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、TimeGANの5つの要素からなる構造を説明します。埋め込みネットワークと復元ネットワークが生データと潜在空間を相互に写像し、スーパーバイザーが時間的な遷移を学び、生成器と識別器が敵対的に学習します。段階的な学習を説明し、US銘柄群の日次対数リターンにモデルを適用します。リターンを選ぶ理由は、シグモイドで範囲を制限した出力とミニマックス・スケーリングにあります。価格水準が上昇傾向にあると学習範囲を超えることがあり、ホールドアウト評価が難しくなります。…
このノートブックでは、ローリングするETFリターン期間を、畳み込みニューラルネットワーク用の2チャネル画像に変換します。Gramian Angular Summation Fieldは各期間内の値を再スケーリングして角度に写像し、時間位置のペア間の三角関数上の関係を記録します。Markov Transition Fieldは値を期間ごとの分位点に分け、位置のペア間における区分間の遷移を表します。どちらも元の系列を直接提示するのではなく、位置間の関係を符号化します。…
リスクプレミアムPCAでは、学習データの平均リターンベクトルの外積に重みを付けて加え、共分散行列を変更します。主成分から静的なファクター・ポートフォリオを定義します。重みがゼロなら通常のPCAに戻り、正の重みでは平均リターンと関連する方向へファクターが傾きます。ノートブックでは、複数の重みについて価格付けの適合度、リターンの再構成、負荷量空間の変化を比較した後、事前に指定した重みで翌日のファクタープレミアムを予測します。…
このノートブックでは、検証データで構成を選択した後、未使用のホールドアウト期間について予測を作成する方法を説明します。選択した構成を確定し、ホールドアウト用に学習仕様を再構築して、利用可能な時間軸と選択済みラベルの期間から学習期間を導きます。これによりバッファを設け、まだ判明していないリターンを含む学習結果が評価期間に及ばないようにします。新しい学習IDを確認し、再学習が行われたことを読者が検証できるよう予測データを記録します。…
この設定は、ある時点でのNASDAQ-100構成銘柄を対象に、注文フローのシグナルを調べるイントラデイ分析を記述します。各評価期間より前に利用可能な流動性情報を使ってコスト条件を満たす銘柄群を定義し、複数の予測期間に対する判断スケジュールを指定します。また、ポジション監視に使う1分足の価格データと、それらのスケジュールを区別します。特徴量群には、気配流動性、マイクロプライス、ボラティリティ、注文フロー、価格インパクト、その他のマイクロストラクチャー指標が含まれ、セッション内のルックバック期間と明示的なタイミング規…
このノートブックでは、9つのファクターおよび資産クラスのリターン系列の同時的な動きに基づき、ガウス混合モデルで月をグループ化します。月次観測値を標準化し、欠損月を除外したうえで、候補となるクラスター数をBIC、AIC、シルエットスコアで比較します。次に、日付が分かる市場イベントに照らしてクラスターを解釈し、各グループ内のファクター成績を調べます。これにより、全体平均では環境ごとの差が隠れることを示します。…
このノートブックでは、ReActループで推論と行動を交互に行う予測AIエージェントを構築します。行動の種類は意図的に絞り、エージェントは根拠を検索するか、確率予測を提出できます。2つのメソッドを備えた共通インターフェースにより、異なる言語モデルプロバイダーをループで利用できます。また、スキーマ検証により、モデルの応答が行動を起こす前に確認されます。無効な応答は修正のために返され、ステップ数の上限によって予測せずに処理を続けられる長さを制限します。…
このノートブックでは、既知のシミュレーター群に含まれるパターンを学ぶベンチマークとして、ADIA…
このノートブックでは、選択したCME先物モデル構成についてホールドアウト予測を作成する方法を説明します。構成は検証結果から選び、ホールドアウト期間の開始前に終わるデータで再学習します。ラベルバッファで学習観測値と評価期間を分け、将来を参照するラベル結果がホールドアウトに及ばないようにします。また、期間前に推定したパラメーターを期間中固定して、ホールドアウト用のモデルベース特徴量を再生成します。…
このノートブックでは、バリュー・アット・リスク（VaR）と期待ショートフォール（ES）を目標とする金融リターン・シナリオ生成手法、Tail-GANを説明します。微分可能なソートを使い、分位点推定を通じて勾配を伝播させ、VaRとESの関係を定める制約へリスク推定値を射影します。ETFリターンをローリング・シナリオにまとめ、ランダムなロング・ショートのポートフォリオウェイトと組み合わせてPnLの例を作ります。スケーリングも重要です。入力値を生成器の出力クリップ範囲内に写像し、極端な観測値も表現できるようにします。…
この特徴量エンジニアリング用ノートブックでは、ファンダメンタルズ、マクロ経済データ、カレンダー情報を使い、低頻度の情報で高頻度の売買シグナルに文脈を与える方法を説明します。簿価時価比率や利益利回りなどのバリュー比率、自己資本利益率や発生高などのクオリティ指標、マクロ指標とリスク局面、季節性やイベント時期を表す周期的なエンコーディングを取り上げます。四半期財務データの整合には、銘柄と発表日をキーとした後方as-of結合を使い、日次観測値には、その時点までに発表された最新情報だけが付与されます。マクロ系列にも公表ラグ…
このノートブックでは、検証フォールドでモデルと戦略を選択した後、選択済みのNASDAQ-100マイクロストラクチャー構成についてホールドアウト予測を作成する方法を説明します。選ばれた学習仕様を再構成し、ケーススタディで定めた期間からホールドアウト・フォールドを導き、より前のデータだけを使ってモデルを再学習します。学習IDを確認し、検証データで学習済みのモデルによる予測と、ホールドアウト用に本当に再学習した予測を区別します。特徴量や結果の情報が境界をまたがないよう、学習期間の終了からホールドアウト開始までに、最長の…
複数のケーススタディについて、5つの潜在ファクター推定器の登録済み検証結果をまとめます。まず、各パネルに結果がある推定器を整理し、日次の平均Spearman順位情報係数（IC）とHAC信頼区間を使って最良の推定器を特定します。また、共通のUS企業パネルで推定器を比較し、教師ありモデル群と日付ごとのIC差を調べます。モデルの選択と報告には、同じ順位統計量を使うことを重視しています。…
NASDAQ-100マイクロストラクチャー戦略の将来リターンに対して、候補となる金融特徴量とモデルベース特徴量をスクリーニングするケーススタディです。時間経過に伴うクロスセクションの順位情報係数を計算し、依存性と多重検定を考慮した推定を行い、分位点ごとのリターン形状や特徴量の重複を調べます。対象範囲と鮮度を確認し、疎すぎる、または変化が少なすぎて信頼できる解釈が難しい特徴量を特定します。証拠を添えて、継続、修正、中止の判断を記録するトリアージ台帳を用います。…
根拠のない主張やハルシネーションが大きな損失につながりかねない、自由度の高い金融研究で言語モデルをより有用にする方法として、検索拡張生成を紹介します。文書の取り込みや構造を考慮した分割から、メタデータ、ドメイン固有の埋め込み、語句検索と意味検索を組み合わせた検索、再ランキング、証拠に基づく生成まで、システムの各段階を解説します。追跡可能性と数値の信頼性を高めるため、引用の制約とツールで検証した計算も取り上げます。…
複数の資産系列を必要とする特徴量を作成します。共和分についてEngle-Granger検定とJohansen検定を比較し、連動して動くだけでは定常スプレッドを意味しない理由を説明します。全期間の回帰と、情報を前向きに更新するカルマンフィルターの両方でヘッジ比率を推定します。平均回帰の半減期は学習期間のみから推定し、その値でシグナル期間を設定することで、選択に将来情報を使わないようにします。また、時間方向の指標をクロスセクション順位、ベンチマークとの相対値、ユニバース全体のレジーム要約に変換する方法も紹介します。…
このケーススタディでは、アット・ザ・マネーのショートストラドルを対象に、満期までのリターンを予測する勾配ブースティングモデルを比較します。木の複雑さと、二乗誤差、絶対誤差、Huber損失という3つの適合目的を変えて評価します。ボラティリティイベントがあった年を含む2つの期間でウォークフォワード検証を行い、予測を情報係数（IC）で評価します。各ブースティング段階で独自の予測を生成するため、チェックポイントは別々のモデル候補として扱います。…
このノートブックでは、S&P 500の株式・オプション研究で主要ラベルを予測するパッチ化トランスフォーマーを学習させます。各銘柄の過去の入力期間を連続したパッチに分け、各パッチをアテンションのトークンとして扱います。アテンションは期間内の離れた箇所を直接比較でき、パッチ化によって系列が短くなります。大きなパッチは計算負荷を減らしますが、パッチ内の細部を圧縮します。このモデルのルックバック期間と学習スケジュールは、研究内の他の深層学習アーキテクチャと共通です。…
このコードでは、金融特徴量から予測するための教師ありオートエンコーダ・アーキテクチャを紹介します。エンコーダーが正規化された入力をボトルネック表現に圧縮し、正則化タスクとしてデコーダーが入力を再構成します。補助予測ヘッドは再構成データに対して動作し、より大きなメインネットワークはスキップ接続を通じて元の正規化特徴量とエンコード表現を組み合わせます。このモデルは分類と回帰の両方に対応します。…
このノートブックでは、ファンド間の価格リターンに対して単一の重み系列を当てはめるETF確率的割引ファクターモデルを解説します。ファンドのエクスポージャーとファクターリターンを別々に推定するモデルとは異なり、価格誤差を基準に2つのネットワークを学習します。一方はクロスセクションから割引ファクターの重みを構成し、もう一方は各ファンドのエクスポージャーを推定します。目的はリターン予測ではなく、無裁定価格付けとして設定されていますが、ノートブックでは予測リターンのスコアも報告しています。…
MintEvalは、言語モデルがトレーダーの指示を、意図した戦略どおりに動作するコードへ変換できるかを評価します。組み合わせ可能な部品から参照戦略を作り、口語的な指示に変換して、モデルに実装を求めます。生成されたプログラムと参照プログラムを、同じ市場データとコスト条件で各バーごとに実行し、その行動を比較します。これにより、市場成績の差が実装忠実度の比較に影響しないようにしています。…
この論文は、所得が確率的に変動し、株式、債券、生命保険に投資する個人の生涯にわたるポートフォリオ選択を研究します。目的関数には消費、死亡給付、期末資産を含みます。凸型の売買制約により、取引できない資産、空売りの禁止、借入制限などを表します。…
この研究は、連続時間のブローカー・トレーダーゲームにおいて、近接方策最適化がブローカーの売買速度を学習できるかを検証します。このゲームには解析解があります。連続時間の目的関数から離散報酬を導き、格子細分化と一段階の恒等式を用いて実装を確認したうえで、確率的な非情報注文フローの有無や部分情報の条件下で、学習済み方策を解析的ベンチマークと比較します。…
この文書は、リターン相関を表す符号付き重み付きグラフから資産をクラスタリングするため、グラフベースの連合構造生成アルゴリズムGCS-Qを用いる方法を説明します。一般的なクラスタリング手法では、符号付き相関を変換する際に情報が失われたり、事前にクラスター数を決める必要があったりすることが動機です。GCS-Qは代わりに、分割手順を二次無制約二値最適化問題として定式化し、量子アニーリングで探索できるようにします。…