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。
81件の資料
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。…
このノートブックでは、価格ボラティリティ、ファンディングレート、プレミアム偏差の平均という宣言された3つの要因を一定に保った場合に、暗号資産無期限先物のプレミアムzスコアが、その後の8時間リターンに影響するかを推定します。処置変数は連続値のため、推定対象はプレミアムzスコアの1単位あたりの期待リターンの変化を表す傾きです。この介入に関する問いを、リターン予測やトレード戦略の評価とは区別します。…
この探索的分析では、暗号資産無期限先物の時間足OHLCVと8時間ごとのプレミアム指数を分析します。銘柄と日付のカバレッジ、契約銘柄の入れ替わり、プレミアムの単位と分布、OHLCの整合性、欠損値、時間足価格と頻度の低いプレミアム観測値の整合を調べます。プレミアムはインデックスに対するインパクト買値・売値に基づき、デッドゾーンによって厳密にゼロとなる場合があると説明します。プレミアムの符号だけでは、どちらの側がファンディングを支払うかは決まりません。…
このノートブックでは、重み共有型ニューラルアンサンブルのTabMを、暗号資産無期限先物の特徴量パネルに適用します。各メンバーはニューラルネットワークの基幹部を共有しながら、個別のスケーリングベクトルと出力層を持ちます。これにより、効率的なアンサンブルと相関する入力間の非線形な相互作用を組み合わせます。ワークフローでは、回帰、二値方向、三クラス方向の目的変数を扱い、不均衡ラベルにはフォールドごとのクラス重みを適用します。また、複数の学習チェックポイントで予測を保存・登録し、各チェックポイントを個別の候補モデルとして…
このノートブックでは、無期限先物の資金調達率特徴量を学習した系列表現が、無期限価格と現物価格の差であるプレミアムを手作業で要約した特徴量を上回るか、焦点を絞って検証します。直近ウィンドウ内の変化に線形写像を適用するNLinearと、再帰型のLSTMを比較します。両者で特徴量の順序、フォールド、欠損データの規則、チェックポイントのスケジュールをそろえ、測定差をより明確にアーキテクチャに帰属できるようにします。このノートブックは実験を定義し、検証予測を記録します。戦略の選定はここではなく、後続のバックテストで行います…
このノートブックでは、モデルの順位付けをシンプルな暗号資産無期限先物ポートフォリオに反映します。各ファンディング時点で、エントリー規則が順位の上位または下位から契約を選び、均等に加重します。均等加重を基準にすると、ポジションサイズを固定したまま、比較結果の差を順位付けの違いに帰属できます。指定された予測構成にエントリー規則を適用して実行し、結果を後の分析用に登録します。…
このノートブックでは、無期限先物のファンディング研究における複数モデル群の検証予測を比較します。情報係数は予測値とその後のリターンの順位相関、AUCは上昇・下落ラベルの順位付け、対数損失は確信度の高い誤りに大きなペナルティを課す確率予測の精度を測る指標だと説明します。それぞれ異なる問いに答えるため、AUCが改善する一方で対数損失が悪化することもあります。また、どちらの順位指標も、有用なリターンの大きさや確率の較正を示すものではありません。…
このノートブックでは、永久先物のプレミアムのzスコアが、その後8時間のリターンと関連するかを、処置前の6つの統制変数で調整してダブル機械学習により推定します。高ボラティリティと低ボラティリティのレジームで別々にフィットし、処置とレジームの交互作用も使って効果を比較します。データは複数銘柄のパネル形式で構成されているため、クロスフィッティング、エンバーゴの適用、Driscoll–Kraay標準誤差の計算では、各タイムスタンプを1つの意思決定期間として扱います。…
このノートブックでは、イベント駆動型バックテストエンジンを使って、BTC/USDTの無期限先物バーを対象とするロング限定のRSI平均回帰ルールを実装します。イントラデイの観測値をUTCの日足バーに集約し、上昇幅と下落幅の単純なローリングRSIを計算します。指標が売られ過ぎの閾値を下回るとエントリーし、買われ過ぎの閾値を上回ると決済します。戦略は資本に対する所定の割合を目標とし、手数料とスリッページをモデル化します。逐次エンジンでは、判断、未約定注文、約定、ポジション、現金を明示的に表現し、経路依存のロジックを扱え…