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。
334件の資料
このノートブックでは、日中の株式リターンを連続的な価格変動と離散的なジャンプに分けます。対数リターンの二乗から日次実現分散を推定し、ジャンプに頑健な連続成分の推定値としてバイパワー変動を用います。両者の差をゼロ未満にならないよう切り詰め、その値からジャンプ分散を推定します。続いてLee–Mykland検定を適用し、同じ取引セッション内の過去の観測値から推定した局所ボラティリティを基準に各リターンを標準化します。Gumbel分布に基づく臨界値は、日中に多数のバーを検定することを考慮し、局所ボラティリティの変化にも適…
この研究では、日中のビットコインリターン関数を予測するために、関数主成分分析（FPCA）を適用しています。関数観測と離散時間ダイナミクスを結び付けるものとしてKarhunen–Loève動的因子モデルを導入し、連続稼働市場向けに設計されたローリングFPCA手順を提案しています。予測には、時間単位および15分間隔でサンプリングしたリターンを使用しています。また、条件付き異分散性も検討し、分散の変化を考慮すると将来のリターン関数の区間予測が改善するとしています。…
この解説では、合成金融パスを生成するためのパラメトリック確率モデルとブートストラップ手法を比較します。幾何ブラウン運動、ジャンプ拡散、平均回帰、ヘストン確率的ボラティリティ、およびGARCHを、独立再標本化やブロック単位の再標本化とともに扱います。リターン分布、裾の挙動、自己相関、ボラティリティ・クラスタリングを用いてモデルを実装・比較し、ETFデータを実証的な参照として用います。また、ジャンプドリフトの補正や、シミュレーション値の妥当性を保つための分散の切り詰めといった実装上の選択についても説明します。…
このノートブックでは、同じ銘柄の同じ満期のアット・ザ・マネーのコールとプットを売り、ストラドルを満期まで保有する戦略の候補特徴量をスクリーニングします。各特徴量について、利用可能な銘柄を、後のストラドル損益と同じ順序で順位付けできるかを測ります。日次の横断面順位の一致度を計算して時間方向に平均し、ポジションの重複を考慮して不確実性の推定幅を広げます。また、多数の候補を検定することへの有意性スクリーニングの補正を行い、関連性が複数の検証期間で持続するかを確認します。…
このノートブックでは、S&P…
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、PPOエージェントが気配値の傾きとスプレッド幅を選ぶ、シミュレーション上のマーケットメイク課題を作成します。気配値が仲値から離れるほど約定確率は低下し、注文不均衡は約定とその後の価格変動の両方に影響します。在庫に対して気配値を調整する予約価格を設け、評価報酬には時価評価した資産と在庫ペナルティを組み合わせます。エピソード終了時に残るポジションには清算コストがかかります。エージェントは、すでに予約価格調整を適用する固定ルールと比較されます。…
この解説用ノートブックでは、ETFデータを使い、教師ありトレードモデルの目的ラベル手法を比較します。固定期間リターンと方向ラベル、時系列のローリング・パーセンタイル、横断面パーセンタイル、固定またはボラティリティ連動の閾値を使うトリプルバリアラベル、トレンドスキャンを扱います。また、重複する観測値に対する一意性の重み付けと逐次ブートストラップについても解説します。…
このノートブックでは、市場レジームを予測に使う3つの方法を比較します。レジーム入力なしのベースラインモデル、ボラティリティ状態のフィルター確率を入力する単一モデル、明確なレジーム割り当てごとに学習する個別モデルです。先読みを避けるため、ウォークフォワードの各学習ブロックで隠れマルコフモデルを再推定し、推定分散で状態を並べ替え、テストブロック内で前向き再帰により確率を計算します。フォールドごとのスケーリングと学習データ・テストデータ間のギャップは、将来の観測値や重複する予測対象からの情報漏洩を防ぐのに役立ちます。フ…
このノートブックでは、株式リターンとは独立に市場環境を記述するため、月次マクロ経済指標をクラスタリングします。FRED系列を月末観測にそろえ、失業率、フェデラルファンド金利、イールドカーブのスプレッド、前年比CPI変化率を標準化してから、ガウス混合モデルを適合させます。上昇を続けるCPI水準ではなくインフレ変化率を使うことで、クラスタリングが主に前半と後半の日付を分けるのを避けます。クラスター名は明示的なしきい値ルールで後から割り当てるため、経済的なラベルはモデルから自動的に生まれるのではなく、これらの選択に依存…
このノートブックでは、Diffusion-TSを応用して、合成の日次ETFリターン系列を生成します。デノイザーが元の系列を予測し、その予測を多項式トレンド、選択したフーリエ成分、残差に分解します。時間領域と周波数領域を組み合わせた目的関数は、リターン値とスペクトル構造の両方を保つことを意図しています。重複する系列と時間軸上のホールドアウトを使い、ガウス隠れマルコフモデルが識別した低・高ボラティリティのレジームへサンプリングを誘導するため、ノイズ系列で学習した分類器を加えます。…
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…
この特徴量エンジニアリング用モジュールは、システマティックなマクロ・ポートフォリオモデル向けに日次価格データを準備します。推定ボラティリティで調整した期間別リターン、複数スケールのMACDシグナル、対数価格のローリングZスコアを作成します。リターン期間には設定済みの組み合わせを使うことも、未加工のモメンタム特徴量向けに密な範囲を使うこともできます。事前ボラティリティは日次リターンの指数加重標準偏差で推定します。また、学習ターゲット用に1期先の未加工リターンとボラティリティ調整済みリターンも導出します。…
このチュートリアルでは、資産の価格と出来高の履歴から作る特徴量を概観します。複数期間のリターン、トレンドと反転の指標、複数のボラティリティ推定値、ボラティリティ局面、流動性、テールリスク、横断面の正規化などを扱います。モメンタムシグナルでは直近の観測値を除外する、移動平均からの乖離をボラティリティで尺度調整する、生の出来高ではなく相対出来高を使う、といった実践的な選択肢も説明します。また、定常性と長期情報の保持を両立させる方法として、分数階差分も取り上げます。…
このノートブックでは、分足のNASDAQ-100データからモデルベースの特徴量を作る3つの方法を説明します。分散予測と予測誤差のためのローリングHAR回帰、直近の出来高パターンを捉えるフーリエ変換、価格と注文フローが変化する順序を捉える深さ2のパスシグネチャです。推定済みパラメーターには推定期間の情報が含まれるため、再フィットと特徴量のタイミングで将来情報を使わないようにする必要がある点を強調します。特徴量はタイムスタンプと銘柄ごとに保存され、設定された予測期間に必要な異なるウォークフォワード分割を通じて、網羅性…
このモジュールでは、強化学習環境で使う暗号資産市場シミュレーションのパラメータを推定します。選択した銘柄の無期限先物市場データを時間単位で読み込み、終値間の対数リターンを計算して、GARCH(1,1)ボラティリティモデルを当てはめます。推定用ライブラリが利用できない場合や最適化に失敗した場合は、二乗リターンの自己相関と事前に定めた範囲を使うモーメント法に切り替えます。持続性を制約し、無条件ボラティリティをサンプルの変動に合わせます。…
この文書では、固定期間にわたりポジションを清算するエージェントを学習させるGymnasium環境を説明します。観測値には残存在庫と残り時間のほか、スプレッド、市場の厚み、ボラティリティ、通常またはストレスのレジームが含まれます。連続値のアクションで基準スケジュールに対する執行ペースを設定し、参加率とスケジュールの上限で取引を制約します。完了を確実にするため、最終ステップですべての残存株式を売却します。…
この章では、統計手法を当てはめてトレードモデルの特徴量に変換する方法を概説します。診断と定常性、構造変化、分数差分、カルマンフィルター、スペクトル法とパスシグネチャ法、ARIMAとGARCHによるボラティリティ分析、HARとラフボラティリティの指標、不確実性推定、レジームモデル、横断面またはパネル変換を扱います。出力には、フィルター処理した水準やトレンド、イノベーション、予測値、条件付きボラティリティ、レジーム確率、事後または予測の不確実性が含まれます。…
この設定では、レジームフィルタリングとクロスアセット分析に使う、FREDの過去のマクロ経済データを指定します。系列を日次、週次、月次、四半期ごとに整理しており、国債利回り、フェデラルファンド金利、VIX、労働関連指標、物価指数、鉱工業生産、マネーサプライ、名目および実質GDPを含みます。また、説明用の名称を列挙し、国債の満期から導出するイールドカーブ・スプレッドを定義します。…
このノートブックでは、最大順行幅（MFE）と最大逆行幅（MAE）を使い、観測された価格経路に基づいてトリプルバリア・ラベルの幅を設定します。ローソク足の終値でポジションを建てた場合、次のバーから始まる将来の保有期間における最も有利な値動きと最も不利な値動きを測ります。ロングとショートでは定義が逆になります。また、真の値幅とワイルダー平滑化を用いる平均真の値幅を説明し、ボラティリティに応じてバリア幅を調整する方法を示します。…
この文書では、モデルの不確実性が点推定値を超える情報をもたらす仕組みを説明します。過去のリターンからボラティリティを定義するGARCHと、ボラティリティを潜在的な自己回帰過程として扱い、リターンをスチューデントのt分布でモデル化する確率的ボラティリティモデルを対比します。事後分布の広がりは、持続性、ボラティリティの動態、裾の挙動の推定値とともに、時間変化する特徴量として利用できます。…
このノートブックでは、学習済みのGJR-GARCHモデルと隠れマルコフモデルから、先読みバイアスを抑えた取引特徴量を作る方法を説明します。GJR-GARCHは条件付きボラティリティを推定し、負のリターンショックの影響がより大きいことを捉えます。2状態のガウスHMMは、クロスセクションのファンディング決済額から市場局面をモデル化し、ストレス確率のフィルター済み値を出します。両モデルは過去データを拡張しながら所定の頻度で再学習し、検証中はパラメータを固定します。初期のバーンイン期間では特徴量を使いません。…
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…
このノートブックでは、ポジションサイズと最大逆行幅・最大順行幅の分析を結び付けます。固定比率方式のサイズ決定を示し、ポートフォリオのリスク予算とエントリー価格からストップ価格までの距離に基づいて株数を決め、ポジション集中度に上限を設けます。また、遅行推定値に基づく正規化した逆ボラティリティ配分を取り上げ、単体のボラティリティだけを使うこの経験則と、共分散を考慮するリスクパリティを区別します。後半では、調整用と将来のサンプルを使い、値動き、ストップと利確の閾値、全決済と一部決済の方針を検討します。…