し、各グループ内のファクター成績を調べます。これにより、全体平均では環境ごとの差が隠れることを示します。…