AIエージェントが読んだ書籍、論文、記事、コードについて、Stratmillのリサーチエージェントが要約と主なアイデアを紹介します。各ページから原文を確認できます。
95件の資料
この資料では、日次OHLCVデータだけがある場合に、売買スプレッドを推定する2つの方法を説明します。Corwin-Schultz法では、隣り合う1日と2日の高値・安値の幅を比較し、ボラティリティとスプレッドの異なる動きを利用して両者を切り分けます。負の推定値はゼロに切り上げます。Roll法では、売買が買い気配と売り気配の間で交互に成立することで生じる場合のある、リターンの負の系列共分散から相対スプレッドを推定します。共分散が正なら推定値はゼロになり、ビッド・アスク・バウンスの前提が成り立たない可能性を示します。…
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。…
この概要では、資産クラス、ユニバースの規模、データ頻度、意思決定間隔、コストの前提、評価手順に基づいて、複数のトレード事例を整理します。各研究で明示された設定を読み取り、訓練・検証期間、フォールド数、ホールドアウト期間、シグナルからポジションへの変換などを比較表にまとめます。対象には株式、オプション、暗号資産、外国為替、先物、複数資産のETFが含まれ、市場や利用できるデータに応じた研究上の選択の違いを示します。…
このデータセットガイドでは、FREDの系列を取得し、観測値を日次カレンダーに揃え、選択した指標を分析用に読み込む手順を説明します。例には、米国債利回り、10年物から2年物を差し引いたスプレッド、VIX、雇用指標、インフレ、鉱工業生産、GDPが含まれます。結合後に異なる元の頻度を前方補完することで、日次の戦略データと比較できるパネルを作成します。…
このノートブックでは、統合データマネージャー、事前定義またはカスタムの銘柄ユニバース、パーティション分割したParquetストレージを使って金融時系列を取得・管理する手順を示します。単一銘柄と複数銘柄の並列取得、ストレージへのデータ読み込み、指定期間の読み出し、増分更新、分析やバックテスト前の欠損検出を扱います。株式、債券、金を含むリベース済みETF系列を用い、バッチ読み込みで複数資産を一つのデータセットから比較できることを示します。…
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。…
このノートブックでは、株式、債券、通貨、商品に関する9つのファクターおよび市場系列の月次リターンを、ガウス混合モデルでクラスタリングします。データが不完全な月を除外した後、尺度の違いがクラスタリングを支配しないよう系列を標準化します。異なる特性を評価する基準で候補クラスタ数を比較し、その結果得られたグループを時系列と日付付きのイベントに照らして調べます。各局面のファクター成績から、全期間をまとめた平均では見えにくい条件付きリターンや分散効果がわかります。…
この概要では、株式、暗号資産、外国為替、先物、オプション、マルチアセット・ポートフォリオにまたがる9件の取引ケーススタディから設定データを集約します。各研究の銘柄群、データ頻度、判断の頻度、コストモデル、シグナルからポジションへの対応付けを比較します。取引コストの影響が特に大きい設定も含め、こうした選択が戦略やデータセットによってどう異なるかを例示します。…
このノートブックでは、合成ETFリターン系列を生成するためにDiffusion-TSを適応させる方法を説明します。デノイザーは、クリーンな系列を多項式トレンド、フーリエ季節成分、残差成分の和として予測します。時間領域とフーリエ領域を組み合わせた損失関数により、各時点とスペクトルの両方で忠実度を高めます。DDIMサンプラーは生成に使う逆方向のステップ数を減らします。ノイズを加えた系列で学習した別の分類器が、低ボラティリティまたは高ボラティリティのレジームとラベル付けされたサンプルの生成を誘導します。…
この分析では、9つの資産グループにまたがる100本のETFから成る固定ユニバースを調べます。ファンド別・年別のカバレッジを確認し、価格パネルがグループ設定と一致することを確かめたうえで、欠損値とOHLCの順序を確認し、グループ間の取引量を比較します。また、終値はすでに株式分割と配当金の調整済みであり、そのままリターンを計算できることを説明します。…
このノートブックでは、Yahoo Finance、長期の米国株アーカイブ、FREDのマクロ経済時系列に共通するOHLCVインターフェースを示します。後続のローテーション分析用にETF銘柄群を構築し、過去と現在のデータソースを組み合わせる方法と、優先順位に基づくフォールバック方式を説明します。また、提供元ごとの行数と価格水準を比較し、食い違いを見つけて追跡できるようにします。…
このノートブックでは、分散されたETF銘柄群を対象に、ロングオンリーで資金を全額投資する平均分散の枠組みを構築します。実現可能なポートフォリオと効率的フロンティアを作り、推定リターンと共分散を使って、シャープレシオ最大化および分散最小化のウェイトを求めます。また、推定量が少なくて済む等ウェイト、逆ボラティリティ、等リスク寄与など、より単純な代替手法とも比較します。中心的な教訓は、期待リターンの推定が難しく、共分散をはるかに多くの観測値で推定していても、期待リターンが最適化結果を大きく左右し得ることです。共分散行列…
このノートブックでは、価格由来の重複特徴量からETFリターンを予測する線形モデルを比較します。複数のリターン期間や指標群が似た情報を表す場合、通常の最小二乗法では、近似した特徴量に不安定で相反する係数が付くことがあります。ウォークフォワードのフォールドでリッジ、ラッソ、エラスティックネットの適合を行い、ペナルティの強さを変えて実験します。リッジは特徴量を残しながら係数を縮小します。ラッソは係数をゼロにでき、エラスティックネットは両方の効果を組み合わせます。フォールドごとにラッソのペナルティを尺度調整し、定めた比率…
この文書は、複数資産を対象に2種類の投資家を扱うモデルを提示しています。ファンダメンタリストは株価とファンダメンタルズの認識上の差に反応し、チャーティストは価格トレンドを利用します。両者は一定相対的リスク回避度効用を最大化して投資判断を行います。著者らは、較正したモデルがファットテール・リターンや持続的なボラティリティなどの市場特性を再現すると報告し、戦略パラメータと各グループの資産シェアとの関係を調べています。…
このノートブックでは、複数資産のETFユニバースについて、ロングのみの6種類のポートフォリオ配分を比較します。最適化を不安定にするサンプリング変動を抑えるため、Ledoit–Wolf共分散縮小を用い、最大シャープレシオ、最小分散、リスクパリティ、階層的リスクパリティ、最小条件付きドローダウンリスク、均等配分を比較します。各手法で必要な推定値は異なります。期待リターンと共分散を使う手法がある一方、リスクのみを目的とする手法では期待リターン予測を使いません。リスクパリティはポートフォリオ分散へのリスク寄与を均等にし、…
このノートブックでは、事前に因果グラフを指定せず、ETFとボラティリティのリターン間に時間差のある関係があるかをPCMCIで探索します。パネルデータに基づく条件付き独立性の検定を、ペアごとのグレンジャー検定と比較します。グレンジャー検定は目的変数自身の過去を考慮しますが、他の変数を条件にしません。最大ラグは取引日5日と事前に定めます。自己相関図は各系列の持続性を示す記述的なものですが、系列間のどの時間差を検定するかは決めません。…
この設定では、株価指数、国債、エネルギー、金属、通貨、農産物、畜産物にわたる週次の先物研究ユニバースを定義します。金曜日の決済価格を意思決定時点とし、執行時点を月曜日の寄り付きに設定します。戦略の枠組みでは、キャリーまたはモメンタムに基づいて先物商品を順位づけし、同リスクまたは想定元本によるサイジングでロング・ショートポジションに対応します。コストの前提は商品ごとの流動性に応じて異なり、手数料、スプレッド、ロール時のスリッページを含みます。…
このデータセットガイドでは、株価指数、金利、エネルギー、金属、通貨、農産物、畜産物にまたがる連続CME先物契約を紹介します。時間足のソースデータと、そこから作成した日足データ、複数の限月、商品設定、ローダーによるフィルタリングについて説明します。ダウンロード手順では商品と年ごとにファイルを分け、費用の見積もりやドライランに対応しています。データをリクエストする前に、プロバイダーの料金を確認することを推奨しています。…
このノートブックでは、重複するリターン期間や、関連するモメンタム、ボラティリティ、オシレーター指標から作成したETF特徴量を使い、線形モデルを比較します。こうした予測変数には共線性があり、通常の最小二乗法では係数が不安定になります。この実験ではウォークフォワード検証フォールドごとにリッジ、ラッソ、ElasticNetの設定を適合し、データ依存のペナルティ水準をフォールドごとに決定します。また、すべての設定が同じ銘柄、日付、フォールドで評価されていることを確認します。…
この章では、市場データ、ファンダメンタルデータ、オルタナティブデータを含む金融データを整理し、資産クラスによって価格、流動性、観測値の意味がどう変わるかを比較します。タイムスタンプ、調整、識別子、改訂はデータセットの定義の一部であり、研究上の結論を変える可能性があると強調しています。例として、生存者を考慮した株価、コーポレートアクション調整、先物のセッションバーと連続契約、オプション指標、暗号資産のファンディングデータを挙げています。…
このノートブックでは、全データを読み込む代わりにParquetスキーマを参照し、9つの市場ケーススタディにあるモデルベースの特徴量列を一覧化します。識別子列を除外して市場ごとの列数を数え、列名のトークンに基づいて、ボラティリティモデル、レジーム指標、自己回帰予測、分数差分などの特徴量群を割り当てます。列挙したトークンのどれにも一致しない列を調べるため、名前のサンプルも示します。…
この記録は、連続する四半期のGDP縮小、またはNBERの景気後退開始日を基準とする所定の判定ルールのもと、2026末までに米国が景気後退に入るかを調べたマルチエージェント調査を記録しています。3つのエージェントが成長率予測、景気後退指標、金融政策の見通し、過去の発生率を調べ、確率推定と根拠を示しました。あるエージェントは、プラス成長の予測と比較的低い景気後退リスクの指標を挙げ、市場が織り込む確率は高いと論じました。別の根拠では、現在の良好な状況に加え、過去の景気後退の発生頻度も考慮しました。…
このノートブックでは、9つのファクターおよび資産クラスのリターン系列の同時的な動きに基づき、ガウス混合モデルで月をグループ化します。月次観測値を標準化し、欠損月を除外したうえで、候補となるクラスター数をBIC、AIC、シルエットスコアで比較します。次に、日付が分かる市場イベントに照らしてクラスターを解釈し、各グループ内のファクター成績を調べます。これにより、全体平均では環境ごとの差が隠れることを示します。…
この文書では、モメンタムおよびクロスアセット研究の候補プールを目的とした日次ETFデータセットについて説明しています。USや国際株式、債券、コモディティ、特殊ファンド、通貨を含む9つのカテゴリーを扱っています。データはYahoo Financeから取得し、付随するワークフローでレコードをダウンロード、保存、読み込み、フィルタリングし、プロファイルします。銘柄別およびカテゴリー別のカバレッジを確認し、履歴や取引高の違いを把握できます。…