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、NASDAQ-100の市場マイクロ構造特徴量を使って線形モデルを学習します。1分間隔で観測した特徴量から、複数の先行期間のリターンを予測します。より表現力の高いモデルに進む前に、単純なベースラインを確立することが目的です。スプレッドとインバランスの特徴量は指標間やルックバック期間間で重複するため、設計行列は多重共線性を持ちます。Ridge、Lasso、Elastic Netを比較します。Ridgeは相関する係数を縮小し、Lassoは係数をゼロにでき、Elastic…
この特徴量評価では、金融およびモデル由来の候補とCME先物の先行リターンとの関係をスクリーニングします。各特徴量について、データのカバレッジと陳腐化を確認し、特徴量と先行リターンの日次横断順位相関を測定します。リターン期間の重複を考慮して不確実性を調整し、検定対象全体にBenjamini-Hochberg法による偽発見率制御を適用します。また、ウォークフォワード検証年ごとの結果や、宣言された別のリターン期間も比較し、根拠とともに継続、修正、中止の評価を記録します。…
このノートブックでは、単変量SPY価格予測の実装を、PyTorchの直接実装、sktime、Dartsで比較します。主な目的は、コードの長さ、インターフェース要件、インストールの成功、学習と予測を合わせた所要時間など、実務上の作業量を評価することです。直近の観測価格を使う単純予測を基準とし、ライブラリの例を通じて、共通の学習・予測インターフェースがモデル変更を容易にする仕組みや、ラッパーにどのような制約があるかを示します。…
この章では、持続的なトレード研究には、市場の変化、ノイズを含む証拠、実装コストに適応できる規律あるプロセスが必要だと論じています。構造変化、レジーム、データドリフト、概念ドリフトを区別したうえで、時点整合データ、明確な範囲設定、反復的な開発、現実的な戦略設計、実運用への移行、モニタリングを軸とする研究から本番環境への移行ワークフローを示します。また、探索と確認の違いを説明し、試行記録、封印したホールドアウト、選択を考慮した評価を重視します。…
この評価ノートブックでは、暗号資産無期限先物の次の8時間リターンとの関係を調べるため、金融特徴量とモデル由来の特徴量をスクリーニングします。評価サンプルはウォークフォワード検証期間から作り、最終ホールドアウトは分析対象外とします。各決済時点での横断的な順位相関により、特徴量を評価します。依存性を考慮した不確実性推定で平均情報係数を要約し、検証年ごとの成績を確認して、多重比較に対して有意性検定を補正します。特徴量台帳には証拠と判断を記録しますが、モデル入力から列を削除するものではありません。…
このノートブックでは、キャリー、ローリング・シャープレシオ、モメンタム、ボラティリティ指標など、相関する特徴量群で構成されたCME先物モデルに正則化が与える影響を調べます。Ridge、Lasso、ElasticNetを比較します。Ridgeは特徴量を残したまま係数を縮小し、Lassoは係数をゼロにでき、ElasticNetはこの二つの効果を組み合わせます。LassoとElasticNetのペナルティはフォールドごとの閾値に対する比率で表し、各学習フォールドに応じて強さを調整します。…
このノートブックでは、合成ETFリターン系列を生成するためにDiffusion-TSを適応させる方法を説明します。デノイザーは、クリーンな系列を多項式トレンド、フーリエ季節成分、残差成分の和として予測します。時間領域とフーリエ領域を組み合わせた損失関数により、各時点とスペクトルの両方で忠実度を高めます。DDIMサンプラーは生成に使う逆方向のステップ数を減らします。ノイズを加えた系列で学習した別の分類器が、低ボラティリティまたは高ボラティリティのレジームとラベル付けされたサンプルの生成を誘導します。…
この章は、個々の戦略よりも、再現可能な調査規律のほうが持続的なトレード上の優位性になると論じています。反証可能な仮説、アウトオブサンプル評価、多重検定の補正を軸に、バイアスを抑えるワークフローを示します。続いて、クオンツの職種や機関を概観し、主要分野の専門性とともに、トレードのライフサイクル全体にわたる幅広い連携を重視します。また、体系的な継続学習と、研究、執筆、オープンソース活動、専門家コミュニティを通じた実践も勧めています。…
この文書では、無期限先物の資金調達率パネルデータのモデル化にTabMを使う理由を説明します。共有ニューラルネットワークの基盤がすべての入力特徴量を組み合わせ、非線形層が相互作用を表現できます。各分岐で一つの特徴量を選ぶ木とは異なり、この設計では相関する列を同時に利用できます。TabMのアンサンブルメンバーはネットワークの大部分を共有し、個別のスケーリングベクトルと出力層を持つため、別々のネットワークを学習するより低コストで平均化できます。…
この評価ワークフローでは、NASDAQ-100の日中パネルを対象に、金融特徴量やモデルベースの特徴量を将来リターンと照合してスクリーニングします。まず最終テスト期間を確保し、将来ラベルの確定時点がその期間内に入る観測値を除外します。各特徴量について、ラベル期間に合わせた間隔でクロスセクションの順位情報係数(IC)を測定し、時系列依存性をNewey-West法で調整して、多重検定も考慮します。カバレッジ、同じ値が繰り返される頻度、分位点ごとのリターンの形状、特徴量間の冗長性も品質と診断の確認に加えます。各候補には、…
この分析では、直近を除外したモメンタムがETFの将来リターンに因果的な変化をもたらすかを推定します。モメンタムによるリターン予測の精度を問うものではありません。二重機械学習で、明記された交絡因子から結果変数と処置変数をそれぞれモデル化し、各モデルで説明できない部分から両者の関係を推定します。交絡因子には、実現ボラティリティ、市場レジームの指標、イールドカーブの傾きが含まれます。分析対象、時点ルール、エンバーゴ、プラセボ検定の設計をモデル適合前に確定し、予測モデルの候補とは別個の因果的証拠として結果を記録します。…
このノートブックでは、暗号資産無期限先物のリターンと方向を予測する勾配ブースティングモデルを分析します。グリッドでは、木の複雑さと損失関数を変え、二乗誤差、絶対誤差、Huber損失を含む目的関数について、学習途中の複数時点でモデルを評価します。木がほぼ同じプレミアム特徴量で繰り返し分割すると、新たな情報が増えないまま学習サンプルの細部に過剰適合する可能性があることを説明します。予測対象の異なるラベル同士ではなく、同じラベル内で候補を比較します。…
この文書では、多変量時系列の予測に使うPatchTSTのニューラルネットワーク基盤を紹介します。入力系列を重なり合うパッチに分割し、各パッチを学習済みの特徴空間に射影します。位置エンコーディングを加えた後、複数のTransformerエンコーダー層で処理します。エンコーダーは注意機構の層で各入力変数を個別に扱い、予測ヘッドがエンコードされたパッチを目標予測期間に対応づけます。…
このノートブックでは、価格ボラティリティ、ファンディングレート、プレミアム偏差の平均という宣言された3つの要因を一定に保った場合に、暗号資産無期限先物のプレミアムzスコアが、その後の8時間リターンに影響するかを推定します。処置変数は連続値のため、推定対象はプレミアムzスコアの1単位あたりの期待リターンの変化を表す傾きです。この介入に関する問いを、リターン予測やトレード戦略の評価とは区別します。…
このノートブックでは、金融時系列を生成する無条件のSig-Wasserstein GANを紹介します。学習済みの実データ・生成データ判別器を使わず、パスの逐次的な動きを数学的に要約するパス署名の期待値に基づく距離を使います。ニューラル生成器はノイズからパスを生成し、拡張されたパスから打ち切り署名を計算します。署名レベルごとに正規化し、実データの期待署名に一致するように学習します。例では、単一資産のS&P…
このノートブックでは、ケーススタディの登録簿からモデル実験カタログを再構築し、その内容をMLflowと比較する方法を説明します。学習実行、予測セット、バックテスト実行を順にたどり、各段階を前の段階に結びつけます。正規化された仕様には決定的なハッシュを割り当て、再実行の冪等性を確保するとともに、設定変更を識別できるようにします。クエリを使って検証指標、ポートフォリオのバックテスト結果、成果物の来歴をまとめ、検索可能なビューを構成します。…
このノートブックでは、ETF銘柄群の将来リターン予測について、通常の最小二乗法とリッジ回帰、LASSO、Elastic Netを比較します。すべてのモデルで、ラベル期間に合わせたパージ期間を設けた同一のウォークフォワード分割を使うため、結果の違いを分割方法の不整合ではなく正則化手法に帰属できます。各分割では、学習データだけを使って特徴量のウィンズライジングを行ってから標準化します。性能は誤差や適合度の指標に加え、クロスセクションの順位相関で評価します。…
この章では、株式、マクロ経済系列、先物、暗号資産、予測市場を対象に、時間整合性のあるファンダメンタルズと代替データの調査を構築する方法を説明します。中心となる手法は、二時点管理と基準日時点のクエリ、情報源を考慮した公表タイミング、時点ごとに有効なエンティティ対応付け、監査可能な提出書類テキストの抽出です。ノートブックの手順では、こうした考え方をSEC提出書類とXBRL、マクロ指標の公表、CFTCポジション、オンチェーン指標、機関投資家の保有状況、市場予測フィードに適用します。…
このノートブックでは、価格由来の重複特徴量からETFリターンを予測する線形モデルを比較します。複数のリターン期間や指標群が似た情報を表す場合、通常の最小二乗法では、近似した特徴量に不安定で相反する係数が付くことがあります。ウォークフォワードのフォールドでリッジ、ラッソ、エラスティックネットの適合を行い、ペナルティの強さを変えて実験します。リッジは特徴量を残しながら係数を縮小します。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効果を組み合わせます。フォールドごとにラッソのペナルティを尺度調整し、定めた比率…
このガイドでは、因果に関する問いとPythonライブラリーを対応付け、仮定した因果構造のもとで効果を推定することと、データから構造の候補を発見することの違いを明確にします。調整済み処置効果を求める二重機械学習、DoWhyによるグラフベースの識別と反証、PCMCI、PC、FCI、GES、LiNGAM、NOTEARSなどの時系列・横断面の発見手法を紹介します。また、処置の種類と推定対象がツール選びに与える影響も説明します。連続処置を群に変換すると、推定する問い自体が変わります。…
このノートブックでは、ETFの横断面を価格評価するための確率的割引ファクターモデルを紹介します。ファンドのエクスポージャーとファクターリターンを個別に推定する代わりに、ファンドリターンとの共変動で平均リターンを説明する共通の割引ファクター系列を、ネットワークで学習します。学習目的は価格評価誤差の最小化であり、予測リターンと情報係数はその後の診断指標として報告されます。最適化する量と報告する予測スコアの違いは、モデルの解釈において重要です。…
このノートブックでは、重み共有型ニューラルアンサンブルのTabMを、暗号資産無期限先物の特徴量パネルに適用します。各メンバーはニューラルネットワークの基幹部を共有しながら、個別のスケーリングベクトルと出力層を持ちます。これにより、効率的なアンサンブルと相関する入力間の非線形な相互作用を組み合わせます。ワークフローでは、回帰、二値方向、三クラス方向の目的変数を扱い、不均衡ラベルにはフォールドごとのクラス重みを適用します。また、複数の学習チェックポイントで予測を保存・登録し、各チェックポイントを個別の候補モデルとして…
このノートブックでは、金融データやモデル由来の特徴量が、その後のリターンでETFを順位付けできるかをスクリーニングします。各特徴量の横断面順位と先行リターンの順位を比較し、日付ごとの情報係数を計算して、その時系列を調べます。リターンラベルの重複を考慮して不確実性を調整し、同時に行う特徴量検定全体の偽発見を抑えます。さらに、ウォークフォワード検証期間を通じて関連性の符号が維持されるかを確認し、証拠が重複する高相関の特徴量を特定します。評価は検証日だけに限定し、ホールドアウト期間はスクリーニングから除外します。…
このノートブックでは、無期限先物の資金調達率特徴量を学習した系列表現が、無期限価格と現物価格の差であるプレミアムを手作業で要約した特徴量を上回るか、焦点を絞って検証します。直近ウィンドウ内の変化に線形写像を適用するNLinearと、再帰型のLSTMを比較します。両者で特徴量の順序、フォールド、欠損データの規則、チェックポイントのスケジュールをそろえ、測定差をより明確にアーキテクチャに帰属できるようにします。このノートブックは実験を定義し、検証予測を記録します。戦略の選定はここではなく、後続のバックテストで行います…