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。
619件の資料
このノートブックでは、実際のETFデータを使い、妥当な範囲でルックバック期間、相場局面、実装を変えてもモメンタムシグナルが有用かを評価します。モメンタムと将来リターンの横断面情報係数を計算し、ルックバックのパラメーターを一度に1つずつ動かして、性能を応答曲面として確認します。頑健性は単一の最良結果の高さではなく、ピーク付近を保つパラメーターの幅で捉えます。HACの標準誤差は、系列依存と重複する将来リターンのラベルを考慮します。…
この文書では、調査エージェントの会話記録とは別に、構造化された状態記録を提示します。記録には質問と基準時点、収集した証拠、未解決の疑問、ツール呼び出し履歴、ゲートの判定、統合状況が保存されます。証拠とツールの記録を分けると、検索を実行して結果がなかった場合と、検索自体を行わなかった場合を区別しやすくなります。状態の保存と復元により、処理の再開や実行間の比較が可能になります。…
この実現可能性分析では、利用可能なパネルデータでUS企業の特性に基づく月次ロング・ショート戦略を評価できるか確認します。指標が順位として符号化されているかを検証し、企業を観測できる期間を示し、各リバランス日に両側のポジションに必要な数と企業数を比較します。月次スプレッドを想定した取引コストの範囲と照合し、ホールドアウトを未使用のまま、履歴がウォークフォワード検証を繰り返せるだけあるかも確認します。モデルの学習も予測も行いません。…
このノートブックでは、リターンを予測することと、モメンタムがリターンを引き起こすと主張することを区別します。直近1か月を除く前年の株式リターンを処置変数、将来リターンを結果変数として扱います。直近のボラティリティ、非流動性順位、出来高比率を交絡因子候補として指定します。ダブル機械学習では、それらの変数から結果変数と処置変数の双方をモデル化し、残差化した結果変数を残差化した処置変数に回帰して効果を推定します。将来情報を使わないよう、両方の補助モデルをエンバーゴ付きのウォークフォワード方式で学習します。…
このユーティリティでは、クオンツ調査パイプラインが生成するデータ成果物の診断手順を説明します。数値列ごとに、欠損値、有限でない値、ゼロ、異なる値の数、分位点、裾の挙動を確認し、設定可能な助言用しきい値を超える列にフラグを付けます。また、生成されたキーを明示的に宣言した期待ユニバースと比較し、キーが不足した出力でも既存行が完全なだけで問題なしと見なされないよう、欠落キーと想定外のキーを報告します。…
このノートブックでは、分割コンフォーマル予測を使ってグラディエントブースティング予測の区間を構築します。先の学習区間でモデルを学習し、その後の較正区間で絶対残差を測定し、有限標本の順序統計量から区間幅を設定します。較正区間は時系列順に分け、ラベル期間に応じたエンバーゴを学習区間との間に設けて、将来を参照するターゲットからの情報漏洩に対処します。ETF、暗号資産、先物データを対象に、分位点回帰、コンフォーマル化分位点回帰、適応型コンフォーマル推論を含め、区間のカバレッジと幅を比較します。…
このノートブックでは、4つの基準ETF配分を、過去の危機期間、手作業で設定した複数資産への同時ショック、Student-tモンテカルロシミュレーション、市場レジーム統計を使って比較します。最大ドローダウンの指標を説明し、日次の固定ウェイト・ポートフォリオで複利リターン、ドローダウン、その他のストレス時の結果を調べます。過去の再現には世界金融危機、COVID、2022の2022年の金融引き締め期など主要な下落局面を含みます。仮想シナリオでは、複数の保有資産が同時にショックを受けた場合のポートフォリオの反応を検証しま…
このノートブックでは、日次OHLCVデータのライフサイクルを説明します。初期履歴を読み込み、短い重複期間を含む差分を取得し、欠落した取引日を検出して、各銘柄のデータ鮮度と検証上の問題を要約します。更新期間をデータ提供元で確定済みの最新バーまでにする理由を説明します。当日分の行には未確定の価格が含まれる場合があります。また、重複期間を設けるとベンダーの改訂を取り込みやすくなります。用途に応じた差分更新、追記のみ、全件更新、過去データの補完の方法も取り上げます。…
このノートブックでは、以前に選択した企業特性予測と固定されたポートフォリオ設定を1年間のホールドアウト期間に適用します。アウトオブサンプル評価を保つため、予測、配分、集中度、リバランス、取引コストについて新たな選択は行いません。ポートフォリオのコンフォーマル配分器は検証残差を使って予測の信頼性を推定します。残差が少なすぎる企業には、複数企業をまとめた代替幅を適用します。ウェイトはポートフォリオの各区分で幅の逆数を相対比較して決めるため、予測リターンの大きさだけを優先せず、信頼性を重視します。…
このノートブックでは、13F提出書類から構築した機関投資家の保有銘柄グラフを用いて、読み取り専用の質問応答ワークフローを示します。自然言語からデータベースクエリを生成する代わりに、対応が明確な質問を、対象エンティティを固定した手書きのCypherテンプレートに振り分けます。テンプレートは保有者、2銘柄を共通保有する機関、またはある機関の上位保有銘柄を取得します。データ提供元のスナップショットから最新の提出日を取得します。クエリでは公開済みの情報に絞り、最も新しい報告期間を選択することで、これら二つの時点を区別しま…
この分析では、事例ごとのオーバーレイ・バックテストをレジストリから読み込み、シャープレシオと最大ドローダウンを配分段階のベースラインと比較します。配分段階の値がない場合はシグナル段階の値を使います。設定をルールの種類に分類し、各調査で最もシャープレシオが高いオーバーレイと、カテゴリーごとの平均、中央値、改善率を報告します。パラメーター検討での最良結果は、最大値を選ぶことで改善が実際以上に見えるため、典型的な設定とは分けて扱います。…
このノートブックでは、ヨーロピアン・コールとプットのブラック・ショールズ価格を求め、プット・コール・パリティを確認し、ブレント法でインプライド・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てオプションの感応度がどう変わるかを図示します。グリークスはヘッジやエクスポージャーの把握に役立つ局所的な指標として扱います。インプライド・ボラティリティは、モデル価格が観測されたオプション価格と一致するボラティリティ入力です。…
この章では、強化学習を教師あり予測と区別し、逐次制御の手法として位置付けます。行動が後の結果に影響し、報酬が比較的明確なタスク、すなわち取引執行、マーケットメイク、デリバティブのヘッジに焦点を当てます。これらの問題を部分観測意思決定過程に対応付ける方法、価値ベース手法とアクター・クリティック手法の選び方、学習した方策を既存のスケジュールやヘッジのベンチマークと比較する方法を論じます。…
このノートブックでは、固定された検証候補群から選ばれたFX通貨ペアの設定を再構成し、検証とホールドアウトの証拠を評価します。選択には適格な候補のうち最も高い検証シャープレシオを用い、同値の場合はバックテスト識別情報で決定的に順位付けします。コスト違いの設定は候補群に含めません。モデル系列、設定、ラベル、チェックポイントによってホールドアウトの系譜を照合します。実際に再学習すれば学習識別情報が異なるためです。分析では、登録済みのホールドアウト予測とバックテストを読み込み、出所を確認し、検証、ホールドアウト、および両…
この共通ユーティリティモジュールは、時系列の二重機械学習（DML）を用いた取引データの因果分析を支援します。文書化された機能には、エンバーゴを伴うウォークフォワード推定、補助モデル、反証チェックが含まれます。プラセボ検定でのブロック置換は局所的な時系列依存性を保ちます。パネル置換では、エンティティごと、および観測時刻グリッドの空白ごとに区切り、不連続をまたいでブロックが移動しないようにします。また、実際の観測頻度を測定し、ラベルのバッファ期間を適切なエンバーゴに換算します。固定のバーサイズを仮定すると、誤解を招く…
このノートブックでは、1年から30年までの8つの米国債固定満期利回りの変化に主成分分析を適用します。利回りに変化がない前方補完済みのカレンダー行を除き、残った観測値をPCAの前に標準化して、すべての満期が等しく影響するようにします。第1から第3主成分を「水準」「傾き」「曲率」と解釈します。これは平行移動、スティープ化またはフラット化、中央部と両端のねじれを表します。解釈を一貫させるために主成分の符号を固定し、ブートストラップ再標本化で負荷量の安定性を調べます。…
この分析では、4つの予測ラベルと複数の戦略段階にまたがる、固定された暗号資産無期限先物候補群から設定を1つ選びます。検証シャープレシオが最も高い設定を選び、ラベル、分割、執行の詳細を比較可能な候補の定義に含めます。次に、選んだリターン系列の不確実性と、多数の候補を探索したことによる不確実性を区別します。ブロック・ブートストラップ区間は標本変動を推定し、デフレート・シャープレシオの各手法は候補群の選択効果を調整します。また、従来の有意性に必要な期間を報告し、資金調達料によるリターンを手数料やスリッページから分けて示…
このノートブックでは、ボラティリティ、モメンタム、クロスセクションのキャリー順位から独立して、先物キャリーがその後のリターンを予測するかを二重機械学習で推定します。柔軟なモデルとクロスフィッティングを用いて、キャリーとリターンの双方から交絡要因の影響を除き、残差から効果を推定します。結果変数は2つのリターン期間で評価します。HAC不確実性では、変動するボラティリティと重複する結果期間を考慮します。また、ブロック置換による反証では、処置ブロックを並べ替えた後の推定値と、観測されたHAC統計量を比較します。…
このノートブックでは、さまざまな市場環境で成績の改善を目指す、エンドツーエンドのETFポートフォリオ方針であるDeePMを説明します。構成要素には、ボラティリティで基準化したリターンとトレンドの特徴量、LSTMベースのモデル、変数選択、条件付け層、資産クラスのグラフで制約されたクロスアセット・アテンションが含まれます。このグラフはグループ内のつながりと、グループ間の選択された関係を表します。SoftMin目的関数はローリング学習期間の中で最も弱い区間を重視し、コストを考慮した学習では売買回転率にペナルティを課しま…
このノートブックでは、観測された価格経路に基づきトリプルバリアの幅を決めるため、最大有利変動と最大不利変動の分析を用います。バーの終値でロングに入る場合、以降の保有期間における最高値と最安値を測定します。ショートでは、どの変動を有利・不利とみなすかを逆にします。期間は次のバーから始め、終値でのエントリーより前に生じた価格極値を使わないようにします。異なる資産やボラティリティ・レジームを比較するため、変動幅は平均真の値幅でも基準化します。…
このノートブックでは、同じシグナルを使っても2つのバックテストエンジンで結果が異なる理由を調べます。戦略と取引可能なユニバースを固定し、予測が同値の場合のポートフォリオ比率を決定論的にして、端株と整数株、手数料用の準備金、約定順序などの執行設定を明示します。各設定を明示した基準構成に対して変更し、最終評価額と約定件数で結果を比較します。…
この章では、バックテストを、シグナルのタイミング、執行、リバランス、ポジションサイズ、コスト、制約、ベンチマークに関する明示的な仮定を通じて戦略を反証しようとする試みとして扱います。状態、注文順序、現金、約定の扱いからベクトル化シミュレーションとイベント駆動シミュレーションを比較し、同等性を確認する演習で、プロトコルの選択が結果に及ぼす影響を切り分けます。単純なETFベースラインを、以降の比較の基準として用います。…
この資料では、変更不可の学習仕様からモデル要求を再構築し、実行結果を検証するための保護策を説明します。要求がサポート対象の識別情報バージョン、標準の実行階層、一致するモデル系列と研究、一貫した学習識別情報を使用しているかを確認します。固定ホールドアウトでは、ホールドアウト分割であること、完全なフォールドが1つあること、学習および評価の境界が正確であることを明示する必要があります。…
このノートブックでは、Kalshiの二値型の連邦準備制度金利契約を確率として読み取り、金利の閾値を並べた契約群からインプライド分布を作る方法を説明します。フィードに含まれるのはYESの買い気配であるため、スプレッドの影響を受ける価格は下限値だと強調します。閾値の順序違反は診断材料であり、裁定機会の証明ではありません。…