ナレッジライブラリ

このノートブックでは、実際に損失となった取引をモデルのSHAP説明に結び付ける、取引単位の診断ワークフローを示します。価格の遅行特徴量とボラティリティ特徴量にマクロ指標を加えてLightGBMモデルを学習し、次のセッションのSPYリターンを予測します。固定した予測閾値で1セッションのロング取引を決めます。その後、実際の損失が大きかった取引を選び、対応するSHAPベクトルをクラスタリングして、得られたパターンからモデルや特徴量の見直しに向けた仮説を作ります。…

このノートブックでは、執行記録から学習する行動クローニングと逆強化学習（IRL）を比較します。実演データはTWAPスケジュールから得ています。リスク中立の目的は既知で、タイミングリスクへのエクスポージャーを受け入れながら、取引を均等に分散してインパクトを抑えます。行動クローニングは状態と行動の組から直接行動を学習します。一方、IRLはその行動を説明しうる報酬を推定し、別の設定へ移転するための基礎となる可能性があります。…

このノートブックでは、大口のポジションを清算するスケジュールを決めるAlmgren–Chrissの枠組みを紹介します。到着時価格に対する執行不足を測定し、2種類のコストをモデル化します。取引強度が上がると増加する市場インパクトと、売却前のポジションが価格変動にさらされている間に増えるタイミングリスクです。リスク回避度のパラメーターで取引経路を選び、コストとリスクのトレードオフの集合から効率的フロンティアを構成します。また、経路を清算の半減期で解釈し、恒久的なインパクトと一時的な流動性コストを区別します。…

このケーススタディでは、通貨ペアを順位付けし、相対順位に応じて買いまたは売りを行うクロスセクションの外国為替戦略向けに、将来リターンのラベルを構築する方法を説明します。まず、ニューヨーククローズ方式で4時間足のスポットデータを取引セッションに割り当て、各通貨ペア内で1セッション後とそれより長い期間のリターンを測定します。将来期間のデータが揃っているか、金融商品が継続しているか、リターンが誤って別の商品をまたいでいないかを確認することを重視します。また、ホールドアウト開始前に結果が確定する観測値だけに診断を限定しま…

このコードは、アウトオブサンプル予測テーブルから標準化されたパフォーマンス指標を計算し、フォールドごとと全体の主要指標を別々に示します。情報係数、誤差指標、識別指標、主体数など、回帰と分類の両方に対応します。分類では、情報係数の計算に連続値のリターン列を必要とし、AUC、対数損失、正解率などの指標にはクラスラベルを使います。この区別によって、二値ラベルをリターン順位の代わりに使うことを避けます。…

この記録は、米連邦準備制度が2026中に政策金利の目標を引き上げるかを予測した、LangGraphの1回の実行を記録しています。3つのエージェントが確率を出した後、ディベートと監督エージェントによる更新が行われました。記録された出力には、集計確率、ディベートの中間値、監督エージェントの修正後の推定値が含まれ、インフレ、経済見通し、政策予想に関する検索クエリと抜粋も添えられています。また、インフレ見通し、地政学的紛争の影響、FRBの対応予測について、エージェント間で見解が異なったことも示されています。…

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と将来の株式リターンとの関連が続くかを、二重機械学習で検証します。同じクロスフィット観測値を使って調整後の推定値と単純な通常最小二乗法を比較し、主体内のブロック置換プラセボも用います。時間的な制御では、結果の期間、処置変数のローリング構築、フォールドのエンバーゴ、観測値間の依存を考慮します。最終ホールドアウト期間に及ぶ可能性のある結果は分析から除外します。 結果が対象とするのは、開発期間中の現行S&P…

このノートブックでは、証拠を検索し、二者択一の問いに対する確率を構造化して返すリサーチエージェントを構築します。アクションの解析と検証、ターン数の上限、論拠と実行の詳細を記録した予測成果物の保存について説明します。無効な応答は修正のため再送し、予測を出さずにターン数を使い切ったエージェントは、確率を出したエージェントと区別します。…

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。…

このモジュールでは、複数エージェントによる予測パイプラインの2つの構成要素を説明します。ディベートエージェントは強気と弱気の主張を交互に提示し、双方に相手の主張への応答と、根拠を添えた確率推定を求めます。各ラウンドを記録し、設定された合意範囲内に2つの推定値が収まれば、最大ラウンド数に達する前に終了できます。…

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、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、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、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、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、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。…

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。…