ナレッジライブラリ

このノートブックでは、特徴量を使わない潜在因子ベースラインとしてPCAを取り上げ、ETFリターンを予測します。各ラベルの学習期間におけるリターン行列を分解し、ファンドごとのローディングと推定した因子プレミアムから予測を組み立てます。期間を通じて同じファンドが列として維持されるため、この手法は固定されたETFユニバースに適しています。対象の識別子が時系列で変わる場合には適しません。特徴量ベースのモデルとの違いに加え、ウォークフォワード学習と予測記録についても説明します。…

このノートブックでは、Interactive Brokersを実データの取得元と執行先の両方に用いて、日次FX通貨ペアモデルを導入する一連の手順を説明します。過去のパネルデータでRidge回帰モデルを学習し、日次リターン、モメンタム、ボラティリティ、価格から得られる少数の特徴量を計算します。直近のバーを取得して通貨ペアのユニバースをスコアリングし、予測リターンが最も高いペアのバスケットを計画します。監視と監査用に、モデル成果物と実行記録も保存します。…

このノートブックでは、CME先物のパネルデータを対象としたニューラル確率的割引ファクターモデルを紹介します。キャリー、モメンタム、ボラティリティなど、商品リターンと観測可能な特性の両方を使って潜在因子を構築し、事前に定めた将来リターン期間の予測を生成します。リターンのみを使うPCAと対比し、特性がリターンの共分散を超える価格情報を加えるかを比較で検証する方法を説明します。…

このノートブックでは、複数資産のETFユニバースについて、ロングのみの6種類のポートフォリオ配分を比較します。最適化を不安定にするサンプリング変動を抑えるため、Ledoit–Wolf共分散縮小を用い、最大シャープレシオ、最小分散、リスクパリティ、階層的リスクパリティ、最小条件付きドローダウンリスク、均等配分を比較します。各手法で必要な推定値は異なります。期待リターンと共分散を使う手法がある一方、リスクのみを目的とする手法では期待リターン予測を使いません。リスクパリティはポートフォリオ分散へのリスク寄与を均等にし、…

このノートブックでは、事前に因果グラフを指定せず、ETFとボラティリティのリターン間に時間差のある関係があるかをPCMCIで探索します。パネルデータに基づく条件付き独立性の検定を、ペアごとのグレンジャー検定と比較します。グレンジャー検定は目的変数自身の過去を考慮しますが、他の変数を条件にしません。最大ラグは取引日5日と事前に定めます。自己相関図は各系列の持続性を示す記述的なものですが、系列間のどの時間差を検定するかは決めません。…

この実験では、選択した月次US株式のロング・ショートシグナルが、小型株にどの程度依存しているかを調べます。ラグ付き時価総額フィルターを適用して検証用予測から時価総額が最小の四分位を除き、モデルを再学習せず、同じポートフォリオ構築とコストの前提で再実行します。フィルター適用後のユニバースでは資産数が減りますが、回転率は全ユニバースの結果とほぼ同水準に保たれます。…

この資料では、線形モデルや勾配ブースティングモデルと同じ加工済み特徴量行とウォークフォワード・フォールドを使う、CME先物のTabM実験を説明します。TabMはパラメーター効率の高いニューラルアンサンブルです。アンサンブルの各メンバーで重みの大部分を共有するため、複数のネットワークを平均する分散低減効果を一部得ながら、計算コストを抑えます。設定によってモデルの容量を変え、後の検証用バックテストとシャープレシオに基づく選定のため、宣言したすべての学習チェックポイントを出力します。…

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、実際の戦略を対象とする監査で保持された結果を調べ、LEANエンジンと、それに対応するML4Tバックテストのプロファイルを比較します。固定された入力で対応可能な資産クラスのワークロードを特定し、約定、評価額、評価タイムスタンプ、株式のギャップ、最終価値に関するパリティの証拠を示します。利用可能な連続価格には日付別の契約チェーンとロール対応表がなく、ネイティブのLEANサブスクリプションに必要な条件を満たさないため、CME先物のワークロードは除外されています。…

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、モメンタムシグナルの見かけ上の質が、妥当な研究上の選択を変えても維持されるかを調べる枠組みを示します。指定されたホールドアウト期間より前の実際のETFデータを使い、ルックバックのパラメーターを一度に1つずつ変え、HAC調整済み統計量で横断面情報係数を測定します。観測された最高値を目標にするのではなく、ピークに近いパフォーマンスを維持する設定の幅でパラメーターの頑健性を定義し、広いプラトーと狭い最適点を区別します。…

このノートブックでは、取引時間中に大口の株式注文を小口注文に分割する2つの方法を比較します。TWAPは各時間帯にほぼ同じ数量を発注し、市場予測を必要としません。VWAPは推定した日中出来高プロファイルに応じて株数を割り当て、通常は流動性が高い時間帯に取引量を増やします。先行する分足のセッションでプロファイルを推定し、その後のNASDAQ-100セッションで両方のスケジュールを評価します。執行価格を各セッションの実現出来高加重平均価格と比較します。…

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、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。…

このデータセットガイドでは、株価指数、金利、エネルギー、金属、通貨、農産物、畜産物にまたがる連続CME先物契約を紹介します。時間足のソースデータと、そこから作成した日足データ、複数の限月、商品設定、ローダーによるフィルタリングについて説明します。ダウンロード手順では商品と年ごとにファイルを分け、費用の見積もりやドライランに対応しています。データをリクエストする前に、プロバイダーの料金を確認することを推奨しています。…

このノートブックでは、モデルが資産を順位付けした後、配分ルールがETF戦略にどう影響するかを調べます。予測セットとリバランスカレンダーを固定し、比較ごとに同じ上位k銘柄のバスケットを選び、その中の配分比率を変えます。手法には均等配分、スコア加重、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があります。保有ファンド数によって配分比率の違いが生じる余地が変わるため、バスケットの集中度も変えて検証します。…

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。…

このノートブックでは、均等配分のシグナル段階ベースラインで検証成績上位の予測設定を選び、同じ予測に対して別の配分手法を試します。保有銘柄数を変えながら、スコアベース配分やコンフォーマル配分を、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と比較します。検証シャープレシオに基づいて設定を進め、各設定で全データをカバーする最良のチェックポイントを使うことで、チェックポイントが細かく多い設定が候補を過度に占めないようにします。…

このノートブックでは、登録済みのETF予測セットをポートフォリオに変換した場合の成績を評価します。各検証予測セットを、異なる上位k銘柄の保有など宣言済みのエントリー方式と組み合わせ、取引カレンダー、リバランス頻度、設定した手数料とスリッページの仮定は固定します。一括比較の前に、ランダムな順位付けをエンジンで実行します。シャープレシオがゼロから大きく離れている場合、タイミング、データ結合、コストモデルに欠陥がある可能性を示すものとして扱います。…

この章では、バックテスト、模擬取引、実運用で動かせる戦略ロジックを軸に、研究から実際の執行へ進む手順を説明します。ブローカーやプラットフォームとの連携、デプロイの反復処理、データと特徴量の同等性確認、注文のライフサイクル処理、運用準備を扱います。注文処理は状態遷移としてモデル化され、部分約定、取消、拒否、中断後の復旧を明示的に扱えるようにします。リスク管理には注文・ポジションの上限、古いデータの確認、シャドートレード、照合、キルスイッチを含みます。…

この章では、市場データ、ファンダメンタルデータ、オルタナティブデータを含む金融データを整理し、資産クラスによって価格、流動性、観測値の意味がどう変わるかを比較します。タイムスタンプ、調整、識別子、改訂はデータセットの定義の一部であり、研究上の結論を変える可能性があると強調しています。例として、生存者を考慮した株価、コーポレートアクション調整、先物のセッションバーと連続契約、オプション指標、暗号資産のファンディングデータを挙げています。…

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。…

この文書では、ケーススタディの評価設定からウォークフォワード検証分割を生成する共通手法を説明します。フォールドの構築をカレンダー対応の分割器に委ね、パネル行の整合性を保つため一意のタイムスタンプを使い、定義済みのホールドアウト境界から逆向きに処理します。学習期間と検証期間にはローリング期間を使えます。また、期間境界をまたぐ結果による情報漏洩を抑えるため、ラベルバッファで両者を分離します。…