ナレッジライブラリ

このノートブックでは、情報係数、分位点リターン、上位から下位までのスプレッド、分類診断を使って、横断モメンタム因子を評価します。スピアマンのICを、シグナルとその後のリターンの日時点ごとの順位相関として紹介し、すべての日付と資産の観測値をまとめた相関と区別します。まとめた場合のICにはリターンの時間変化も反映されるため、2つの方法の結果は異なることがあります。また、補完的な診断としてICIR、有意性指標、分位点の単調性、売買回転率、シグナルの減衰も説明します。…

本論文は、ロバストな正の期待値定理を単一銘柄から2銘柄のペアへ拡張します。元の結果は、特別に設計されたロングとショートの線形フィードバック制御器を組み合わせ、幅広い確率的株価過程にわたって期待値がロバストに正となる損益関数を生み出すことに関するものです。…

このノートブックでは、過去のモメンタム特徴量から21日後のETFリターンを予測する2種類のTransformer設計を比較します。PatchTSTは連続する日をパッチにまとめ、短い局所形状の系列を各トークンに配置します。一方、iTransformerは各特徴量の履歴をトークンとして扱い、時間順序を各トークン内に保ちながら、注意機構によって変数間の関係を捉えます。同じETFパネルを用い、両モデルをRidge回帰およびリターンゼロの予測と比較します。評価にはクロスセクションの順位情報係数と二乗誤差を用います。…

このノートブックでは、広範なETFの連動を調整した後、4つの運用ポートフォリオ戦略がSPYリターンを説明するかを検証します。戦略では、遅行モメンタム、ボラティリティ、または直近リターンでETFを順位付けします。長い履歴を持つETFから構成したバランスの取れた集合の主成分10個を統制変数とし、SPYは因子構築対象から除外します。各戦略の単変量のSPY負荷量と、統制変数を選択した後の条件付き負荷量を比較します。…

このノートブックでは、連続する観測値に依存関係がある場合、シグナルの情報係数（IC）がノイズと区別できるかを評価します。モメンタムシグナルとETFデータを例に、先渡しリターンの重複、持続性のあるシグナル順位、市場レジームによって日次のIC値に自己相関が生じ得ることを説明します。その場合、単純なt統計量は不確実性を過小評価し、有意性を過大評価する可能性があります。…

このノートブックでは、TWSまたはGatewayを介してInteractive Brokersに戦略を接続する運用手順を示します。セッションがペーパー口座であることを確認し、口座の評価額とポジションを読み込み、ライブ配信の開始前に過去のバーを取得して戦略の状態を初期化します。5日間のETFモメンタム戦略をバックテストと実運用エンジンで共有し、受信したティックをバーに集約します。…

このノートブックでは、複数の資産クラスを対象とするロング・ショートのモメンタム例を通じて、先物バックテストの仕組みを紹介します。契約仕様の倍率が価格変動をドル建て損益に換算する仕組みと、想定元本が契約数量をどう決めるかを説明します。契約ごとの固定手数料と料率ベースのコストを比較し、先物の取引時間帯と証拠金を論じ、セクター別寄与度で集中度を調べます。この例では取引時間帯をそろえた日次データを使い、契約倍率を適用する場合としない場合の影響を比較します。…

このノートブックでは、ETFモメンタムのバックテスト結果が想定取引手数料にどれほど敏感かを検証します。戦略のウェイトと取引スケジュールを固定し、片道コストを変えてシミュレーターを再実行して、成長率、シャープレシオ、ドローダウンを比較します。グロスリターンを年間売買回転率で割る方法と、シミュレーション結果を補間する方法の両方で、成長率がゼロになる手数料を推定します。この差は、複利の影響により、単純な回転率計算では損益分岐コストを実際より高く見積もることを示しています。…

この分析では、複数資産のETFパネルに登録されたモデル群を、ウォークフォワード検証結果で比較します。モデルは21取引日後のリターンを予測し、各日付内でファンドをどれだけ適切に順位付けできるかを測る横断的な情報係数で評価します。平均スコアの単純な順位付けよりも、信頼区間とフォールドごとの一貫性を重視し、モデル群が類似または異なるシグナルを捉えているように見えるかを調べます。また、予測順位と特徴量の因果的な証拠を区別します。…

このノートブックでは、ポートフォリオリターンからシミュレーション取引まで、ETFを対象とする月次ローテーションのバックテストを構築します。過去のリスク調整後リターンで10本のファンドを順位付けし、米国債のイールドカーブに基づく局面判定を適用して、上位ファンドとディフェンシブな債券配分を選び、次の取引日の始値で執行します。手数料、現金制限、60/40ベンチマークも同じシミュレーターで処理します。この手順では、シグナル日時点で利用可能な情報だけを使い、同じ日付、価格、コストでポートフォリオを比較することを重視します。…

このノートブックでは、幅広いUS株式ユニバースの順位付けに使う、価格由来の特徴量を作成します。モメンタム、ボラティリティ、移動平均、テクニカル指標の種類を説明し、1セッション先のリターンラベルに対して評価します。設計の中心的なルールは、全セッションの系列を使って銘柄ごとのローリング特徴量を計算し、適格性のスクリーニングを適用してから横断分析の順位を計算することです。これにより、ローリング期間の意味を保ちながら、各日の順位を実際に売買可能な銘柄に基づくものにします。…

このノートブックでは、公表済みのファクターリターンをポートフォリオの構成要素候補として評価します。次の3点を分けて検討します。ファクターの平均リターンが厳しい統計基準を超えるか、持続する可能性のある要因によってファクター同士が分散効果をもたらすか、選定した危機期間にどのような成績だったかです。長期のAQRおよびFama-Frenchの系列を使い、系列相関を考慮して平均リターンの統計量を補正します。また、多数のファクター探索を考慮するために、一般的な有意水準と、より高い基準を比較します。…

このノートブックでは、時系列順のホールドアウトを保ちながら、モメンタムポートフォリオの損切り、利益確定、トレーリングストップのルールを調整します。1次元のパラメーター探索、ルールの組み合わせグリッド、決済済み取引の最大逆行幅と最大順行幅から導くストップまたは目標値の事前情報を比較します。候補設定を較正データで選び、後続期間で一度評価します。固定した設定の順位付けには、CAGRに基づくCalmarレシオを使います。…

このノートブックでは、月次のETFモメンタムとイールドカーブのレジーム戦略を、ベクトル化したリターン計算と逐次的な口座シミュレーションの2つの方法で適用します。どちらも目標ウェイト、資産、日付、取引コスト合計が同じため、目標が有効になる時点、約定価格、整数株の制約、現金管理などの執行上の選択に比較を絞れます。シグナルはルックバックリターンを実現ボラティリティに対して評価してETFを順位付けし、リスクオン局面では選択したファンドを保有し、それ以外では債券ETFを使います。…

このノートブックでは、ベータ、固有ボラティリティ、時価総額、分散を調整した後、12か月前から-2か月前までのモメンタムが翌月のUS企業リターンを予測するかを、拡張ウィンドウ方式の二重機械学習で分析します。補助モデルはそれ以前の月のデータで学習し、学習期間とテスト期間の間にエンバーゴを設け、最後の2016ホールドアウト期間を除外します。調整後の推定値は同じアウト・オブ・フォールド観測値での単純なOLSと比較し、時間と企業間の依存関係はDriscoll-Kraay推論で考慮します。…

このモジュールでは、リスク調整後モメンタムスコア（月次のETF配分のベースライン）を定義します。スコアは、過去の累積リターンを年率換算した実現ボラティリティで割って算出します。10年債利回りと2年債利回りの差が閾値を上回る場合は順位の高い資産を選び、そうでない場合は総合債券と長期米国債の間で守備的に配分します。投資対象には、幅広い株式、国際株式、不動産、金、コモディティのファンドも含まれます。比較対象として、均等加重、逆ボラティリティ、固定比率の株式・債券ポートフォリオも含まれます。…

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。…

この学習用ノートブックでは、クオンツ分析で使われる価格・出来高由来の特徴量を概観します。期間別の単純リターンと対数リターン、直近1期間を除くモメンタム、夜間および日中リターン、移動平均からの乖離、トレンドと反転の指標、複数のボラティリティ推定値、ボラティリティ局面の指標、出来高と流動性の指標、リスク統計、クロスセクションの順位と標準化値を扱います。例ではETFデータを使い、本番運用を想定した特徴量ライブラリと手作業の計算を併せて示します。…

このノートブックでは、直近を除く過去6か月のモメンタムが21日先のリターンに影響するか、またその効果が市場ボラティリティによって変わるかを調べる手順を示します。ボラティリティとイールドカーブを統制し、市場ボラティリティを効果修飾因子として、学習データ上で二重機械学習を用いて効果を推定します。ボラティリティ局面はホールドアウト前のデータで定義し、推定結果を上下限を設けて縮小するポジション調整ルールに反映します。その後、ホールドアウト期間を使い、取引コストを含めてそのルールを単純なベースラインおよび簡易的なヒューリス…

このノートブックでは、事前学習済み時系列基盤モデルのChronosとTinyTimeMixerを、LSTMおよびペナルティ付き線形ベースラインとETFパネル上で比較します。各モデルには単変量の過去データを入力します。事前学習済みモデルは入力系列を予測し、平均予測経路をクロスセクションのランキングスコアとして使う一方、学習済みベースラインは将来リターンを直接予測します。予測対象と期間がリターンのラベルと一致しないため、ゼロショットモデルには順位情報係数を用います。この実験は、モデルに何を予測させるかを明確にしながら…

この文書では、固定ETFモメンタム戦略のコスト感度を分析します。ユニバース、ウェイト、スケジュール、シミュレーターは固定し、片道ごとの手数料を変えながらバックテストを再実行します。得られた曲線は、想定取引コストの上昇に伴うシャープレシオと複利成長率の変化を示します。また、手数料控除前の成長率を年間売買回転率で割る方法と、シミュレーション成長曲線を補間する方法の2通りで損益分岐手数料を推定します。両者の差は、時間とともにコストが複利で効く影響を示しています。…

この分析では、直近を除外したモメンタムがETFの将来リターンに因果的な変化をもたらすかを推定します。モメンタムによるリターン予測の精度を問うものではありません。二重機械学習で、明記された交絡因子から結果変数と処置変数をそれぞれモデル化し、各モデルで説明できない部分から両者の関係を推定します。交絡因子には、実現ボラティリティ、市場レジームの指標、イールドカーブの傾きが含まれます。分析対象、時点ルール、エンバーゴ、プラセボ検定の設計をモデル適合前に確定し、予測モデルの候補とは別個の因果的証拠として結果を記録します。…

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。…

この文書では、シグナルの発生、決算発表、マクロ経済指標の公表などのイベント前後におけるリターンの測定方法を説明します。例では、流動性の高いETFのモメンタム・ブレイクアウトを使います。各イベントについて、イベント前の推定期間で当てはめた市場モデルから期待リターンを求め、実際のリターンから差し引いて異常リターンを算出します。イベント間の平均と累積により、平均異常リターンと累積平均異常リターンを求め、標準誤差と有意性の統計量も計算します。…