ナレッジライブラリ

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。…

この文書では、スプレッド、短期ボラティリティ、過去リターンを考慮したうえで、買い手主導の出来高比率が将来リターンに影響するかを二重機械学習（DML）で推定する方法を説明します。クロスフィッティングを使い、統制変数に対して処置変数と結果変数をそれぞれ残差化し、その残差間の関係から効果を推定します。例では1分足のNASDAQ-100観測と15分先の結果期間を使い、Lee-Readyルールで注文フローを分類します。…

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、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、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。…

この文書では、連邦準備制度が2026に利上げするかどうかについて、多段階の予測を記録します。3つのエージェントが根拠を調査して確率を示し、その後、議論を経てスーパーバイザーが予測を更新します。見解は分かれています。2つのエージェントは利上げの可能性を低く見積もり、もう1つはより大きなリスクを見ています。インフレ、FRBの見通し、金融政策の先行きについて意見が異なる様子が示されています。…

この設定ノートでは、L1正則化を使う3クラスのロジスティック回帰で、scikit-learnのliblinearソルバーではなくSAGAを使う理由を説明します。新しいscikit-learnバージョンでの多クラス対応に触れ、Nasdaq-100のマイクロストラクチャー実験ではSAGAの処理が大幅に速かったと報告します。報告されたテスト外の対数損失と正解率も、検証した設定ではSAGAの方が良好でした。…

このノートブックでは、ベータ、固有ボラティリティ、時価総額、分散を調整した後、12か月前から-2か月前までのモメンタムが翌月のUS企業リターンを予測するかを、拡張ウィンドウ方式の二重機械学習で分析します。補助モデルはそれ以前の月のデータで学習し、学習期間とテスト期間の間にエンバーゴを設け、最後の2016ホールドアウト期間を除外します。調整後の推定値は同じアウト・オブ・フォールド観測値での単純なOLSと比較し、時間と企業間の依存関係はDriscoll-Kraay推論で考慮します。…

このノートブックでは、SECの8-K報告書から構造化された企業イベントを抽出し、Neo4jナレッジグラフに読み込むパイプラインを示します。言語モデルが報告書をバッチ処理し、主体、関係、対象、タイムスタンプを含むイベント記録を作成します。明示的なイベントと関係のスキーマを使い、モデルの出力を検証し、エンティティの表記を正規化します。根拠のない関係、日付、カテゴリは未確定のままにして、確認に回します。…

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。…

このノートブックでは、時間加重平均価格（TWAP）執行ルールのデモを使い、行動クローニングと逆強化学習（IRL）を比較します。行動クローニングは観測された市場状態を直接行動に対応づける一方、IRLは執行特徴量に対する線形報酬を当てはめ、そこから推定した目的に基づいて方策を導きます。TWAPは既知の参照目的を与えます。取引を均等に分散し、各ステップの市場インパクトを抑えることと、時間経過に伴う価格変動へのエクスポージャーとのバランスを取ります。…

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が、その後の株式リターンと関連するかを二重機械学習で調べます。関連する調整変数として、実現ボラティリティ、株式モメンタム、リスクリバーサルのスキューを特定し、同じクロスフィット済み観測値を使った単純な通常最小二乗法の推定値と調整後の推定値を比較します。分析では、ブロック置換による反証検定と、パネル構造を考慮した不確実性推定も用います。…

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。…

このノートブックでは、個別のUS株に関する公開済み企業特性に、リッジ、ラッソ、弾性ネットの各モデルを当てはめます。特徴量にはバリュー、収益性、投資、規模、モメンタム、反転、リスク、流動性が含まれます。ウォークフォワードの分割で設定を比較可能にし、正則化が当てはめた予測をどう変えるか、ペナルティを変えて調べます。生の月次リターン、ウィンザー化した月次リターン、分類目的変数を使い、目的変数の選択が結果に与える影響も検討します。…

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。…

この文書では、金融時系列データに使うデータベースエンジンのベンチマークについて説明します。一括書き込み、全件スキャン、期間指定クエリ、OHLCV集計、約定と気配値データの時点指定結合を比較します。手法では、クライアント側の変換も書き込みコストに含め、データの永続化とクエリ可能な状態を待ってから計測します。切り詰められたクエリが見かけ上速くならないよう、結果件数も厳密に検証します。読み込みではウォームアップ後に繰り返し計測し、組み込み型エンジンとサーバーで利用可能なキャッシュを反映します。…