ナレッジライブラリ

このノートブックでは、匿名化された企業特性とリターンのパネルを使い、ランダムフォレストをXGBoost、LightGBM、CatBoostと比較します。データセットには時系列に沿った学習、検証、テストの分割が用意されています。主な評価指標にはスピアマン順位情報係数を使い、追加指標としてR²と平均二乗誤差も用います。ブースティングモデルには正則化とサンプリング制御を使い、XGBoostでは検証データに基づく早期終了で反復回数も選びます。…

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、計測可能な潜在ファクターモデルの構造を保ちながら、企業特性からファクター・エクスポージャーへの線形写像をニューラルネットワークに置き換える条件付きオートエンコーダを提示します。月次リターンは、特性に応じたエクスポージャーと月次ファクターリターンの積として表されます。この手法は2段階のファクター構造を維持しながら、企業属性とファクター・エクスポージャーの非線形な関係を許容します。…

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、大手US企業の一部を対象に、直近の10-K提出書類から抜粋した文章を使い、ローカルで実行するオープンウェイトの埋め込みモデル2つを検索タスクで比較します。両モデルには、技術、リスク、一般的なビジネストピックにまたがる固定クエリ群と、同じ2文の文章を与えます。実行を再現できるよう、コーパスとクエリセットをハッシュ化し、ノートブックではPrecision at kや平均逆順位などの検索指標を説明します。…

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。…

この設定メモでは、3クラス分類ラベルに対するL1ロジスティック回帰で、sagaソルバーとより厳しい収束許容誤差を選んだ理由を説明します。Nasdaqの市場マイクロ構造パネルで計測した実行時間と、報告されたアウト・オブ・サンプルの対数損失および正解率を挙げ、sagaとliblinearを比較します。計測した実行では速度と予測指標の両方でsagaが優れていましたが、パネル全体での実行時間は不確かだと報告されています。…

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。…

このノートブックでは、リターンを予測することと、モメンタムがリターンを引き起こすと主張することを区別します。直近1か月を除く前年の株式リターンを処置変数、将来リターンを結果変数として扱います。直近のボラティリティ、非流動性順位、出来高比率を交絡因子候補として指定します。ダブル機械学習では、それらの変数から結果変数と処置変数の双方をモデル化し、残差化した結果変数を残差化した処置変数に回帰して効果を推定します。将来情報を使わないよう、両方の補助モデルをエンバーゴ付きのウォークフォワード方式で学習します。…

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、分割コンフォーマル予測を使ってグラディエントブースティング予測の区間を構築します。先の学習区間でモデルを学習し、その後の較正区間で絶対残差を測定し、有限標本の順序統計量から区間幅を設定します。較正区間は時系列順に分け、ラベル期間に応じたエンバーゴを学習区間との間に設けて、将来を参照するターゲットからの情報漏洩に対処します。ETF、暗号資産、先物データを対象に、分位点回帰、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含め、区間のカバレッジと幅を比較します。…

このノートブックでは、金融ニュースの見出しを銘柄ごとのシグナルに変換するパイプラインを紹介します。ニュースコーパスを整形・標準化し、ティッカーと日付の組み合わせごとに完全一致または前方一致する重複を除去したうえで、文埋め込みを使って見出しの意味を表現します。ニュースサプライズは、ある日の埋め込みが直近の基準値からどれだけ離れているかを測ります。センチメント特徴量は平均的な極性と意見の不一致を捉えます。さらに、サプライズとセンチメントの方向を組み合わせ、ティッカーと日付ごとに観測値を集計し、情報係数とリターン区分を…

このノートブックでは、ウェブ検索と確率予測を交互に行う予測エージェントを構築します。2つのメソッドを備えた小規模な言語モデルインターフェースにより、同じループでモック、ローカル、または商用のプロバイダーを利用できます。エージェントには予測市場に関する質問が渡され、証拠を検索するか、根拠とともに確率を示すかのいずれかのJSONアクションを実行できます。ステップ数の上限によって実行を制限し、不正なアクションや未知のアクションは記録して修正を求めてから、ツールを呼び出します。…

このノートブックでは、13F提出書類から構築した機関投資家の保有銘柄グラフを用いて、読み取り専用の質問応答ワークフローを示します。自然言語からデータベースクエリを生成する代わりに、対応が明確な質問を、対象エンティティを固定した手書きのCypherテンプレートに振り分けます。テンプレートは保有者、2銘柄を共通保有する機関、またはある機関の上位保有銘柄を取得します。データ提供元のスナップショットから最新の提出日を取得します。クエリでは公開済みの情報に絞り、最も新しい報告期間を選択することで、これら二つの時点を区別しま…

このノートブックでは、S&P 500の株式・オプション分析で、系列予測に用いるパッチ型トランスフォーマーを説明します。時間窓を連続したブロックに分け、各ブロックをトークンとして表現することで、短くした系列を扱いながら、注意機構が窓内の離れた部分を直接比較できるようにします。パッチの大きさは解像度とのトレードオフを決めます。大きなブロックは系列長を短くしますが、注意機構が個別に調べる前に多くの観測値をまとめます。…

この章では、強化学習を教師あり予測と区別し、逐次制御の手法として位置付けます。行動が後の結果に影響し、報酬が比較的明確なタスク、すなわち取引執行、マーケットメイク、デリバティブのヘッジに焦点を当てます。これらの問題を部分観測意思決定過程に対応付ける方法、価値ベース手法とアクター・クリティック手法の選び方、学習した方策を既存のスケジュールやヘッジのベンチマークと比較する方法を論じます。…

このETF特徴量ノートブックでは、数式が過去の観測値を使っていても、推定パラメーターを通じて統計モデルから未来の情報が漏れる可能性を説明します。対策として、ウォークフォワード方式の再適合スケジュールを用います。最初にバーンイン期間を設け、各再適合時点までに利用可能なデータで適合し、次の再適合までの値を生成します。この手法を、隠れマルコフモデルによる市場レジーム、分数差分を施した基準ETF価格、ETFごとのGARCH(1,1)条件付きボラティリティに適用します。…

このノートブックでは、US株式パネルを対象に勾配ブースティングを検討し、3つの先行リターン期間について、木の規模、目的関数、学習チェックポイントを変えます。浅い木でも特徴量間の相互作用を学習できる一方、規模を大きくするとノイズに適合するリスクも高まることを説明します。二乗誤差、絶対誤差、Huber損失は、裾の重いリターン観測値をそれぞれ異なる形で扱います。順位情報係数（IC）は、リターンの大きさを正確に当てることより、順位付けを評価します。複数のチェックポイントを採点することで、それぞれを別候補として扱い、木を追…