ナレッジライブラリ

このノートブックでは、一般的な目標ウェイト型リスクオーバーレイでは、説明対象のS&P 500ショートストラドル戦略を制御できない理由を解説します。オプションエンジンは固定された資本配分率を週次コホートに割り当て、各コホート内でウェイトを正規化します。そのためウェイトを拡大しても正規化で元に戻り、オーバーレイが生み出せる現金配分はありません。ヘッジのしきい値、決済、コスト、コホート数など、戦略に影響する制御は、後からウェイトを変換するのではなく、戦略仕様に含める必要があります。…

このノートブックでは、金融分野の固有表現認識向けにトランスフォーマーをファインチューニングし、テキスト範囲を組織、人名、金額、日付、割合の構造化フィールドに変換します。BIO境界ラベルを導入し、単語単位の注釈をサブワードトークンに対応づける方法を説明します。最初のサブワードには単語のラベルを付け、後続の部分は損失計算から除外します。また、固有表現範囲の完全一致による評価とトークン単位の評価を区別し、抽出した固有表現の数を文書特徴量にできることを示します。…

このノートブックでは、CME先物リターンの横断面予測に勾配ブースティングを適用します。葉数の構成を変えて木の容量を調整し、極端な残差が学習に与える影響の強さが異なる二乗誤差、絶対誤差、Huber目的関数を比較します。各モデルを複数のブースティングチェックポイントで評価するため、宣言されたモデル構成に加え、木の本数も選定要素になります。固定したモデル群の中で予測期間の影響を比較できるよう、同じグリッドを2つのリターン期間で学習します。…

このノートブックでは、分足のNASDAQ-100データからモデルベースの特徴量を作る3つの方法を説明します。分散予測と予測誤差のためのローリングHAR回帰、直近の出来高パターンを捉えるフーリエ変換、価格と注文フローが変化する順序を捉える深さ2のパスシグネチャです。推定済みパラメーターには推定期間の情報が含まれるため、再フィットと特徴量のタイミングで将来情報を使わないようにする必要がある点を強調します。特徴量はタイムスタンプと銘柄ごとに保存され、設定された予測期間に必要な異なるウォークフォワード分割を通じて、網羅性…

このノートブックでは、暗号資産の無期限先物の資金調達プレミアムを予測する系列モデルの比較に、時間畳み込みネットワーク（TCN）を追加します。因果パディングにより、各位置では現在および過去の観測値のみを使用し、拡張畳み込みによって受容野を効率的に広げます。選択した層構成は、宣言された入力ウィンドウ全体をカバーします。予測に最後の再帰状態を使うLSTMとは異なり、TCNは各位置の表現を平均し、有用な情報が時間とともにどこに現れるかについて別の仮説を検証します。…

このノートブックでは、企業提出書類のテキスト集合から文章を検索する4つの方法、BM25、密な埋め込み、相互ランク融合（RRF）、クロスエンコーダによる再順位付けを比較します。RRFは生のスコアではなく順位リストを組み合わせるため、異なるスコア尺度を較正せずに語彙検索と意味検索を統合できます。その後、再順位付けモデルが候補群の順位を変えます。また、検索段階の実装方法と、共通の検索深度で評価する方法も説明します。…

この文書では、リサーチパネル、集約予測、対立的な議論、監督役を組み合わせた予測アーキテクチャ全体を示します。監督役は意見の不一致を特定し、明確化に役立つ証拠を探し、確信度ラベル付きの確率を提案します。確信度に基づくルールによって、その確率でアンサンブルを上書きするか、混合するか、変更しないかを決めます。ノートブックでは出力に影響する設定を一元化し、後から確認できるよう段階ごとの確率と実行情報を記録します。…

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。…

このモジュールでは、強化学習環境で使う暗号資産市場シミュレーションのパラメータを推定します。選択した銘柄の無期限先物市場データを時間単位で読み込み、終値間の対数リターンを計算して、GARCH(1,1)ボラティリティモデルを当てはめます。推定用ライブラリが利用できない場合や最適化に失敗した場合は、二乗リターンの自己相関と事前に定めた範囲を使うモーメント法に切り替えます。持続性を制約し、無条件ボラティリティをサンプルの変動に合わせます。…

このノートブックでは、複数のトレード事例にわたるLightGBMモデルを整理して比較し、利用可能な場合は線形モデルとTabMを参照モデルとして用います。木の規模、回帰損失、チェックポイント、分類目的関数ごとに構成を評価します。主なシグナル指標は、日次横断面スピアマン情報係数の平均であり、HAC信頼区間とともに報告します。モデル間で評価フォールドと日数が一致しているかを考慮する比較設計です。…

この文書では、固定期間にわたりポジションを清算するエージェントを学習させるGymnasium環境を説明します。観測値には残存在庫と残り時間のほか、スプレッド、市場の厚み、ボラティリティ、通常またはストレスのレジームが含まれます。連続値のアクションで基準スケジュールに対する執行ペースを設定し、参加率とスケジュールの上限で取引を制約します。完了を確実にするため、最終ステップですべての残存株式を売却します。…

このノートブックでは、表形式の特徴量からETFの将来リターンを予測し、LightGBMをMLP、TabM、および利用可能な場合はTabPFNと比較します。各モデルを共通の時系列ウォークフォワードフォールドで評価し、順位情報係数と学習時間を主要な比較指標とします。ニューラル手法には単純な多層パーセプトロンと、共通のバックボーンを持つ複数のアダプターヘッドの予測を平均するTabMが含まれます。学習にはL1損失を使い、各学習期間内の未使用データで停止時点を選びます。…

このノートブックでは、ETFの21日先リターンを予測するため、通常の最小二乗法をリッジ、LASSO、エラスティックネットと比較します。各モデルには同じウォークフォワードフォールドを適用し、ラベル期間に合わせたパージ間隔を設けます。各フォールドでは学習セットのパーセンタイルを使って特徴量の極端値をクリップし、学習前に特徴量を標準化します。評価には横断面順位情報係数を用い、資産数が少なすぎる日や予測に変動がない日は未定義として除外します。…

このノートブックでは、価格水準から金融特徴量を抽出する局所線形トレンドの状態空間モデルを説明します。隠れ状態には価格水準と傾きが含まれ、観測値はノイズを含む終値です。各ステップでフィルターは状態を予測し、観測値のイノベーションを測定して、カルマンゲインに従って推定値を更新します。得られる水準、傾き、イノベーション、不確実性は、トレンド、予想外の変化、確信度を示すために使えます。ノイズ設定は推定値の反応速度を左右し、最尤法による当てはめは手動設定に代わるデータに基づいた方法です。…

このノートブックでは、流動性の高いUS株の一部に主成分分析を適用し、潜在因子を抽出してロング・ショートの固有ポートフォリオを構築します。標準化されたPCAベクトルを生リターンのウェイトに変換し、グロスエクスポージャーで正規化する方法を説明します。さらに、説明分散、セクターとの関連、階層的PCA、残差の挙動、ポートフォリオのリスク分解を検討します。セクターETFとの相関を使い、名前の付いていない成分に説明的なラベルを付けます。…

このノートブックでは、プレーンなPythonによるオーケストレーション、CrewAI、LangGraphを使って、4段階の予測ワークフローを表現します。状態の保持場所、失敗の調査や復旧方法、各方式が追加する依存関係、トレースの仕組みを比較します。ネイティブ版とLangGraph版は同じ専門家クラスを組み合わせますが、CrewAI版は役割を与えたタスクを使い、モデル呼び出しの経路も異なります。そのため、予測確率はフレームワークの性能を統制条件下で比較したものではありません。…

このノートブックでは、複数の通貨を共有する通貨ペア間でリターンが連動する市場を対象に、線形モデルの正則化を検討します。リッジ、ラッソ、エラスティックネットで対処できる特徴量の共線性と、順位付け対象の資産間にある依存関係を区別します。係数へのペナルティでは、後者は解消されません。リッジは特徴量を残しながら係数を縮小し、ラッソは係数をゼロにでき、エラスティックネットは両方の性質を組み合わせます。ペナルティ設定は各学習フォールド内で決め、共通のウォークフォワードサンプルでモデルを学習・評価します。…

このノートブックでは、極端な無期限先物プレミアムが、その後のBTCリターンまたはプレミアムの回帰に影響するかを検討します。処置を高プレミアム状態と定義し、多くの要因に左右される可能性がある広範な市場指標と、資金調達圧力や裁定取引により直接結び付くプレミアム変化を比較します。因果グラフで調整変数を指定し、過去のリターンとボラティリティを統制変数として使います。また、設計上、処置前の統制変数と将来の結果を分けています。…

この章では、統計手法を当てはめてトレードモデルの特徴量に変換する方法を概説します。診断と定常性、構造変化、分数差分、カルマンフィルター、スペクトル法とパスシグネチャ法、ARIMAとGARCHによるボラティリティ分析、HARとラフボラティリティの指標、不確実性推定、レジームモデル、横断面またはパネル変換を扱います。出力には、フィルター処理した水準やトレンド、イノベーション、予測値、条件付きボラティリティ、レジーム確率、事後または予測の不確実性が含まれます。…

このノートブックでは、上場オプションデータを読み込んで株式を順位付けし、その株式を保有する戦略向けに、将来の株式リターンラベルを作成します。企業行動を反映した調整済み価格系列を作成し、永続的な証券IDで企業を識別したうえで、各将来期間が完全であること、単一の証券内に収まること、取引セッション単位で測定されていることを確認します。また、リターンが得られない場合を明示的に処理して方向性ラベルを導出します。保有期間と検証時のパージ用バッファを区別し、シグナルの観測時点ではなく各結果が確定する時点に基づいて診断対象の期間…

このノートブックでは、親注文を有限期間の制御問題として扱います。各時間区間で、表形式Q学習が、時間と残存在庫に加えて直近に観測したスプレッドおよびボラティリティのレジームを条件として、VWAPベースの取引分割量に掛ける倍率を選びます。報酬では、スプレッドやシナリオに基づく市場インパクトを含む執行コストと、ボラティリティの高い時間帯に在庫を保有することへの線形ペナルティのバランスを取ります。参加率の上限で約定量を制約し、終端ペナルティによって未約定在庫にコストを課します。価格やリターンのシグナルは除外し、方向性のタ…

このノートブックでは、過去のUS株式リターンから相関ネットワークを作り、ポートフォリオ構築を検討します。推定期間のデータを使って流動性の高いユニバースを選び、ペアごとの相関を距離に変換し、密な依存構造を見やすくするため最小全域木（MST）を抽出します。次数、媒介、近接の各中心性で、資産がその木の中で占める位置を表します。次に、ポジション上限の範囲内で、構造的なハブへのウェイトを低くする逆中心性ルールを適用します。このノートブックでは、これらの配分をポートフォリオのベンチマークと比較し、定型化したショック伝播の感応…

このノートブックでは、20通貨ペアで候補シグナルを1特徴量ずつ評価します。ウォークフォワード検証期間のみを使い、各特徴量の日次横断順位と翌営業日のリターンとの一致度を計算します。ラベルの結果がホールドアウト期間内で確定しないよう、評価パネルの終了を十分前に設定します。カバレッジと陳腐化のフィルターで、評価に不十分なほど疎な列や変化のない列を除外します。また、ニューイー・ウェスト方式の不確実性推定で、隣接セッション間の依存を考慮します。フォールドごとの方向性確認、冗長性分析、偽発見率の調整により、不安定さと多数の検…

このノートブックでは、オプション分析における株式リターン予測のための、特徴量に条件付けない潜在因子ベースラインとして主成分分析を示します。PCAは過去のリターンパネルから共通変動と各銘柄のエクスポージャーを推定し、学習期間に推定した因子平均から予測を作ります。インプライド・ボラティリティ、スキュー、期間構造、その他のオプション特徴量は意図的に除外しています。このベースラインによって、関連モデルでエクスポージャーをそれらの特徴量に条件付けることの効果を測定できます。…