ナレッジライブラリ

このノートブックでは、イベント駆動型バックテストエンジンを使って、BTC/USDTの無期限先物バーを対象とするロング限定のRSI平均回帰ルールを実装します。イントラデイの観測値をUTCの日足バーに集約し、上昇幅と下落幅の単純なローリングRSIを計算します。指標が売られ過ぎの閾値を下回るとエントリーし、買われ過ぎの閾値を上回ると決済します。戦略は資本に対する所定の割合を目標とし、手数料とスリッページをモデル化します。逐次エンジンでは、判断、未約定注文、約定、ポジション、現金を明示的に表現し、経路依存のロジックを扱え…

この文書では、TWAPとVWAPが取引時間中に大口の親注文を子注文に分割する方法を説明します。TWAPは各時間間隔に同じ数量を割り当て、VWAPは時間間隔ごとの出来高予測に比例して数量を割り当てます。ノートブックでは過去の分足から出来高を予測し、その後のNASDAQ-100セッションで両方のスケジュールを検証します。各時間間隔の出来高加重価格で約定をシミュレーションし、利用可能な出来高に占めるスライスの割合に基づいて平方根型マーケットインパクトを課します。…

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。…

このノートブックでは、売買シグナルや発表などのイベントが市場ベンチマークを上回るリターンを予測するか検証する方法を説明します。流動性の高いETFのモメンタム・ブレイクアウトを例に、イベント前のリターンから市場モデルを推定し、イベント期間の異常リターンを計算してから、日次平均を集計し、信頼区間と有意性統計量を伴う累積平均異常リターン（CAAR）を算出する手順を示します。…

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、検証用予測をロングオンリーの株式ポートフォリオとして評価します。各ラベルの頻度で決まる判断スケジュールに従い、上位K銘柄を等ウェイトで選びます。乱数シードを固定したランダムシグナル実行で、終値から翌営業日の始値までのイベント順序を確認し、同じバックテスト手順でポートフォリオの集中度を変えて比較します。オプション由来の変数は予測入力として使い、取引対象は株式です。…

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、多数のファクターや戦略を探索すると、個々の推定値が正しく計算されていても、選ばれた最良候補の見かけ上の成績が膨らむ仕組みを説明します。ノイズだけのファクターをシミュレーションし、最大の情報係数が偶然に見栄えのよい値になり得ることを示します。続いて、不均一分散・自己相関頑健な推論の後に偽発見率を制御する補正手順を構築し、より保守的なスクリーニングのためにファミリーワイズ誤差制御も論じます。…

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。…

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。…

このノートブックでは、説明対象のS&P 500ショートストラドル運用エンジンに、汎用的な目標ウェイト型リスクオーバーレイが適さない理由を説明します。エンジンは週次コホートに固定の資本比率を割り当て、各コホート内でウェイトの合計が1になるよう正規化します。そのため、ウェイトを縮小しても正規化で元に戻り、ドローダウンやボラティリティのオーバーレイが制御する現金配分は残りません。代わりに、ヘッジのしきい値、決済規則、エントリーコスト、コホート数など、戦略仕様に適切な制御を設けます。…

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、選択済みのUS企業特性戦略について、想定する手数料とスリッページを変えた場合に検証期間の成績がどう変化するかを測定します。明示したコスト範囲で同じ設定を再実行し、総コストを手数料とスリッページに均等配分します。戦略を固定することで、シャープレシオ曲線から取引コストの想定に対する感応度を分離して確認できます。比較用に指定コスト水準を範囲内に示し、登録済みの結果は再計算せずに再利用できます。…

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、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…

このガイドでは、週次の先物ポジションデータの情報源として、公開されているCFTCのCommitment of Tradersレポートを紹介します。ディーラー、資産運用会社、レバレッジド・マネーなどに参加者を分類するTraders in Financial…

このPythonモジュールでは、日次のアウトオブサンプルリターンを用いて、戦略のバックテストにおける不確実性を定量化する方法を説明します。リターン系列の統計量に対する定常ブロック・ブートストラップ区間、自己相関と非正規性を調整したシャープレシオの標準誤差、平均リターンのNewey–West標準誤差を組み合わせています。ブロック長は、利用可能な場合はリバランス間隔から選び、それ以外は最適サイズ推定量を用い、リターンの期間を基準に下限を設けます。また、日次リターン差を使ったペア・ブートストラップ比較と、シグナル、配分…

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。…