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。
1,853件の資料
このノートブックでは、すでに選択された暗号資産無期限先物の構成に、執行コストが及ぼす影響を測定します。モデル、チェックポイント、エントリー規則、配分手法、リスク制御を固定し、取引想定元本に対する往復コストを宣言済みのグリッドで変えて戦略を再実行します。得られるコスト低下曲線は、候補の順位付けや選択ではなく、構成がどの程度の摩擦に耐えられるか、どこで損益分岐点に達するかを示すことを目的とします。…
このノートブックでは、S&P…
この章では、「時系列の観測順序には横断的な予測では捉えられない情報があるのか、あるならどのモデル設計で利用できるのか」という実践的な問いを通じて、時系列の深層学習を概観します。逐次学習の負荷がある再帰型ネットワーク、N-BEATSなどの分解モデル、注意機構を用いた手法、時間畳み込み、混合ネットワーク、状態空間モデル、画像エンコーディング、事前学習済み予測器を扱います。ノートブックではアーキテクチャを比較し、強力な線形ベースライン、ウォークフォワード評価、順序のシャッフルによってモデルが時間構造を使っているか調べる…
この読み取り専用の分析では、複数のモデル群による検証予測をまとめ、予測が揃っているか、株式をどれだけ適切に順位付けするか、順位付け能力がフォールド間で持続するか、類似したモデルが異なる情報をもたらすかを評価します。予測値とその後のリターンとの横断的な順位相関である情報係数を用い、重複するリターン期間から生じる依存性を考慮した区間を算出します。ペア比較では、サンプルの不一致や結合の重複による誤解を避けるため、共通の日付とパネルキーを使います。…
このノートブックでは、アンサンブルメンバー間で2層の特徴量ネットワークを共有する表形式ニューラルネットワーク構造、TabMを適用します。各メンバーは独自に学習したベクトルで共有表現のスケールを調整し、それぞれの出力層を使います。メンバー予測の平均化により、個別の完全なネットワークを学習するより低コストでアンサンブルの多様性を保つことを目指します。他の学習設定を固定し、層の幅とメンバー数を変える3つの構成を宣言します。予測対象はショート・ストラドルのリターンです。…
このノートブックでは、学習期間の平均リターンの外積に重みを付けて加え、リターンの共分散行列を修正するリスクプレミアムPCAを解説します。主要な固有ベクトルが静的な因子ポートフォリオを定義します。重みを大きくすると、分散が小さい場合でも平均リターンを説明する方向へ因子が傾きます。価格付けの適合度、評価期間リターンの再構築、重みによる負荷量空間の変化を比較し、事前に選んだ重みで翌日の因子プレミアムを予測します。…
このノートブックでは、SHAPを使ってETFリターンのリッジ回帰予測を説明します。線形モデルでは、特徴量寄与度と当てはめ済み係数および背景特徴量からの偏差との間に閉形式の関係があります。そのため、厳密な分解と照合して説明手法を検証できます。全体の重要度、単一予測のウォーターフォール説明、高い絶対値の予測が正しかった場合と誤っていた場合の比較を示します。モデルは最後のウォークフォワード・フォールドで学習し、追加のフォールド別当てはめにより特徴量重要度の時間変化を示します。…
このノートブックでは、金融価格から特徴量を抽出する方法としてカルマンフィルターを解説します。局所線形トレンド状態が潜在的な価格水準と傾きを追跡し、観測モデルがノイズを含む終値を扱います。各更新で、フィルター済みの水準、傾き、イノベーション、不確実性の推定値が得られます。カルマンゲインは、モデルと観測の不確実性に基づき、新たな観測が状態をどの程度変化させるかを調整します。また、二つの資産間で時間とともに変化しうるヘッジ比率の推定にもフィルターを適用します。…
このノートブックでは、企業特性からリターンを予測する潜在因子アプローチ、計量主成分分析（IPCA）を紹介します。各特性に直接リターンの重みを割り当てる代わりに、IPCAでは各企業の因子エクスポージャーを特性の線形関数としてモデル化します。パネル全体で共通の写像を推定し、因子リターンは月ごとに変化します。交互最小二乗法で写像と因子リターンをリッジペナルティ付きで同時に推定し、当てはめたエクスポージャーとリターンから検証月の予測を生成します。…
この分析では、複数資産のETFパネルに登録されたモデル群を、ウォークフォワード検証結果で比較します。モデルは21取引日後のリターンを予測し、各日付内でファンドをどれだけ適切に順位付けできるかを測る横断的な情報係数で評価します。平均スコアの単純な順位付けよりも、信頼区間とフォールドごとの一貫性を重視し、モデル群が類似または異なるシグナルを捉えているように見えるかを調べます。また、予測順位と特徴量の因果的な証拠を区別します。…
この章では、戦略設計と実運用の一環としてリスク管理を取り上げます。バリュー・アット・リスクと条件付きバリュー・アット・リスクによるテールリスク測定、ドローダウンの深さと回復、エクスポージャーの分解、ストレステスト、適応型制御、ガバナンスを扱います。説明する手法には、ヒストリカル法、パラメトリック法、Cornish-Fisher法によるテール推定、危機局面の再現と仮想シナリオ、ファクター回帰、ボラティリティ・ターゲティング、ポジション決済、ドリフト監視、キルスイッチが含まれます。導入前に限度とエスカレーション規則を…
このノートブックでは、機関投資家の13F保有データを対象に、決定論的な関係検索と埋め込み検索を比較します。固定した基準日時より前に各機関が報告した最新の保有ポジションを残して時点整合性のあるスナップショットを作成し、大口保有者、共通保有銘柄、各機関の最大保有銘柄に関する質問を用意します。期待される根拠レコードは、同じ保有データから定義します。…
このノートブックでは、ETFの特徴量と将来リターンに古典的な最小二乗法の推論を適用します。係数推定値、標準誤差、t統計量、p値を確認し、異分散、残差の自己相関、非正規性、多重共線性を検定します。サンプルは資産・日付の不均衡パネルです。手順ではウォークフォワードの学習フォールドを使い、学習データで特徴量を標準化します。また、頑健な共分散指標を推定する前に、線形従属する複数のリターン合成特徴量を除きます。…
この分析では、NASDAQ TotalView-ITCHメッセージを使って取引所の活動を記述し、ティッカー、売買方向、注文属性に結び付けた取引テーブルを作成します。メッセージ種別を数え、件数がはるかに多い気配提示や取消イベントと取引を比較します。また、ティッカーをドル建て売買代金で順位付けし、取引所内の活動の集中度を調べます。属性を付加した取引データは、後続の日中パターンや定型化された事実の調査に利用できます。…
このノートブックでは、株式の特性からファクター・エクスポージャーへの線形写像をニューラルネットワークに置き換え、計量型主成分分析を拡張する条件付きオートエンコーダーを紹介します。エクスポージャーとファクターリターンの積という構造は保ちながら、特性と負荷量の間に非線形の関係を許容します。設定された各学習期間で将来リターンのラベルを再構成するようモデルを学習し、その表現が後の日付にも転移するかを検証用の情報係数で測定します。…
このノートブックでは、上位のS&P 500株式シグナル設定に対するポートフォリオの配分方法を比較します。まず、検証シャープレシオを使って各設定の全期間をカバーする最良のチェックポイントを選び、スコア加重、コンフォーマル加重、逆ボラティリティ、リスクパリティ、平均分散最適化、階層的リスクパリティなどの配分方法を同じ予測に適用します。また、各リバランスで保有する銘柄数を変え、シグナル段階の均等加重ベースラインと比較します。…
この文書では、大規模なS&P 500オプションチェーンを、調査用の日次銘柄別データセットに整理する方法を説明します。サーフェスの概要では、満期区分ごとに目標絶対デルタに最も近いオプションを選び、複数の期間のアット・ザ・マネーのインプライド・ボラティリティ、25デルタのプット・コール・スキュー、期間構造の指標、相対スプレッド、収束品質を算出します。未解決のインプライド・ボラティリティは除外し、仮置き値が集計を汚染しないようにします。…
このノートブックでは、すでに選定した暗号資産無期限先物の設定に執行コストが与える影響を測定します。モデル、チェックポイント、エントリールール、配分、リスク管理を固定し、取引想定元本に対する往復コストを変えた複数の条件でバックテストを再実行します。出力されるのは各ラベルのコスト逓減曲線であり、別の設定を選ぶためではなく、パフォーマンスの変化や損益分岐点を示すことを目的としています。分析では、コスト率と売買回転率に応じて変わる執行手数料と、ポジション保有から生じ、各条件で変わらないファンディング支払いを分けて扱います…
このノートブックでは、ポートフォリオリターンからシミュレーション取引まで、ETFを対象とする月次ローテーションのバックテストを構築します。過去のリスク調整後リターンで10本のファンドを順位付けし、米国債のイールドカーブに基づく局面判定を適用して、上位ファンドとディフェンシブな債券配分を選び、次の取引日の始値で執行します。手数料、現金制限、60/40ベンチマークも同じシミュレーターで処理します。この手順では、シグナル日時点で利用可能な情報だけを使い、同じ日付、価格、コストでポートフォリオを比較することを重視します。…
このノートブックでは、金融特徴量が10セッションのデルタヘッジ済みオプションリターンのラベルを説明するのに役立つかを検討しています。インプライド・ボラティリティ特徴量を1つ使うRidgeモデル、インプライド・ボラティリティに依存する特徴量と独立した特徴量のグループを使うモデル、全特徴量を使うモデルを比較します。すべての比較で、ラベルごとに同一のウォークフォワード分割と検証キーを使用し、日次順位情報係数を不確実性の推定値とともに要約しています。ICの計算には、一貫して最小クロスセクショナル・サンプル数を適用していま…
このノートブックでは、金融文の3クラスセンチメント分類に向けて3つの変換器チェックポイントを微調整し、正解率、マクロF1、混同行列、パラメーター数、学習時間を比較しています。Financial PhraseBankを層化して学習、検証、テストに分割し、一般的な乱数とTrainerの乱数にシードを設定して、動的バッチパディングを適用しています。モデルには、金融分野に特化したFinBERTのチェックポイントと、汎用チェックポイント2つが含まれます。…
この文書では、中国先物市場で価格方向を予測する教師あり学習の手法を概説しています。分類モデルで先物価格の動きを予測し、その予測をトレード戦略に変換します。市場の特性を考慮することが目的とされていますが、抜粋では使用した特徴量、金融商品、モデル設計、取引ルールは特定されていません。…
マクロ・市場シグナルで成長型とディフェンシブ型のETFバスケット間の配分時期を判断できるかを評価します。新たなアルファ要因の発見ではなく、スタイル配分の問題として捉えています。要因帰属分析では、成長型からディフェンシブ型を差し引いたポートフォリオに識別可能なエクスポージャーがあり、統計的に説得力のある年率アルファはないとされています。提案するポリシーは、金利の緩和、株式ドローダウンの深さ、高ボラティリティ・ストレスの緩和、成長ポジションの混雑に対するペナルティを組み合わせます。滑らかな相互作用から連続スコアを生成…
このノートブックでは、以前に選択されたS&P 500オプションモデルについて、アウトオブサンプル予測セットの作成方法を説明します。検証結果を使って設定を固定し、ホールドアウト前のデータでその設定を再学習して、ホールドアウト期間の予測を記録・登録します。学習IDの確認によって、検証時の学習実行に誤って紐付いた予測と、正しく再学習された予測を区別します。満期時に確定するリターンは固定期間の目標値より後に確定するため、学習のカットオフにはオプションの全サイクル分のラベルバッファも含めます。…