ナレッジライブラリ

このモジュールでは、強化学習環境で使う暗号資産市場シミュレーションのパラメータを推定します。選択した銘柄の無期限先物市場データを時間単位で読み込み、終値間の対数リターンを計算して、GARCH(1,1)ボラティリティモデルを当てはめます。推定用ライブラリが利用できない場合や最適化に失敗した場合は、二乗リターンの自己相関と事前に定めた範囲を使うモーメント法に切り替えます。持続性を制約し、無条件ボラティリティをサンプルの変動に合わせます。…

このノートブックでは、極端な無期限先物プレミアムが、その後のBTCリターンまたはプレミアムの回帰に影響するかを検討します。処置を高プレミアム状態と定義し、多くの要因に左右される可能性がある広範な市場指標と、資金調達圧力や裁定取引により直接結び付くプレミアム変化を比較します。因果グラフで調整変数を指定し、過去のリターンとボラティリティを統制変数として使います。また、設計上、処置前の統制変数と将来の結果を分けています。…

このノートブックでは、最大順行幅（MFE）と最大逆行幅（MAE）を使い、観測された価格経路に基づいてトリプルバリア・ラベルの幅を設定します。ローソク足の終値でポジションを建てた場合、次のバーから始まる将来の保有期間における最も有利な値動きと最も不利な値動きを測ります。ロングとショートでは定義が逆になります。また、真の値幅とワイルダー平滑化を用いる平均真の値幅を説明し、ボラティリティに応じてバリア幅を調整する方法を示します。…

この分析では、モデルを適合したり予測を行ったりする前に、データが暗号資産無期限契約の横断戦略を支えられるかを検討します。提案する方法は、各資金調達決済時点でプレミアムに基づき契約を順位付けし、順位の片側を買い、もう片側を売ります。このノートブックでは、判断時点で十分な数の契約が上場しているか、一般的な値動きで取引所手数料を賄えそうか、系列相関を考慮した後に独立した履歴がどれだけ残るかを確認します。開発期間を使い、指定されたホールドアウトは読み取りません。…

このノートブックでは、学習済みのGJR-GARCHモデルと隠れマルコフモデルから、先読みバイアスを抑えた取引特徴量を作る方法を説明します。GJR-GARCHは条件付きボラティリティを推定し、負のリターンショックの影響がより大きいことを捉えます。2状態のガウスHMMは、クロスセクションのファンディング決済額から市場局面をモデル化し、ストレス確率のフィルター済み値を出します。両モデルは過去データを拡張しながら所定の頻度で再学習し、検証中はパラメータを固定します。初期のバーンイン期間では特徴量を使いません。…

このノートブックでは、ビットコイン無期限先物の極端なプレミアムについて、プレミアム状態が将来リターンを予測するか、またはその後のプレミアム回帰を予測するかという2つの因果的な問いを比較します。処置変数は、プレミアムのzスコアが指定の閾値を超えたことを示す二値指標です。設計では過去のリターンとボラティリティを制御変数として使い、結果は将来の値で測定します。両方の結果について、同じ調整変数と検証チェックで効果を推定します。…

このノートブックでは、時間足のビットコイン無期限先物リターンに合わせた共通の取引シミュレーション環境で、DQN、PPO、A2Cを比較します。GARCH(1,1)モデルがボラティリティの集積を生み、環境はポジション変更にコストを課します。また、行動時点で既に分かっているリターンをエージェントが得ないよう、行動の適用を1ステップ遅らせます。各アルゴリズムに同じ学習相互作用予算を与え、一致する未使用のエピソードシードで評価します。…

この資料では、60決済分の期間を使い、暗号資産無期限先物の資金調達プレミアムを予測する時間畳み込みネットワークを説明します。因果的な畳み込みブロックを4つ使い、カーネル幅は3、拡張率は1、2、4、8です。受容野は61決済分に及び、入力期間全体をカバーします。因果パディングにより、ある位置が後の決済値を取り込むことを防ぎ、検証結果への将来情報の漏洩を避けます。このモデルは全時点の表現を平均しますが、比較対象のLSTMは最終的な再帰状態に基づいて予測します。この違いから、有用な情報が期間全体に分布するのか、末尾付近に…

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、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、BTC、ETH、SOLの時間足無期限先物データを使い、2モデルの決済設計を検証します。エントリー分類器が特に大きな将来リターンを特定し、その予測確率とテクニカル特徴量を別のモデルに入力して、次の24時間リターンがマイナスになるかを推定します。決済モデルの学習に使うエントリー確率は、拡大型ウィンドウのアウトオブフォールド予測から生成し、フォールド境界ではラベルが後の期間まで及ばないように除外処理を行います。…

この分析では、無期限先物の資金調達率について、複数のモデル群による検証予測を比較します。情報係数は後続リターンの順位との相関を測り、AUCは上昇と下落の結果の並び順を測定し、対数損失は確率の品質を評価して、自信過剰な誤りにペナルティを与えると説明します。これらの診断指標が答える問いはそれぞれ異なります。順位付けの改善は、より良い確率較正を保証しません。また、予測だけを評価する指標から、どのトレード戦略が最も良いかは判断できません。…

このケーススタディでは、DeFi…

この資料では、暗号資産無期限先物とプレミアム指数を調べるためのデータセットと手順を説明します。設定されたユニバースの時間足のOHLCVデータと8時間ごとのプレミアム値を取り上げ、ダウンロード、読み込み、絞り込み、基本的なプロファイリングの手順を示します。プレミアム指数は、無期限先物価格と現物価格の相対差として定義され、その符号は先物が現物を上回るか下回るかを示します。この資料は資金調達率裁定やプレミアムの平均回帰を研究するためのデータを紹介するもので、検証済みの戦略を実証するものではありません。…

このノートブックでは、暗号資産の資金調達率が上昇するか低下するかを予測するモデルのデプロイリハーサルを紹介します。過去のBinance由来の無期限先物データで3クラスのLightGBMモデルを学習させた後、OKXからライブの時間足バーと資金調達率を取得し、データを戦略の8時間間隔に集約してライブ特徴量を計算し、利用可能な銘柄をスコアリングします。Alpacaのペーパートレードを、対応付けたUSD現物ペアの執行基盤として使い、対応しない無期限先物はシグナルのみとします。実行記録には、監視と監査のためにカバレッジ、デ…

このノートブックでは、Binanceの無期限先物データを使い、プレミアムで契約を順位付けして買いと売りのポジションを取る横断的戦略を実行できるか評価します。モデルの学習や予測は行いません。代わりに、資金調達料の決済時点における宣言済みの取引対象を確認し、観測された銘柄の幅を戦略が想定するポートフォリオ規模と比較します。価格変動を取引所手数料と比べ、ホールドアウト期間を確保しながらウォークフォワード検証ができるだけの開発期間があるかも評価します。…

この設定では、暗号資産の無期限先物を対象に、ロング・ショート戦略を調査するワークフローを定めます。出来高で選んだ19銘柄の銘柄群、8時間ごとの資金決済に合わせた判断、資金決済時刻での執行を定義します。主な予測対象は8時間先リターンで、リターンと方向の各バリエーションも扱います。また、資金調達料、プレミアム、価格ボラティリティ、クロスセクション特徴量に加え、キャリー、平均回帰、モメンタム、ボラティリティの仮説も説明します。…

このデモでは、USD現物ブローカーに接続して暗号資産戦略を継続運用する際の構成を説明します。無期限先物のケーススタディで使った広い銘柄群を、利用できる現物ペアに絞り込み、モメンタムのzスコア代理指標をブローカー接続型のループに流します。また、資金調達料の確認ではタイムスタンプをUTCに正規化する必要があることを説明し、無期限先物ポジションの時刻目安となる定期的な資金調達時間を示します。…

このノートブックでは、暗号資産の無期限先物市場における固定の売り注文を時間単位のバーに分散して執行するため、強化学習エージェントを学習させます。状態には、ラグ付きリターン、ボラティリティ、前の時間の出来高、現物に対する無期限先物のプレミアム、資金決済までの時間を含みます。日付に基づいて学習期間と評価期間を分け、同じ評価ウィンドウ上で複数の執行スケジュールを、対応する差分と標準誤差を使って比較します。…

このノートブックでは、前処理や特徴量エンジニアリングの前に金融データセットを診断する、再利用可能な調査手順を構築します。時系列インデックスの型、タイムスタンプの欠損、順序、一意性を確認し、完全一致およびキーに基づく重複を検出します。フィールド、資産、日付ごとの欠損値を測定し、ギャップ、外れ値、ドメイン違反、データセット固有のカレンダー上の問題も調べます。診断では問題を報告しますが、元データの変更やクリーニングは行いません。対象はETF、US株式、暗号資産、先物、FX、企業特性です。調査結果では、列単位の完全性と欠…

この章では、クオンツ取引研究における因果関係の主張を評価する枠組みを示します。介入、結果、推定対象、反実仮想、調整集合を明確に定義し、研究課題に手法を対応させます。連続的な介入にはDouble Machine…

この評価ノートブックでは、暗号資産無期限先物の次の8時間リターンとの関係を調べるため、金融特徴量とモデル由来の特徴量をスクリーニングします。評価サンプルはウォークフォワード検証期間から作り、最終ホールドアウトは分析対象外とします。各決済時点での横断的な順位相関により、特徴量を評価します。依存性を考慮した不確実性推定で平均情報係数を要約し、検証年ごとの成績を確認して、多重比較に対して有意性検定を補正します。特徴量台帳には証拠と判断を記録しますが、モデル入力から列を削除するものではありません。…

この文書では、無期限先物の資金調達率パネルデータのモデル化にTabMを使う理由を説明します。共有ニューラルネットワークの基盤がすべての入力特徴量を組み合わせ、非線形層が相互作用を表現できます。各分岐で一つの特徴量を選ぶ木とは異なり、この設計では相関する列を同時に利用できます。TabMのアンサンブルメンバーはネットワークの大部分を共有し、個別のスケーリングベクトルと出力層を持つため、別々のネットワークを学習するより低コストで平均化できます。…

このノートブックでは、暗号資産無期限先物のリターンと方向を予測する勾配ブースティングモデルを分析します。グリッドでは、木の複雑さと損失関数を変え、二乗誤差、絶対誤差、Huber損失を含む目的関数について、学習途中の複数時点でモデルを評価します。木がほぼ同じプレミアム特徴量で繰り返し分割すると、新たな情報が増えないまま学習サンプルの細部に過剰適合する可能性があることを説明します。予測対象の異なるラベル同士ではなく、同じラベル内で候補を比較します。…