ナレッジライブラリ

このノートブックでは、金融イベントグラフの分析で、イベントの発生時刻、公表時刻、グラフパイプラインによる抽出時刻を混同しない方法を示します。タイムスタンプ付きの8-K関係を読み込み、公表と抽出の遅延を測り、公表時点を基準にグラフのスナップショットを作成します。また、累積スナップショットを比較して関係の入れ替わりを計算し、後日の公表や抽出内容が過去の表示に混入していないか確認します。…

この文書では、先物間の共動から推定する共通のリターン要因として潜在ファクターを紹介します。名前付きの予測変数として与えるものではありません。各学習分割内で推定する2つのアプローチを比較します。主成分分析（PCA）はリターンの分散を最も多く説明する線形方向を見つけます。一方、ニューラル確率的割引ファクター（SDF）はクロスセクションの期待リターンを説明する共通の価格付け要素を探します。PCAはリターンのみを使いますが、SDFは特性を操作変数として使い、特性に応じたエクスポージャーを表現できます。…

この文書では、S&P 500オプションの検証予測について、線形モデル、勾配ブースティング、表形式の深層学習モデル、系列モデルを比較する方法を説明します。診断結果を報告する前に、登録された各予測母集団が適格性要件に照らして完全であること、また全母集団が同じ交差検証IDを共有することを確認します。系列モデルにはルックバック履歴が必要なため、対象となる行が異なります。比較が意味を持つのは適格性が一致するグループ内であり、モデル群をまたぐ比較が自動的に妥当となるわけではありません。…

このノートブックでは、学習やバックテストの再実行をせずに、登録済みのNASDAQ-100マイクロストラクチャー・バックテストから戦略を評価します。登録簿から指標と系譜を読み込み、必要に応じて派生コホート表とペア比較表を作成し、共通日付を使って戦略を等ウェイト・ベンチマークと比較します。中心となる方法は、単独の要約統計量を差し引くのではなく、日々のリターン差を分析することです。これにより、対応する観測値に含まれる情報を保ちます。連続する日次リターンの依存性を考慮するため、ブロック・ブートストラップ区間を使います。…

このノートブックでは、以前に選択したCME先物の設定をホールドアウト予測に適用します。確立済みの配分器、リバランス日程、集中度ルール、取引コストの仮定を使います。中心となる方法論上の要点は、ホールドアウトを評価する前にこれらの選択を固定することです。期間を見た後でパラメーターを変更すれば、検証の信頼性が損なわれます。登録済みの学習とバックテストの識別情報から選択済み設定と対応する予測セットを特定し、実行結果をホールドアウト・バックテストとして記録します。…

このノートブックでは、フィーチャーストアで学習データとライブのモデル入力を整合させる方法を説明します。エンティティキー、イベント時刻、有効期間、特徴量列を使ったフィーチャービューを紹介し、過去の学習向けの時点整合結合と、推論時の最新既知値の検索を比較します。例では、日次のUS株式の財務特徴量とモデル由来の特徴量をParquetファイルに保存し、学習データがホールドアウト境界を越えないよう確認します。…

このノートブックでは、検証で選択したFX戦略が、比例取引コストの変化にどう反応するかを測定します。予測ラベルごとに、シグナル、配分、リスクオーバーレイの結果から親戦略を選び、他の識別情報を保ったまま、コストのグリッド全体で再実行します。このコストの走査は摂動分析です。確定した戦略の頑健性を記述するものであり、後の選択には使いません。…

このノートブックでは、登録済みの検証バックテストからCME先物のケーススタディ設定を選ぶ方法を説明します。シグナル、配分、リスク管理の各段階から候補を集め、検証シャープレシオが最も高い設定を選びます。両方の収益予測期間を合わせて検討し、コスト感度分析は選定済みの設定を記述するものであり、選定を競うものではありません。…

このノートブックでは、月次のETFモメンタムとイールドカーブのレジーム戦略を、ベクトル化したリターン計算と逐次的な口座シミュレーションの2つの方法で適用します。どちらも目標ウェイト、資産、日付、取引コスト合計が同じため、目標が有効になる時点、約定価格、整数株の制約、現金管理などの執行上の選択に比較を絞れます。シグナルはルックバックリターンを実現ボラティリティに対して評価してETFを順位付けし、リスクオン局面では選択したファンドを保有し、それ以外では債券ETFを使います。…

この文書では、シグナルの質から検証、取引コスト、ホールドアウト期間の成績、証拠の質まで、9つのトレード事例を評価する5段階のプロセスを説明します。ゲートは累積方式で、戦略が最終段階に進むには、該当する前段階のすべてを通過する必要があります。事例に当てはまらない段階は、不合格ではなく通過扱いになります。…

このノートブックでは、1分足のNASDAQ-100マイクロストラクチャー特徴量から複数の期間先のリターンを予測するため、長短期記憶ネットワークを学習させます。モデルは過去の系列を順に処理し、どの過去の観測を保持するかを学習します。学習ではウォークフォワード分割を使い、特徴量の標準化は学習データだけで行い、銘柄と分割が変わるたびに状態をリセットし、指定したチェックポイントで検証予測を保存します。学習ターゲット間の重複を減らすため、系列ウィンドウの間隔は各ラベルの期間に合わせます。…

このノートブックでは、ボラティリティの測定値を比較し、異質自己回帰（HAR）モデルを適合させ、ハースト指数で粗さを推定します。まず、日中の実現分散と日次推定量を比較し、夜間リターンと取引時間中の活動を分けます。また、調整されていない価格、欠損した取引日、定義の異なるボラティリティなどの注意点を示します。HAR回帰では日次、週次、月次のボラティリティ平均をローリング計算して複数の市場期間を表し、説明変数に重複がある場合の推論にはNewey–West標準誤差を使います。さらに、HAR予測とGARCHを比較し、リターン…

このユーティリティモジュールでは、検証データとホールドアウトデータを使って予測モデルを評価する表と図を作成します。情報係数の信頼区間、検証からホールドアウトへの性能低下、選択を考慮したバックテスト統計量、フォールド単位の比較、市場局面ごとの網羅性、コンフォーマル予測区間のカバレッジなどを診断します。保存済みの学習、予測、バックテスト記録を照会して比較可能な設定を選び、関連結果がまだない場合は安定した空の表スキーマを返します。…

このノートブックでは、統合データマネージャー、事前定義またはカスタムの銘柄ユニバース、パーティション分割したParquetストレージを使って金融時系列を取得・管理する手順を示します。単一銘柄と複数銘柄の並列取得、ストレージへのデータ読み込み、指定期間の読み出し、増分更新、分析やバックテスト前の欠損検出を扱います。株式、債券、金を含むリベース済みETF系列を用い、バッチ読み込みで複数資産を一つのデータセットから比較できることを示します。…

この章では、連続時間の価格過程、GARCHボラティリティモデル、ブートストラップ再標本化、モデル比較を含む、合成金融データ生成の古典的な手法を説明します。幾何ブラウン運動、ジャンプ拡散、平均回帰、Hestonなどのモデルが、リターン、ジャンプ、変動するボラティリティについて異なる仮定をどう表現するかを解説し、ドリフト補償や分散の切り捨てといった実装上の詳細も扱います。…

このノートブックでは、USの企業特性研究におけるホールドアウト予測段階を説明します。検証結果で選んだモデル設定を使い、学習仕様とチェックポイントを再構成したうえで、ホールドアウト期間より前に終了するデータを使って再学習します。新たな学習IDによって再学習を監査可能にします。期間とラベルのバッファは研究設定から導き、学習結果が評価期間と重なるリスクを減らします。…

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。…

このデモでは、二重移動平均のクロスオーバー実装がバックテストとライブエンジンで一致するシグナルを出すか確認します。両エンジンには同じように準備したETFバーを与え、同じ戦略パラメータと約定ルールを使用するため、比較ではエンジンの挙動の違いに焦点を当てます。短期移動平均が長期移動平均を上回り、ロングポジションがないときに買い、資産を保有している場合は逆のクロスの後に売る戦略です。…

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。…

この探索的分析では、過去のUS株式パネルの概要を把握し、生価格と調整後価格の項目を説明して、銘柄カバレッジの推移を調べます。年ごとの銘柄数と初回・最終観測を比較し、過去データを検証に使えるか判断するには、参入と退出の両方の推移が必要な理由を示します。このパネルは現在更新されていないコミュニティ管理の情報源であり、そのカバレッジを解釈するうえで重要です。…

このノートブックでは、GJR-GARCHモデルを使って、S&P 500株式とオプションの分析向けに条件付きボラティリティ特徴量を作成します。過去価格に基づく固定ルールと異なり、推定済み特徴量は推定期間に依存します。そのため、再適合のスケジュールを明示し、過去の観測値だけからパラメーターを推定して、生成元の情報集合が保たれるよう時刻と分割の識別情報を付けて値を出力します。後のデータが過去の特徴量に影響しないよう、再帰計算の初期値と上下限も推定期間内のデータに固定します。…

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。…

この分析ノートブックでは、新たなバックテストではなく、レジストリの結果を使って企業特性に基づくUS株式戦略を評価する方法を説明します。不確実性を考慮した運用成績統計を読み込み、共通の対象範囲で設定を順位付けし、ペア比較で選定戦略と均等加重ベンチマークを評価します。ホールドアウトの選定は、選んだ検証実行の完全な仕様に基づいて決まり、ホールドアウト結果を見た選定を避けます。…