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。
297件の資料
このノートブックでは、損失の分位点を示すバリュー・アット・リスク（VaR）と、その閾値を超える損失の平均を示す条件付きバリュー・アット・リスク（CVaR）を解説します。日次ETFリターンを使い、ヒストリカル法、ガウス法、Cornish–Fisher補正、スチューデントt分布によるモンテカルロ推定を比較します。次に例外の件数を数え、その頻度が指定された信頼水準に合うか検定してVaRのカバレッジを評価します。ただし、頻度検定では例外の時間的な集中を検出できないと強調しています。…
このノートブックでは、ノイズを含む共分散推定値への感度を抑えることを目的としたポートフォリオ構築手法、階層的リスクパリティ（HRP）を説明します。3段階の手順を紹介します。相関距離で資産をクラスタリングし、得られた階層に従って並べ替え、クラスタを再帰的に分割して分散の小さい側により大きな比率を割り当てます。また、共分散行列の逆行列計算が推定誤差を増幅し得る平均・分散最適化や、逆行列計算の前に共分散推定を安定化させる縮小法と、HRPを比較します。…
このノートブックでは、シグナルと配分からコスト、リスク調整までの戦略パイプラインを通じて、登録済みのETFバックテストを評価します。モデルの学習や新たなバックテストの追加は行わず、既存の予測とバックテストを読み込み、登録結果からコホート指標と対応比較指標を算出します。報告する分析には、戦略指標のブートストラップ信頼区間、選択バイアス指標、段階間の比較、検証期間およびホールドアウト期間での均等配分ETFユニバースとの比較が含まれます。…
このノートブックでは、同じ予測順位で選んだETFポートフォリオについて、均等配分、スコア加重、逆ボラティリティ、リスクパリティ、平均・分散最適化、階層的リスクパリティの6つの加重方法を比較します。選定するファンド数も配分方法と併せて変えます。集中したバスケットでは加重方法の差が出にくく、リスク特性の異なるファンドが含まれると差が広がる可能性があるためです。…
このノートブックでは、複数のトレード事例研究で登録された二重機械学習の推定値を集め、不確実性と診断結果を比較します。各研究の登録情報から最新の行を読み込み、登録情報の整合性とラベルの一意性を確認し、カバレッジを明示してHAC統計量と信頼区間を算出します。推定効果の単位はそれぞれ異なるため、フォレストプロットでは生の効果量を順位付けせず、無次元のHAC統計量を比較します。また、単純なOLS係数と直交化推定値を対比し、交絡バイアス指標とブロック置換による反証結果をまとめ、複数のラベルと実際に異なる予測期間を区別します…
このノートブックでは、ETFの配分バックテストを診断する枠組みを示します。シャープレシオ、ソルティノレシオ、カルマーレシオ、ボラティリティ、バリュー・アット・リスク、最大ドローダウンなどのリスク・リターン指標を算出し、ローリング成績とドローダウンからの回復を追跡します。また、アルファ、ベータ、トラッキングエラー、インフォメーションレシオ、キャプチャー指標を用いて、ポートフォリオをSPYと比較します。選定した市場ストレス期間中のリターンも調べます。分析対象のポートフォリオは、登録情報から検証用シャープレシオが最も高…
このノートブックでは、ベースライン選択プロセスをすでに通過した暗号資産無期限先物の戦略について、6つの配分方法を比較します。各戦略の予測とエントリールールは固定し、資本の割り当て方を変えます。ある配分方法はモデルスコアを使い、複数の方法は資産ボラティリティまたは共分散を使い、別の方法は予測の過去の不確実性を使います。共分散行列を推定する方法は、逆ボラティリティ法よりも、利用可能なリターン履歴から多くのパラメータを推定する必要があり、ウェイトが不安定になることがあります。…
このモジュールは、検証段階と戦略ラベルをまたいだホールドアウト選択フィールドの構築方法を定めます。固定済み候補集合とライブ再構築で異なる構成が選ばれたり、後続分析で勝者と異なるラベルが使われたりする不整合に対処します。共通の構築には、宣言されたラベル全体のシグナル、配分、リスクオーバーレイの各段階が含まれ、後続処理では選択された結果のラベルを読み取ります。…
このノートブックでは、期待対数資産を最大化して二者択一の賭けに対するケリー基準のサイズを導き、賭け金の大きさがシミュレーションによる資産推移の分布をどう変えるかを示します。枠組みを連続リターンと複数資産のポートフォリオに拡張します。そこでよく知られた平均分散比の式は、対数関数を有限項で展開した近似に依存します。ポートフォリオの解について、そこから導かれるレバレッジと、資本を使い果たす可能性のある逆方向の値動きを調べます。市場データから期待リターンと共分散を推定する場合、ローリング推定でポジションサイズがどれほど不…
このノートブックでは、事前に選んだETF戦略を、確保したホールドアウト期間で評価します。学習時の識別情報とチェックポイントが一致する予測を取得し、先に定めた戦略仕様と取引コストを適用して、バックテストを登録します。集中度、配分、リスクオーバーレイ、リバランス頻度を含む構成は、ホールドアウトを実行する前に固定します。配分がコンフォーマル予測の幅に依存する場合は、検証残差からその幅を求め、将来リターンのラベルがホールドアウトと重なる残差を除外します。…
このノートブックでは、流動性の高いUS株の一部に主成分分析を適用し、潜在因子を抽出してロング・ショートの固有ポートフォリオを構築します。標準化されたPCAベクトルを生リターンのウェイトに変換し、グロスエクスポージャーで正規化する方法を説明します。さらに、説明分散、セクターとの関連、階層的PCA、残差の挙動、ポートフォリオのリスク分解を検討します。セクターETFとの相関を使い、名前の付いていない成分に説明的なラベルを付けます。…
このノートブックでは、複数の通貨を共有する通貨ペア間でリターンが連動する市場を対象に、線形モデルの正則化を検討します。リッジ、ラッソ、エラスティックネットで対処できる特徴量の共線性と、順位付け対象の資産間にある依存関係を区別します。係数へのペナルティでは、後者は解消されません。リッジは特徴量を残しながら係数を縮小し、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性質を組み合わせます。ペナルティ設定は各学習フォールド内で決め、共通のウォークフォワードサンプルでモデルを学習・評価します。…
このノートブックでは、過去のUS株式リターンから相関ネットワークを作り、ポートフォリオ構築を検討します。推定期間のデータを使って流動性の高いユニバースを選び、ペアごとの相関を距離に変換し、密な依存構造を見やすくするため最小全域木（MST）を抽出します。次数、媒介、近接の各中心性で、資産がその木の中で占める位置を表します。次に、ポジション上限の範囲内で、構造的なハブへのウェイトを低くする逆中心性ルールを適用します。このノートブックでは、これらの配分をポートフォリオのベンチマークと比較し、定型化したショック伝播の感応…
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。…
この文書では、シグナル選択とポジションサイズを切り分けるためのFXポートフォリオ配分探索について説明します。検証バックテストの成績で順位付けした、凍結済みの等ウェイト基準候補から始め、各モデルのチェックポイントとシグナルの対応関係を保ちながら設定を進めます。予測、選択済みペア、取引コスト、執行前提は固定したまま、配分ルールを変えます。結果の各戦略仕様を基準と照合し、配分以外の項目への変更は拒否します。…
この横断的な分析では、情報係数（IC）で測定した予測情報が、9つのトレード事例でポートフォリオのシャープレシオにどう結び付くかを調べます。中心となる点は、実装がこの関係を左右するということです。エントリー規則、ポジションサイズ、リバランス頻度、取引コストによって、シグナルの順位付け能力が戦略のパフォーマンスにつながるかが決まります。同じ選択済み設定について、ホールドアウトのICとホールドアウトのシャープレシオを比較し、検証期間とホールドアウト期間のシャープレシオも比較します。また、ICで首位のモデル群がシャープレ…
この事例研究では、CME先物の複数のポジションサイズ手法を等ウェイトのベースラインと比較します。逆ボラティリティ方式では各コントラクト固有のボラティリティを使い、共分散ベースの方式では商品間の関係も考慮します。これらの方法は分散投資を改善する可能性がありますが、限られた履歴からより多くの量を推定する必要があり、ノイズが増幅されることもあります。ノートブックでは強いシグナル設定を候補リストに絞り、各判断より前に利用可能な価格履歴を使って、宣言済みの配分方法を適用します。…
このノートブックでは、予測値、集中度、配分ルールを固定したまま、有力なETF資産配分の設定を2種類のコストグリッドで再評価します。事例研究で使う株当たり手数料と半スプレッドのモデルと、取引額に比例して課金するベーシスポイントのグリッドを比較します。前者はETFの取引コストと株数の関係を反映します。複数のコスト水準で登録済みのバックテストを行って成績低下曲線を作り、純シャープレシオがゼロになる水準や、テストしたグリッドがその交差をどこまで限定するかを評価できます。この比較はコストの仮定への感応度を明らかにするもので…
この研究では、登録済みの各戦略設定を固定したまま、有力なETFの資産配分とリスク管理の組み合わせを2種類のコストグリッドで再評価します。一方は取引ごとのベーシスポイント、もう一方は事例研究で定めたコスト基準である株当たり手数料と半スプレッドを使います。固定スプレッドが価格水準の異なるファンドに対して異なる価格比率を表すため、2つのパネルは異なる問いに答えます。点ごとではなく、成績の低下パターンと損益分岐水準を比べる必要があります。…
このノートブックでは、通貨ペアの予測ランキングを取引するベースラインに変換します。各判断時点で、順位が最も高いペアをロング、最も低いペアをショートとして同数ずつ組み入れ、FXバックテストエンジンで評価します。ポジションサイズや配分に関する後続の判断からランキングの寄与を切り分けるため、均等加重を用います。ポートフォリオサイズのグリッドで各側の集中度を変え、対象となる通貨ペア数によって各側で保有可能な異なるペアの数を制限します。…
このモジュールでは、エンドツーエンドのポートフォリオ学習に使う微分可能な目的関数を定義します。ボラティリティ調整により、資産ごとの上限付きリスクウェイトをポートフォリオのエクスポージャーに変換し、利用可能な資産のグロスリターンを平均します。また、前期のウェイトからの変化に基づく取引コストを任意で差し引きます。リターン系列の評価から初期学習期間を除外できます。…
このノートブックでは、CME先物のモデル予測を評価するシグナル段階のベースラインを設定します。週次の各判断時点で、予測リターンに基づいて商品を順位付けし、上位群を買い、下位群を売り、各ポジションを均等加重します。各側の商品数を変えて、集中度が比較にどう影響するかを示します。この段階では配分、リスク管理、取引コストを除外し、後続のポートフォリオ手法の明確な比較基準とします。…
この設定では、ロングのみのETFランキングとリバランスの実験を定義します。株式、債券、コモディティ、地域別エクスポージャーにまたがる幅広い100～ETFの対象を定め、月次で判断し、翌営業日の寄り付きで執行します。主要ラベルは21日リターンを予測します。5日ラベルには週次スケジュールを用い、バックテストの頻度を予測期間により合わせます。ポジションはランキングで選び、均等加重します。複数のポートフォリオ集中度で上位k銘柄の選択を検証します。…
機関投資家の株式保有データにWord2Vecのskip-gramを応用します。各機関のポートフォリオを文、銘柄IDをトークン、報告された保有額順のポジションを単語順として扱います。類似したポートフォリオの文脈に繰り返し現れる銘柄は近い埋め込み表現を持つようになり、機関投資家のポートフォリオ行動を表現し、経済的に類似した資産を見つける方法となります。…