ナレッジライブラリ

このノートブックでは、S&P…

このノートブックでは、S&P 500オプションの予測研究で、事前に定めたLSTMモデルを学習します。ネットワークには各銘柄の時系列ウィンドウを入力し、手作業で設計した特徴量だけに頼るのではなく、ゲート付きの再帰状態でセッションをまたぐ情報を表現します。設定されたルックバック期間、ネットワーク規模、ドロップアウト、バッチサイズ、学習チェックポイントによってモデルの実行内容を定義します。共通のワークフローでフォールド構成、検証ギャップ、チェックポイント、再起動を扱い、予測対象が適格な行と正確に一致するか確認します。…

この研究では、金融特徴量とGJR-GARCHボラティリティ特徴量を先行株式リターンに照らしてスクリーニングします。各セッションで、特徴量とその後のリターンの銘柄間順位相関を計算し、平均的な関連性、ウォークフォワード検証期間を通じた一貫性、多数の候補を検定した後の結果の信頼性を評価します。予測との関連を測る前に、特徴量のカバレッジと古さも確認し、各特徴量の判定を記録します。分析には開発データを使い、ホールドアウトは後に選択する構成のために確保します。…

この資料では、ブラック–ショールズのもとでヨーロピアン・コールとプットの価格を導出し、プット・コール・パリティで両者の関係を確認した上で、観測されたオプション価格に一致するボラティリティを数値的に解いてインプライド・ボラティリティを計算します。また、デルタ、ガンマ、ベガ、セータ、ローを定義し、マネーネスや満期までの時間に応じた感応度の変化を図示します。一定ボラティリティ、連続取引、ヨーロピアン行使というモデルの仮定を市場の実態と照らし、出力がどこで乖離し得るかを説明します。 計算結果をS&P…

このノートブックでは、ショートのヨーロピアン・コールを対象にディープヘッジを実演します。幾何ブラウン運動で原資産価格の経路をシミュレーションし、ベンチマークとしてブラック–ショールズのデルタを計算し、半再帰型ニューラルネットワークでヘッジポジションを決めます。学習目的は、満期時損失の条件付きバリュー・アット・リスクを最小化することです。損益計算では、ヘッジ開始、各リバランス、満期時の決済に比例コストを課し、同じ仮定のもとで離散的なデルタヘッジと比較できるようにします。また、学習された取引がデルタ・ベンチマークに近…

この評価では、オプションサーフェス、価格由来、条件付きボラティリティの特徴量を、株式の将来リターンに照らしてスクリーニングします。各セッションで特徴量の値とその後のリターンの横断面順位相関を計算し、情報係数（IC）の時系列を調べます。平均的な関連性、重複する将来リターンを考慮した不確実性、ウォークフォワードの検証期間ごとの挙動、多数の候補をテストする影響を評価します。予測との関連性を検討する前に、網羅性と古い値の確認で特徴量の定義を選別します。また、重複性の高い特徴量は、実質的に同じ順位付けを示すものとして扱いま…

このノートブックでは、気配スプレッドのうちどの割合を負担するかという仮定によって、S&P…

このノートブックでは、オプションサーフェス特徴量を含む株式パネルに対する操作変数付き主成分分析（IPCA）を説明します。各銘柄のリターン履歴からエクスポージャーを推定する通常の主成分分析（PCA）とは異なり、IPCAでは、インプライドボラティリティ、スキュー、タームストラクチャー、インプライド分散と実現分散の比較など、各銘柄の日付ごとの特徴量の共通線形関数としてエクスポージャーをモデル化します。交互最小二乗法によって、共通ファクターリターンとともにこの対応関係を推定します。エクスポージャーは特徴量から計算されるた…

このノートブックでは、一般的な目標ウェイト型リスクオーバーレイでは、説明対象のS&P 500ショートストラドル戦略を制御できない理由を解説します。オプションエンジンは固定された資本配分率を週次コホートに割り当て、各コホート内でウェイトを正規化します。そのためウェイトを拡大しても正規化で元に戻り、オーバーレイが生み出せる現金配分はありません。ヘッジのしきい値、決済、コスト、コホート数など、戦略に影響する制御は、後からウェイトを変換するのではなく、戦略仕様に含める必要があります。…

このノートブックでは、上場オプションデータを読み込んで株式を順位付けし、その株式を保有する戦略向けに、将来の株式リターンラベルを作成します。企業行動を反映した調整済み価格系列を作成し、永続的な証券IDで企業を識別したうえで、各将来期間が完全であること、単一の証券内に収まること、取引セッション単位で測定されていることを確認します。また、リターンが得られない場合を明示的に処理して方向性ラベルを導出します。保有期間と検証時のパージ用バッファを区別し、シグナルの観測時点ではなく各結果が確定する時点に基づいて診断対象の期間…

この事例研究では、上場オプションの情報がS&P 500銘柄の選択に役立つかを調べます。2017から2021までの633銘柄を対象に、日次株価と、オプションが示唆するボラティリティ水準、スキュー、期間構造、分散リスクプレミアム指標を組み合わせます。オプション特徴量にはラグを設け、金曜日のデータでポートフォリオを選び、翌週月曜日の寄り付きから取引を始めます。研究ワークフローでは、リターンのラベル付け、特徴量の構築、複数のモデル群、ポートフォリオ配分、リスク制御、取引コスト、後続期間での評価を扱います。…

このノートブックでは、計測付き主成分分析（IPCA）を説明します。各株式のファクター・エクスポージャーを、同日のオプション市場面の特徴量の共通線形関数として表し、共通ファクターを推定します。特徴量にはインプライド・ボラティリティ、プット・コール・スキュー、期間構造の傾き、インプライド分散と実現分散が含まれます。交互最小二乗法で特徴量からエクスポージャーへの写像とファクターリターンを推定し、リターン履歴からエクスポージャーを求め、均衡パネルを必要とする通常のPCAと比較します。…

このノートでは、S&P 500オプションを対象とする、宣言済みの3モデル系列学習集団の一員であるNLinearを実行します。このモデルを学習する前に、集団全体のリクエストとチェックポイントを確定します。これにより、後続のノートで同じスナップショットを使ってLSTMモデルとPatchTSTモデルを実行できます。CPUとGPUでは学習済みの重みが異なる場合があるため、デバイスも学習の識別情報の一部として扱います。そのため、標準外のデバイスには独自の集団名が必要です。…

このノートブックでは、インプライド・ボラティリティ、スキュー、期間構造、分散リスクプレミアムなどの予測指標を表すオプション市場の特徴量に、勾配ブースティング木モデルを適合します。ウォークフォワード検証を用い、予測木の規模や回帰損失の選択を、将来リターンと方向のラベルに対して比較します。ブースティングモデルは木を追加するごとに予測値を出すため、各チェックポイントを評価と後の選択における別々の候補として数えます。ノートブックでは、ペナルティ付き線形モデルとも比較し、相互作用項を手作業で加えなくても木が特徴量間の条件付…

この探索的分析では、オプション契約とチェーンの構造を紹介し、8つの原資産を対象とするS&P…

このノートブックでは、適格な全データ網羅候補のうち検証シャープレシオが最も高い配分系列に対し、ポジション単位の損切り、トレーリングストップ、時間決済を評価します。各オーバーレイを、オーバーレイなしの親構成と比較してリスクルールの効果を切り分けます。ペアのブロック・ブートストラップ区間で、ドローダウンとの比較に加え、シャープレシオの差がゼロと区別できるかを評価します。選択と調整には検証データのみを使います。同じ価格経路で閾値の設定と評価を行うことになるため、検証全体のMAE較正閾値は除外します。固定した構成の評価に…

このノートブックでは、ストラドルを売るS&P 500オプション戦略のポートフォリオ配分ルールを比較します。選択済み銘柄とその他の戦略設定を固定し、等ウェイトのベースラインを、モデル予測または原資産リターンのリスク推定を使う配分手法に置き換えます。候補には、スコア加重、逆ボラティリティ、リスクパリティ、階層的リスクパリティ、縮小平均分散最適化、予測区間幅に基づくコンフォーマル加重が含まれます。…

このノートブックでは、アンサンブルメンバー間で2層の特徴量ネットワークを共有する表形式ニューラルネットワーク構造、TabMを適用します。各メンバーは独自に学習したベクトルで共有表現のスケールを調整し、それぞれの出力層を使います。メンバー予測の平均化により、個別の完全なネットワークを学習するより低コストでアンサンブルの多様性を保つことを目指します。他の学習設定を固定し、層の幅とメンバー数を変える3つの構成を宣言します。予測対象はショート・ストラドルのリターンです。…

この文書では、大規模なS&P 500オプションチェーンを、調査用の日次銘柄別データセットに整理する方法を説明します。サーフェスの概要では、満期区分ごとに目標絶対デルタに最も近いオプションを選び、複数の期間のアット・ザ・マネーのインプライド・ボラティリティ、25デルタのプット・コール・スキュー、期間構造の指標、相対スプレッド、収束品質を算出します。未解決のインプライド・ボラティリティは除外し、仮置き値が集計を汚染しないようにします。…

このノートブックでは、金融特徴量が10セッションのデルタヘッジ済みオプションリターンのラベルを説明するのに役立つかを検討しています。インプライド・ボラティリティ特徴量を1つ使うRidgeモデル、インプライド・ボラティリティに依存する特徴量と独立した特徴量のグループを使うモデル、全特徴量を使うモデルを比較します。すべての比較で、ラベルごとに同一のウォークフォワード分割と検証キーを使用し、日次順位情報係数を不確実性の推定値とともに要約しています。ICの計算には、一貫して最小クロスセクショナル・サンプル数を適用していま…

このノートブックでは、以前に選択されたS&P 500オプションモデルについて、アウトオブサンプル予測セットの作成方法を説明します。検証結果を使って設定を固定し、ホールドアウト前のデータでその設定を再学習して、ホールドアウト期間の予測を記録・登録します。学習IDの確認によって、検証時の学習実行に誤って紐付いた予測と、正しく再学習された予測を区別します。満期時に確定するリターンは固定期間の目標値より後に確定するため、学習のカットオフにはオプションの全サイクル分のラベルバッファも含めます。…

このノートブックでは、S&P 500オプション研究における事前定義済みモデル群の一つとして、トランスフォーマー型系列モデルPatchTSTを適合させます。過去データ系列を固定長のパッチに分割し、トークンとして埋め込み、ウィンドウ内の位置同士の関係をアテンションで捉えます。LSTMの逐次的な再帰処理と比べると、アテンションは系列内の離れた部分を直接結び付け、ウィンドウを並列処理できます。位置情報は位置埋め込みを通じて学習する必要があり、パラメーター数が多いため、データが限られると適合が難しくなる場合があります。…

この文書では、S&P 500オプションの検証予測について、線形モデル、勾配ブースティング、表形式の深層学習モデル、系列モデルを比較する方法を説明します。診断結果を報告する前に、登録された各予測母集団が適格性要件に照らして完全であること、また全母集団が同じ交差検証IDを共有することを確認します。系列モデルにはルックバック履歴が必要なため、対象となる行が異なります。比較が意味を持つのは適格性が一致するグループ内であり、モデル群をまたぐ比較が自動的に妥当となるわけではありません。…

このノートブックでは、観測された交絡因子を調整した後も、インプライド・ボラティリティと実現ボラティリティの差が、その後の株式リターンと関連するかを二重機械学習で調べます。関連する調整変数として、実現ボラティリティ、株式モメンタム、リスクリバーサルのスキューを特定し、同じクロスフィット済み観測値を使った単純な通常最小二乗法の推定値と調整後の推定値を比較します。分析では、ブロック置換による反証検定と、パネル構造を考慮した不確実性推定も用います。…