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。
1,112件の資料
このノートブックでは、モデリング前に市場系列の特徴を把握する手順を示します。まずSPYの価格とリターン、VIXの水準、リターン分布を図示し、トレンド、ボラティリティのクラスタリング、厚い裾を確認します。次に、拡張Dickey-Fuller検定とKPSS検定を組み合わせて読む方法を説明します。帰無仮説の方向が逆であるため、結果を併せて解釈すれば、定常性の根拠、単位根、見解の不一致、結論を出せないサンプルを区別できます。…
このノートブックでは、SPYの日次リターンを使い、周波数領域の分析とトレード特徴量としての限界を説明します。ウェーブレット分解は変動を徐々に遅い時間尺度の帯域に分け、スペクトル推定はリターンの変動が周波数間にどう分布するかを示します。例ではウェーブレット族を比較し、ローリング期間から因果的な特徴量を作成して、支配周期、スペクトルの広がり、低周波成分の比率、正規化スペクトルエントロピーなどの指標を論じます。…
このノートブックでは、予測モデルで市場レジームを使う3つの方法を比較します。レジーム情報を使わない方法、変動の大きい状態のフィルタ済み確率を特徴量に加える方法、明示的に割り当てたレジームごとに専門モデルを当てはめる方法です。各時系列の拡大型分割内で隠れマルコフモデルからレジーム確率を作り、訓練ブロックだけでモデルを当てはめ、テストブロックでは前向きにフィルタした確率を使います。複数セッション先の将来リターンを目的変数とするため訓練とテストの間に間隔を設け、スケーリングも訓練データだけで行います。…
この分析では、9件のトレード事例で登録された二重機械学習の処置効果を比較します。各事例のレジストリから最新の結果を読み込み、レジストリの整合性とラベルの重複を確認し、対象範囲を明示します。効果と信頼区間は元の単位を保ち、HAC統計量でパネル間比較を補います。また、単純なOLS推定値と直交化推定値を比較し、ブロック置換による反証チェックを適用して、複数のラベルと実際に異なる予測期間を区別します。…
このノートブックでは、日次のポートフォリオリターンと対応するSPYベンチマークを使い、ETF配分のバックテストを評価する枠組みを示します。シャープレシオ、ソルティノレシオ、カルマーレシオ、最大ドローダウンなどのリスク・リターン指標、ローリング指標、ドローダウンからの回復、ベンチマーク対比のアルファ、ベータ、トラッキングエラー、インフォメーションレシオ、選定したストレス局面での成績を扱います。リターンはコストを考慮した登録済みバックテストから取得し、執行の前提はその成果物を引き継ぐため、コストを重ねて差し引きません…
このノートブックでは、モデルの不確実性が点推定を超える情報を加える方法を説明します。潜在対数ボラティリティが時間とともに変化し、リターンがStudent-t分布に従う確率的ボラティリティモデルを当てはめます。サンプラーの収束とモンテカルロ誤差に注意しながら、事後分布の広がり、区間幅、パラメータ推定値を特徴量として抽出します。また、ARIMAモデルの予測区間と、不確実性を推定した尺度上で測るべき理由も説明します。…
この評価ハーネスは、金融分野の検索拡張生成パイプラインにおける4種類の失敗を切り分けます。関連する根拠の検索、根拠に基づく回答、回答不能な質問への回答拒否、検索された文章に含まれる危険な指示への抵抗です。質問、実際の提出書類の抜粋、生成回答、引用、想定される拒否または安全性の動作を含む手作業のテストデータを使用します。ノートブックでは個別指標を定義し、構成要素ごとのスコアと複合スコアを調べ、統合された結果は基礎となる指標にさかのぼって確認すべきだと論じます。…
このノートブックでは、見解が分かれる確率予測について、強気側と弱気側が複数回討論します。双方は共通のリサーチエージェント要約に基づいて論じ、相手の直前の立場を見たうえで確率を修正します。予測の差が宣言済みの合意閾値内に収まると、手順を終了します。差の推移は診断情報として扱います。差が縮まるのは、一方が相手の見落としていた証拠を取り入れた可能性を示し、差が残る場合は未解決の意見の相違を記録します。討論の中間値は、明示された重みを使ってパネルの集計値に混ぜることができます。このノートブックは、二つの役割が独立した分析…
この探索的分析では、オプション契約とチェーンの構造を紹介し、8つの原資産を対象とするS&P…
この分析では、企業特性に基づく月次US株式戦略の登録済みバックテスト・パイプラインを読み取ります。シャープレシオの不確実性、確率シャープレシオとデフレート・シャープレシオ、戦略のペア比較、ホールドアウトでの成績低下、小型株の非流動性を反映するよう設計したコスト分析を報告します。検証データで戦略仕様を選択し、ホールドアウトでは選択を繰り返すのではなく、その固定した選択を評価します。測定された変化と点推定値の差を区別するため、ペア指標と信頼区間を使います。この文書では解釈の限界を強調します。ホールドアウトは暦年で1年…
このノートブックでは、過去価格から直接計算する指標を補うため、外国為替価格履歴からモデル推定特徴量を作成します。三つの手法を説明します。緩やかに変化する価格水準などを推定する状態空間フィルター、ドルの荒れた相場局面に属する確率を推定する2状態の隠れマルコフモデル、1ステップ先の予測誤差でサプライズを測る固定次数のARIMAリターンモデルです。4時間足のデータは、共通カレンダーを用いて取引セッションに集約します。…
このノートブックでは、S&P…
この章では、「時系列の観測順序には横断的な予測では捉えられない情報があるのか、あるならどのモデル設計で利用できるのか」という実践的な問いを通じて、時系列の深層学習を概観します。逐次学習の負荷がある再帰型ネットワーク、N-BEATSなどの分解モデル、注意機構を用いた手法、時間畳み込み、混合ネットワーク、状態空間モデル、画像エンコーディング、事前学習済み予測器を扱います。ノートブックではアーキテクチャを比較し、強力な線形ベースライン、ウォークフォワード評価、順序のシャッフルによってモデルが時間構造を使っているか調べる…
この読み取り専用の分析では、複数のモデル群による検証予測をまとめ、予測が揃っているか、株式をどれだけ適切に順位付けするか、順位付け能力がフォールド間で持続するか、類似したモデルが異なる情報をもたらすかを評価します。予測値とその後のリターンとの横断的な順位相関である情報係数を用い、重複するリターン期間から生じる依存性を考慮した区間を算出します。ペア比較では、サンプルの不一致や結合の重複による誤解を避けるため、共通の日付とパネルキーを使います。…
このノートブックでは、アンサンブルメンバー間で2層の特徴量ネットワークを共有する表形式ニューラルネットワーク構造、TabMを適用します。各メンバーは独自に学習したベクトルで共有表現のスケールを調整し、それぞれの出力層を使います。メンバー予測の平均化により、個別の完全なネットワークを学習するより低コストでアンサンブルの多様性を保つことを目指します。他の学習設定を固定し、層の幅とメンバー数を変える3つの構成を宣言します。予測対象はショート・ストラドルのリターンです。…
このノートブックでは、学習期間の平均リターンの外積に重みを付けて加え、リターンの共分散行列を修正するリスクプレミアムPCAを解説します。主要な固有ベクトルが静的な因子ポートフォリオを定義します。重みを大きくすると、分散が小さい場合でも平均リターンを説明する方向へ因子が傾きます。価格付けの適合度、評価期間リターンの再構築、重みによる負荷量空間の変化を比較し、事前に選んだ重みで翌日の因子プレミアムを予測します。…
このノートブックでは、SHAPを使ってETFリターンのリッジ回帰予測を説明します。線形モデルでは、特徴量寄与度と当てはめ済み係数および背景特徴量からの偏差との間に閉形式の関係があります。そのため、厳密な分解と照合して説明手法を検証できます。全体の重要度、単一予測のウォーターフォール説明、高い絶対値の予測が正しかった場合と誤っていた場合の比較を示します。モデルは最後のウォークフォワード・フォールドで学習し、追加のフォールド別当てはめにより特徴量重要度の時間変化を示します。…
このノートブックでは、金融価格から特徴量を抽出する方法としてカルマンフィルターを解説します。局所線形トレンド状態が潜在的な価格水準と傾きを追跡し、観測モデルがノイズを含む終値を扱います。各更新で、フィルター済みの水準、傾き、イノベーション、不確実性の推定値が得られます。カルマンゲインは、モデルと観測の不確実性に基づき、新たな観測が状態をどの程度変化させるかを調整します。また、二つの資産間で時間とともに変化しうるヘッジ比率の推定にもフィルターを適用します。…
このノートブックでは、企業特性からリターンを予測する潜在因子アプローチ、計量主成分分析（IPCA）を紹介します。各特性に直接リターンの重みを割り当てる代わりに、IPCAでは各企業の因子エクスポージャーを特性の線形関数としてモデル化します。パネル全体で共通の写像を推定し、因子リターンは月ごとに変化します。交互最小二乗法で写像と因子リターンをリッジペナルティ付きで同時に推定し、当てはめたエクスポージャーとリターンから検証月の予測を生成します。…
この分析では、複数資産のETFパネルに登録されたモデル群を、ウォークフォワード検証結果で比較します。モデルは21取引日後のリターンを予測し、各日付内でファンドをどれだけ適切に順位付けできるかを測る横断的な情報係数で評価します。平均スコアの単純な順位付けよりも、信頼区間とフォールドごとの一貫性を重視し、モデル群が類似または異なるシグナルを捉えているように見えるかを調べます。また、予測順位と特徴量の因果的な証拠を区別します。…
このノートブックでは、機関投資家の13F保有データを対象に、決定論的な関係検索と埋め込み検索を比較します。固定した基準日時より前に各機関が報告した最新の保有ポジションを残して時点整合性のあるスナップショットを作成し、大口保有者、共通保有銘柄、各機関の最大保有銘柄に関する質問を用意します。期待される根拠レコードは、同じ保有データから定義します。…
このノートブックでは、ETFの特徴量と将来リターンに古典的な最小二乗法の推論を適用します。係数推定値、標準誤差、t統計量、p値を確認し、異分散、残差の自己相関、非正規性、多重共線性を検定します。サンプルは資産・日付の不均衡パネルです。手順ではウォークフォワードの学習フォールドを使い、学習データで特徴量を標準化します。また、頑健な共分散指標を推定する前に、線形従属する複数のリターン合成特徴量を除きます。…
この分析では、NASDAQ TotalView-ITCHメッセージを使って取引所の活動を記述し、ティッカー、売買方向、注文属性に結び付けた取引テーブルを作成します。メッセージ種別を数え、件数がはるかに多い気配提示や取消イベントと取引を比較します。また、ティッカーをドル建て売買代金で順位付けし、取引所内の活動の集中度を調べます。属性を付加した取引データは、後続の日中パターンや定型化された事実の調査に利用できます。…
このノートブックでは、株式の特性からファクター・エクスポージャーへの線形写像をニューラルネットワークに置き換え、計量型主成分分析を拡張する条件付きオートエンコーダーを紹介します。エクスポージャーとファクターリターンの積という構造は保ちながら、特性と負荷量の間に非線形の関係を許容します。設定された各学習期間で将来リターンのラベルを再構成するようモデルを学習し、その表現が後の日付にも転移するかを検証用の情報係数で測定します。…