ナレッジライブラリ

このノートブックでは、標準化されたETFデータの読み込み、特徴量レジストリ、シグナル診断をつなぐワークフローを紹介します。指標のメタデータを確認し、デフォルト値や明示したパラメーターで特徴量を計算し、設定を保存して再現可能なパイプラインにする方法を示します。指標の複数の期間は、別々に計算して結合できます。ライブラリのRSIと手動の指数平滑化版を比べ、平滑化方法などの実装上の選択によって値が変わる例も示します。…

このノートブックでは、匿名化された企業特性とリターンのパネルを使い、ランダムフォレストをXGBoost、LightGBM、CatBoostと比較します。データセットには時系列に沿った学習、検証、テストの分割が用意されています。主な評価指標にはスピアマン順位情報係数を使い、追加指標としてR²と平均二乗誤差も用います。ブースティングモデルには正則化とサンプリング制御を使い、XGBoostでは検証データに基づく早期終了で反復回数も選びます。…

このノートブックでは、バリュー・アット・リスクを損失の分位点として、条件付きバリュー・アット・リスク、すなわち期待ショートフォールを、その閾値を超える損失の平均として説明します。幅広い株式ETFを対象に、経験的な過去分位点、ガウスモデル、歪度と尖度を調整するCornish-Fisher法、適合したStudent-t分布からのシミュレーションという4つの手法で、1日分のテールリスクを推定します。次に予測値と実現損失を比較し、例外の件数を調べ、5つのETFを均等加重したバスケットで分散効果を検討します。…

このノートブックでは、選択した暗号資産無期限先物の資金調達戦略について、ホールドアウト予測を作成する方法を説明します。検証結果から設定を特定し、選択されたチェックポイントを引き継ぎ、ホールドアウト期間前に終わるデータで新たな学習仕様を作成します。ラベルバッファーによってラベルの結果期間がホールドアウト期間に及ばないようにし、検証時の適合とは異なる学習識別子が生成されたことを確認します。…

このノートブックでは、登録済みでカバレッジが十分な候補から検証用設定を再構築し、選択済みのS&P 500株式・オプション戦略を評価します。均等加重のベースラインから配分、リスク制御、コスト感応度へと続く選択過程を追い、別の予測段階とバックテスト段階で得られたホールドアウト結果を確認します。各診断を分けて扱い、段階ごとの推移、リスク変化の対応のある不確実性、コスト控除後の維持、複数設定を試したことへの補正を評価します。…

この文書では、リターンを重複する期間に分け、各期間を経験分布として扱うことで相場局面を識別する方法を説明します。対応する順序付き分位点を使って期間間の距離を測るため、平均や分散が似ていても、極端な損失の位置を含む分布全体の違いが重要になることがあります。クラスタリングには、ワッサースタイン距離を用いたLloydアルゴリズムを使い、距離の指数に応じて分位点ごとの中央値または平均をクラスタ代表値とします。…

この調査では、NVDAのマーケット・バイ・オーダーデータから、分単位の注文フロー圧力指標を作成します。注文の追加、取消、約定を売買側別に符号付けし、イベントの規模と仲値からの距離で重み付けして、得られた圧力系列を平滑化します。続いて、仲値での事後評価価格と判断時点で約定可能な価格の両方を用い、複数の将来期間でこの指標がリターンを予測するかを調べ、統計的な関連と実際に取引可能な成績を区別します。…

このノートブックでは、計測可能な潜在ファクターモデルの構造を保ちながら、企業特性からファクター・エクスポージャーへの線形写像をニューラルネットワークに置き換える条件付きオートエンコーダを提示します。月次リターンは、特性に応じたエクスポージャーと月次ファクターリターンの積として表されます。この手法は2段階のファクター構造を維持しながら、企業属性とファクター・エクスポージャーの非線形な関係を許容します。…

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。…

このノートブックでは、大手US企業の一部を対象に、直近の10-K提出書類から抜粋した文章を使い、ローカルで実行するオープンウェイトの埋め込みモデル2つを検索タスクで比較します。両モデルには、技術、リスク、一般的なビジネストピックにまたがる固定クエリ群と、同じ2文の文章を与えます。実行を再現できるよう、コーパスとクエリセットをハッシュ化し、ノートブックではPrecision at kや平均逆順位などの検索指標を説明します。…

このノートブックでは、S&P…

この文書では、オプション由来の特徴量から将来の株式リターンとリスク調整後リターンを予測するため、重み共有型ニューラルアンサンブルのTabMを適合させます。各メンバーは共通の2層ネットワークを使い、活性化のスケーリングと出力ヘッドは別々に持ち、予測を平均します。この手法は、オプション面にある相関した特徴量を動機としています。逐次的な分岐で特徴量を選ぶ木とは異なり、ネットワークは重み付きの層で特徴量を組み合わせます。宣言済みの学習チェックポイントにより、保存した各エポックを個別に評価でき、ウォークフォワードのフォール…

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。…

このノートブックでは、通貨ペアのリターン予測に線形モデルの正則化を適用します。入力特徴量間の多重共線性と、資産間の依存性を区別します。通貨ペアは共通の通貨を含むため、そのリターンや順位は独立ではありません。Ridgeは特徴量を残したまま係数を縮小し、Lassoは係数をゼロにできます。ElasticNetはその両方を組み合わせます。LassoとElasticNetのペナルティはフォールドごとのしきい値に対してスケーリングし、フォールド間で設定の意味がそろうようにします。…

この設定メモでは、3クラス分類ラベルに対するL1ロジスティック回帰で、sagaソルバーとより厳しい収束許容誤差を選んだ理由を説明します。Nasdaqの市場マイクロ構造パネルで計測した実行時間と、報告されたアウト・オブ・サンプルの対数損失および正解率を挙げ、sagaとliblinearを比較します。計測した実行では速度と予測指標の両方でsagaが優れていましたが、パネル全体での実行時間は不確かだと報告されています。…

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、ボラティリティの測定方法を比較し、粗さ分析とあわせて異質自己回帰（HAR）ボラティリティモデルを構築します。日中リターンから取引時間中の実現分散を推定し、日中の値動きと夜間リターンを区別したうえで、日次レンジに基づく推定量をより高頻度の指標と照合します。企業行動を調整していない価格、不完全な取引時間、欠落した取引所取引日など、データ上の落とし穴も指摘します。HARは短期・中期・長期のボラティリティ平均を組み合わせるため、係数を異なる市場リズムの寄与として解釈できます。説明変数の重なりがあるた…

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、CSV、Parquet、Feather、HDF5の各形式で、決定論的に生成した100万行のOHLCVパネルを保存・比較します。書き込み時間、データを実体化した読み込み時間、ファイルサイズ、2列だけを選択した読み込みを計測します。計測では書き込みを1回行い、ウォームアップ後にキャッシュが温まった状態で読み込みを繰り返し、その平均を取ります。Featherのメモリマップ読み込みをデータアクセス完了と誤認しないよう、データを実体化し、全件読み込みごとに期待した行数が返ることも検証します。…

このノートブックでは、金融ニュースの見出しを銘柄ごとのシグナルに変換するパイプラインを紹介します。ニュースコーパスを整形・標準化し、ティッカーと日付の組み合わせごとに完全一致または前方一致する重複を除去したうえで、文埋め込みを使って見出しの意味を表現します。ニュースサプライズは、ある日の埋め込みが直近の基準値からどれだけ離れているかを測ります。センチメント特徴量は平均的な極性と意見の不一致を捉えます。さらに、サプライズとセンチメントの方向を組み合わせ、ティッカーと日付ごとに観測値を集計し、情報係数とリターン区分を…

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、ウェブ検索と確率予測を交互に行う予測エージェントを構築します。2つのメソッドを備えた小規模な言語モデルインターフェースにより、同じループでモック、ローカル、または商用のプロバイダーを利用できます。エージェントには予測市場に関する質問が渡され、証拠を検索するか、根拠とともに確率を示すかのいずれかのJSONアクションを実行できます。ステップ数の上限によって実行を制限し、不正なアクションや未知のアクションは記録して修正を求めてから、ツールを呼び出します。…