ナレッジライブラリ

このモジュールでは、日付範囲とフィット済みの値は変えずにウォークフォワード・フォールドの番号を変更したライブラリに合わせ、レジストリを移行する方法を説明します。フォールドIDは学習仕様、予測キー、入力フィンガープリント、モデルパラメーター、生成物、下流のハッシュ全体で使われます。そのため、ラベルの変更には、関連する一連のIDと参照の更新が必要です。…

このノートブックでは、検証フォールドで設定を選択した後、US株式のケーススタディのホールドアウト期間を予測する方法を説明します。選択された設定を特定してチェックポイントの選択を維持し、ホールドアウト開始前に利用可能なデータを使って新たな学習仕様を作成します。ラベルバッファーにより、学習アウトカムの対象期間が評価期間に重なるのを防ぎます。また、再フィット時にはフォールドごとの適格性とパラメーターを再計算します。…

このノートブックでは、隠れマルコフモデルがリターンと直近のボラティリティから、観測されない市場状態を推定する方法を説明します。まず、ストレス相場を判定するボラティリティ指数の閾値と、トレンドを判定する長期移動平均に対する価格という、シンプルな比較ルールを設定します。2状態の例でフォワードアルゴリズムを示し、当該セッションまでに得られる観測値を使って状態確率を更新します。…

このノートブックでは、不完全または不一致の評価サンプルによって結果が歪まないよう、S&P 500オプションの予測モデルを比較する方法を説明します。各モデルをファミリー、設定、チェックポイントで特定し、予測が登録済みの適格性契約を満たすか確認するとともに、母集団間でクロスバリデーションのIDが共通であることを検証します。系列モデルは過去の履歴を必要とするため、対象行数が少なくなることがあります。そのため適格性グループが異なるデータ同士を比較すると、モデル差とサンプル差が混在します。…

このノートブックでは、Ridge回帰と3つのコンフォーマル手法、すなわち分割コンフォーマル予測、コンフォーマル化分位点回帰、適応型コンフォーマル推論を使い、ETFの将来リターンの不確実性区間を作成します。ウォークフォワードのフォールドで評価し、有限サンプルでの較正ルールを説明します。補間した分位点ではなく、必要な順位にある較正スコアを選びます。適応型コンフォーマル推論は、将来リターンのラベルが確定するまでフィードバックを遅らせながら、時間とともに許容するカバレッジ不足の目標値を更新します。…

このノートブックでは、永久先物のプレミアムのzスコアが、その後8時間のリターンと関連するかを、処置前の6つの統制変数で調整してダブル機械学習により推定します。高ボラティリティと低ボラティリティのレジームで別々にフィットし、処置とレジームの交互作用も使って効果を比較します。データは複数銘柄のパネル形式で構成されているため、クロスフィッティング、エンバーゴの適用、Driscoll–Kraay標準誤差の計算では、各タイムスタンプを1つの意思決定期間として扱います。…

このノートブックでは、特性に依存するファクター負荷量と潜在ファクターの積として株式リターンをモデル化する条件付きオートエンコーダーを解説します。まず、横断面の同時最小二乗フィットで特性に基づくポートフォリオリターンを推定し、次にニューラルネットワークを学習させて同時点のリターンを再構成します。別のウォークフォワードアダプターが次のファクター実現値を予測し、現在の特性を通じて変換することで翌日の株式リターンを予測します。…

このノートブックでは、重複するリターン期間や、関連するモメンタム、ボラティリティ、オシレーター指標から作成したETF特徴量を使い、線形モデルを比較します。こうした予測変数には共線性があり、通常の最小二乗法では係数が不安定になります。この実験ではウォークフォワード検証フォールドごとにリッジ、ラッソ、ElasticNetの設定を適合し、データ依存のペナルティ水準をフォールドごとに決定します。また、すべての設定が同じ銘柄、日付、フォールドで評価されていることを確認します。…

分数次差分では、対数価格にラグ差分演算子の非整数乗を適用します。二項係数の重みは過去の観測値に向かって減衰するため、結果には価格変化と一部残る水準情報が組み合わされます。分数次はそのバランスを調整します。低い次数では記憶を多く保ちますが、定常性を示す根拠が弱くなる傾向があります。一方、高い次数ではより短い履歴を使い、水準情報を多く取り除きます。…

このノートブックでは、US株式パネルの株価特徴量を順序付きのウィンドウにして、リターンを予測するLSTMモデルを説明します。単純な表形式モデルとは異なり、LSTMは各ウィンドウのセッションを順次処理し、隠れ状態を引き継ぎます。学習されたゲートが、新しい情報を状態に加えるか、過去の情報を破棄するか、次のステップに何を渡すかを制御します。この設定では再帰層を積み重ね、構成ごとに複数のエポックチェックポイントを保存します。…

このノートブックでは、合成金融系列を生成する再帰型敵対的生成モデル、TimeGANを紹介します。5つのモジュールが埋め込みと再構成を学習し、潜在状態の遷移を予測し、ノイズから系列を生成して、生成系列と実系列を見分けます。学習は表現学習、時間的な教師あり学習、敵対的学習の同時実行という順で進みます。この例ではUS銘柄のパネルから日次対数リターンを使い、評価用にデータの直近部分をホールドアウトします。…

このノートブックでは、ETFの将来リターンを予測する教師ありオートエンコーダーを紹介します。ネットワークはファンドの特徴量行を低次元の表現に圧縮し、その表現から直接リターンを予測します。同じモデル群の条件付きオートエンコーダーと異なり、リターンが少数の共通ファクターから生成されるとは仮定しません。再構成損失とリターン予測損失を同時に学習するため、目的ラベルを変えると別個のモデルが適合されます。…

この文書では、既存のウォークフォワード検証仕様から単一のホールドアウト用学習期間を導出する方法を説明します。研究設定で宣言されたホールドアウト日を使い、検証フォールド全体で最も早い学習開始日を採用し、最も広いラベルバッファを確保できるよう学習期間を早めに終えます。このバッファにより、学習対象の結果がホールドアウト評価用に確保された期間に及ぶのを防ぎます。特徴量がフォールド単位のより狭い履歴期間にしか存在しない場合は、学習開始日の下限を設け、特徴量が実際にカバーする日付にホールドアウト用の適合期間を制限できます。…

この分析では、9つの取引ケーススタディにまたがる特徴量トリアージ台帳を比較します。Benjamini–Hochberg法による偽発見率の有意性と、ケース固有の効果量下限および分割間の符号安定性を組み合わせた、PROCEED判断への別経路とを区別します。どちらかの経路を満たせばよいため、PROCEED特徴量の数はFDR閾値を通過する数を超える場合があります。続いて各ケースのPROCEED割合を検証およびホールドアウトのシャープレシオと対応させ、特徴量が選別後に残ることが戦略の存続を予測するかを調べます。…

このノートブックでは、キャリー、モメンタム、ボラティリティなどの加工済み特性ではなく、CME先物リターンのパネルから主成分ファクターを構築します。PCAは商品間の変動を説明する方向を見つけます。第1成分は市場共通の動きに似ることがあり、後続の成分はセクター間の共動を反映する可能性があります。これらのパターンはセクターラベルを前提としておらず、成分は予測価値ではなく説明分散の順に並びます。…

この文書では、先物リターンに対する2つの潜在ファクター手法を紹介します。主成分分析はリターン変動の大部分を説明する無相関な方向を見つけます。一方、ニューラル確率的割引ファクターは期待リターンのクロスセクションに関連する組み合わせを探し、キャリーやボラティリティなどの商品特性を利用できます。したがって、手法の問いは異なります。一方は広範な共変動、もう一方は価格付けされている可能性のあるリターン構造を扱います。推定されたファクターの経済的意味は、さらに解釈する必要があります。…

このノートブックでは、ATMストラドルを売り、満期まで保有する戦略の候補特徴量をスクリーニングします。各取引日について、利用可能な銘柄を特徴量で横断順位付けした結果と、最終的なストラドル損益の順位を比較し、その順位の一致度を検証期間にわたって平均します。ポジションの重複を考慮して不確実性を調整し、多数の候補を同時に検定するため偽発見も制御します。…

この文書では、観測日の調整後終値と後続の取引日の価格を用いて、ETFの日次将来リターンラベルを作成する方法を説明します。月次期間を主ラベルとし、より短い週次バリエーションも作成します。適格性フィルターを適用する前に、各銘柄の完全かつ整列済みの価格履歴からラベルを計算します。アサーションで、不完全な末尾、異常に長い暦日間隔、銘柄の境界、ラベル型を検査します。…

このノートブックでは、ETFの将来リターン予測について、分割コンフォーマル予測、コンフォーマル化分位点回帰、適応型コンフォーマル推論を比較します。ウォークフォワード分割では、あるサブセットで学習し、別のサブセットで区間誤差を較正してから、後の観測値で評価します。分割コンフォーマル法は較正残差の順位を使って区間幅を定めます。CQRは較正前に下側と上側の分位点モデルを当てはめるため、状況に応じて区間幅を変えられます。ACIは、遅れて結果が得られるたびに誤被覆率を更新します。…

この共有ユーティリティモジュールは、クオンツ研究向けに共通の勾配ブースティングパイプラインを提供します。処理能力のプリセットを定義し、標準パラメーター名をLightGBM、XGBoost、CatBoost、scikit-learnのヒストグラムブースティングに対応する設定へ変換します。また、CPUまたはCUDAによる実行、スレッド数、ライブラリ固有の互換性などの実行時設定を扱い、再現性のために設定と実行の来歴を記録します。…

このノートブックでは、キーワードを使ったESG見出しの処理を調べ、構造化された分類器出力と、検索拡張生成アシスタントに必要な要件を比較します。最初のキーワードリストで見出しを選び、次のリストで環境・社会・ガバナンスのラベルを割り当てます。選ばれた全見出しに分類器を適用すると、環境への大きな偏りが見られます。ノートブックは、選別リストに見つけやすい環境用語が多いことと、重複時に環境の一致を優先する分類順序に、その偏りの原因をたどります。…

このノートブックでは、SHAPを用いてFinBERTの3クラス金融センチメント確率をトークン単位で説明します。モデルのチェックポイントを固定し、出力ラベルを明示的に対応付けたうえで、作成した複数の見出しについて、どのトークンが予測クラスの確率を上げるか、または下げるかを調べます。「narrowed」だけを「widened」に置き換える統制比較により、トークンの寄与は固定的な単独のセンチメントを表すのではなく、文全体の文脈に依存することを示します。…

このノートブックでは、全データを読み込む代わりにParquetスキーマを参照し、9つの市場ケーススタディにあるモデルベースの特徴量列を一覧化します。識別子列を除外して市場ごとの列数を数え、列名のトークンに基づいて、ボラティリティモデル、レジーム指標、自己回帰予測、分数差分などの特徴量群を割り当てます。列挙したトークンのどれにも一致しない列を調べるため、名前のサンプルも示します。…

このケーススタディでは、S&P 500の株式・オプション特徴量パネルで系列モデルを比較します。ルックバック期間を通じてゲート状態を保持するLSTMと、直近水準を除去して線形写像を当てはめるN-Linearベースラインを組み合わせています。このベースラインにより、同じ期間をより単純に写像する方法を超えて、再帰的な記憶が価値を加えるかを検証します。予測対象には株式の将来リターンとリスク調整後リターンのラベルが含まれます。…