ナレッジライブラリ

このノートブックでは、選択した暗号資産無期限先物の資金調達戦略について、ホールドアウト予測を作成する方法を説明します。検証結果から設定を特定し、選択されたチェックポイントを引き継ぎ、ホールドアウト期間前に終わるデータで新たな学習仕様を作成します。ラベルバッファーによってラベルの結果期間がホールドアウト期間に及ばないようにし、検証時の適合とは異なる学習識別子が生成されたことを確認します。…

このノートブックでは、登録済みでカバレッジが十分な候補から検証用設定を再構築し、選択済みのS&P 500株式・オプション戦略を評価します。均等加重のベースラインから配分、リスク制御、コスト感応度へと続く選択過程を追い、別の予測段階とバックテスト段階で得られたホールドアウト結果を確認します。各診断を分けて扱い、段階ごとの推移、リスク変化の対応のある不確実性、コスト控除後の維持、複数設定を試したことへの補正を評価します。…

このノートブックでは、共分散推定にノイズがある場合の平均・分散配分の代替手法として、階層的リスクパリティを説明します。HRPは相関距離を使って資産をクラスタリングし、階層に沿って並べ替えた後、並べた集合を再帰的に二分し、推定分散を使ってグループ間に配分します。行列の反転は避けられますが、推定相関と推定分散には依然として依存します。この3段階の手順で分散されたウェイトが保証されるわけではなく、逆分散による分割は低ボラティリティ資産に大きく集中することがあります。…

この文書では、リターンを重複する期間に分け、各期間を経験分布として扱うことで相場局面を識別する方法を説明します。対応する順序付き分位点を使って期間間の距離を測るため、平均や分散が似ていても、極端な損失の位置を含む分布全体の違いが重要になることがあります。クラスタリングには、ワッサースタイン距離を用いたLloydアルゴリズムを使い、距離の指数に応じて分位点ごとの中央値または平均をクラスタ代表値とします。…

このノートブックでは、登録済みバックテストと固定された選択手順を使い、週次のS&P…

この文書では、検証データで選んだ設定を使い、確保されたNASDAQ-100のマイクロストラクチャー・ホールドアウト期間向けに予測を作成する方法を説明します。ホールドアウト前に終了する履歴だけで選択済みモデルを再適合し、宣言された最長の結果期間をカバーできる幅のラベルバッファーを設けます。再適合には別の学習識別子を付与し、選択モデルの検証期間がホールドアウト期間と重複していないことをノートブックで確認します。…

このケーススタディでは、満期まで保有するショート・アット・ザ・マネー・ストラドルのリターンに正則化線形モデルを適合させます。プレミアム収入によって利益には上限がある一方、損失には上限がないため、少数の大損失が二乗誤差の回帰目的関数を支配します。ノートブックでは、ペナルティの強さを変えながらリッジ、ラッソ、エラスティックネットを比較します。使用するのは、オプションのグリークス、インプライド・ボラティリティと実現ボラティリティ、分散リスクプレミアム、スプレッド、行使価格までの距離など、ポジションとボラティリティ面の特…

このノートブックでは、実際のETFデータを使い、妥当な範囲でルックバック期間、相場局面、実装を変えてもモメンタムシグナルが有用かを評価します。モメンタムと将来リターンの横断面情報係数を計算し、ルックバックのパラメーターを一度に1つずつ動かして、性能を応答曲面として確認します。頑健性は単一の最良結果の高さではなく、ピーク付近を保つパラメーターの幅で捉えます。HACの標準誤差は、系列依存と重複する将来リターンのラベルを考慮します。…

このノートブックは、企業間で特性値を順位付け済みの提供済みパネルを使い、US企業特性調査向けの月次モデル行列を作成します。変換を適合したりローリング期間を計算したりせず、同じ企業・月の行にある値から合成特徴量と交互作用を追加します。特徴量ファミリーの台帳には、各グループの入力、タイミング規則、根拠、想定される失敗要因を記録します。実現リターンを特徴量行列から除外し、企業識別子が別のラベルパネルと一致することを確認します。…

このノートブックでは、S&P…

この文書では、オプション由来の特徴量から将来の株式リターンとリスク調整後リターンを予測するため、重み共有型ニューラルアンサンブルのTabMを適合させます。各メンバーは共通の2層ネットワークを使い、活性化のスケーリングと出力ヘッドは別々に持ち、予測を平均します。この手法は、オプション面にある相関した特徴量を動機としています。逐次的な分岐で特徴量を選ぶ木とは異なり、ネットワークは重み付きの層で特徴量を組み合わせます。宣言済みの学習チェックポイントにより、保存した各エポックを個別に評価でき、ウォークフォワードのフォール…

この文書では、調査エージェントの会話記録とは別に、構造化された状態記録を提示します。記録には質問と基準時点、収集した証拠、未解決の疑問、ツール呼び出し履歴、ゲートの判定、統合状況が保存されます。証拠とツールの記録を分けると、検索を実行して結果がなかった場合と、検索自体を行わなかった場合を区別しやすくなります。状態の保存と復元により、処理の再開や実行間の比較が可能になります。…

この文書では、予測エージェントの検索インターフェースが証拠の範囲を制御し、処理を監査可能にする方法を説明します。プロバイダーに依存しないプロトコルは、情報源、公開日、関連度スコア、コンテンツを型付きの結果として返します。また、カットオフフィルターで、予測の基準時点以降に公開された日付付きの結果を除外します。日付のない結果は、時点整合性を検証できないため、別途記録します。…

このノートブックでは、通貨ペアのリターン予測に線形モデルの正則化を適用します。入力特徴量間の多重共線性と、資産間の依存性を区別します。通貨ペアは共通の通貨を含むため、そのリターンや順位は独立ではありません。Ridgeは特徴量を残したまま係数を縮小し、Lassoは係数をゼロにできます。ElasticNetはその両方を組み合わせます。LassoとElasticNetのペナルティはフォールドごとのしきい値に対してスケーリングし、フォールド間で設定の意味がそろうようにします。…

このノートブックでは、企業特性から将来リターンを予測する教師ありオートエンコーダを検討します。ニューラルネットワークの狭いボトルネックは維持しますが、関連モデルで使われる条件付きファクターの解釈と価格付けの制約は取り除きます。ネットワークは特性を直接リターンに対応させ、宣言した数のユニットを通じて入力を圧縮してから予測を出します。…

この実現可能性分析では、利用可能なパネルデータでUS企業の特性に基づく月次ロング・ショート戦略を評価できるか確認します。指標が順位として符号化されているかを検証し、企業を観測できる期間を示し、各リバランス日に両側のポジションに必要な数と企業数を比較します。月次スプレッドを想定した取引コストの範囲と照合し、ホールドアウトを未使用のまま、履歴がウォークフォワード検証を繰り返せるだけあるかも確認します。モデルの学習も予測も行いません。…

このノートブックでは、同じ月次ETFモメンタム戦略を2種類の方法でシミュレーションして比較します。目標ウェイト、ユニバース、日付、総取引コストは同一です。一方は遅行ウェイトと資産リターンからリターンを計算し、もう一方は約定、株数、現金を追跡しながら注文を逐次処理します。そのため、結果の差から、目標が反映されるタイミング、約定価格、整数株の制約、利用可能な現金などの執行上の前提を把握できます。…

このノートブックでは、S&P 500オプションの宣言済み系列モデル群の一つとしてPatchTSTを適合させます。PatchTSTは遡及ウィンドウを固定サイズのパッチに分割し、トークンとして埋め込み、注意機構で履歴の各部分の関係を学習します。セッションを順番に処理して状態を引き継ぐLSTMと対比しています。注意機構はウィンドウ内の離れた部分を直接結び付け、並列処理できますが、学習した位置情報に依存し、より多くのパラメータを使います。…

このユーティリティでは、クオンツ調査パイプラインが生成するデータ成果物の診断手順を説明します。数値列ごとに、欠損値、有限でない値、ゼロ、異なる値の数、分位点、裾の挙動を確認し、設定可能な助言用しきい値を超える列にフラグを付けます。また、生成されたキーを明示的に宣言した期待ユニバースと比較し、キーが不足した出力でも既存行が完全なだけで問題なしと見なされないよう、欠落キーと想定外のキーを報告します。…

このノートブックでは、学習したグラフ埋め込みがUS株の表形式モデルに予測情報を加えるかを検証します。対象期間より前に測定した絶対リターン相関からネットワークを構築し、同じ対象期間前の履歴を使ってモメンタム、ボラティリティ、トレンドの特徴量を作成して、その後の株式リターンを予測します。比較では、各交差検証フォールド内でグラフ注意機構オートエンコーダーを学習し、その後、対応するホールドアウト株式について、グラフ由来の特徴量を使用する場合と使用しない場合のリッジモデルを評価します。…

この文書では、S&P…

このノートブックでは、日次OHLCVデータのライフサイクルを説明します。初期履歴を読み込み、短い重複期間を含む差分を取得し、欠落した取引日を検出して、各銘柄のデータ鮮度と検証上の問題を要約します。更新期間をデータ提供元で確定済みの最新バーまでにする理由を説明します。当日分の行には未確定の価格が含まれる場合があります。また、重複期間を設けるとベンダーの改訂を取り込みやすくなります。用途に応じた差分更新、追記のみ、全件更新、過去データの補完の方法も取り上げます。…

このノートブックでは、固定されたロングオンリーのETFモメンタム・ベースラインが、2010から2024までのさまざまな市場環境でどう推移したかを診断します。各日次リターンが始まる前にわかっていたボラティリティとトレンドの指標を使い、拡張した過去データの中央値で高低の状態を定義します。利回り曲線のスプレッドも、選択したモメンタムETFを保有するか、ディフェンシブな債券の組み合わせを保有するかを決めます。次に、ボラティリティとトレンドの4通りの組み合わせごとにリターンとリスク指標を分け、各区分の観測数を報告し、加法的…

このノートブックでは、以前に選択した企業特性予測と固定されたポートフォリオ設定を1年間のホールドアウト期間に適用します。アウトオブサンプル評価を保つため、予測、配分、集中度、リバランス、取引コストについて新たな選択は行いません。ポートフォリオのコンフォーマル配分器は検証残差を使って予測の信頼性を推定します。残差が少なすぎる企業には、複数企業をまとめた代替幅を適用します。ウェイトはポートフォリオの各区分で幅の逆数を相対比較して決めるため、予測リターンの大きさだけを優先せず、信頼性を重視します。…