ナレッジライブラリ

このノートブックでは、9件のケーススタディにわたる線形モデルの結果を集計します。対象にはOLS、Ridge、Lasso、ElasticNetが含まれます。各研究で主要ラベルに対する最も強い完全な設定を比較し、正則化、フォールド単位の情報係数、安定性、代替の予測期間、分類・回帰指標、係数の挙動を調べます。結果はレジストリから取得し、廃止済みの予測を除外したうえで、有効なフォールド指標と最大限のラベルカバレッジを備えた完全な結果のみを比較対象とします。…

このケーススタディでは、他のモデル群と同じ時点整合済みのCME先物特徴量行とウォークフォワード分割を使って、パラメータ効率の高いニューラルアンサンブルTabMを評価します。パラメータの大部分を共有しながらモデル間の変動を平均化する方法としてTabMを取り上げ、小規模でノイズの多いパネルにおける適合と汎化のバランスを探るため、モデル容量を変えます。記載された評価では、等ウェイトの検証バックテストとシャープレシオを使い、指定済みのエポックチェックポイントから選択します。…

このデモでは、単一注文の手順を大型US株の固定銘柄群に対する日次リバランスへと拡張します。現在のブローカー口座のポジションとモデルの目標を比較し、差分の注文を作成して、ペーパートレード用ブローカーラッパーを通じてバスケットを任意で発注する方法を説明します。接続口座がペーパー口座であることを確認し、保存済み状態とブローカーのポジションおよび未約定注文を照合して、ポジション、注文、日次損失の上限を適用します。ウォームアップ用バーと気配値は、執行に使うブローカーセッションから取得します。…

この学習用ノートブックでは、クオンツ分析で使われる価格・出来高由来の特徴量を概観します。期間別の単純リターンと対数リターン、直近1期間を除くモメンタム、夜間および日中リターン、移動平均からの乖離、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の指標、出来高と流動性の指標、リスク統計、クロスセクションの順位と標準化値を扱います。例ではETFデータを使い、本番運用を想定した特徴量ライブラリと手作業の計算を併せて示します。…

このノートブックでは、直近を除く過去6か月のモメンタムが21日先のリターンに影響するか、またその効果が市場ボラティリティによって変わるかを調べる手順を示します。ボラティリティとイールドカーブを統制し、市場ボラティリティを効果修飾因子として、学習データ上で二重機械学習を用いて効果を推定します。ボラティリティ局面はホールドアウト前のデータで定義し、推定結果を上下限を設けて縮小するポジション調整ルールに反映します。その後、ホールドアウト期間を使い、取引コストを含めてそのルールを単純なベースラインおよび簡易的なヒューリス…

このケーススタディでは、S&P…

このノートブックでは、前処理や特徴量エンジニアリングの前に金融データセットを診断する、再利用可能な調査手順を構築します。時系列インデックスの型、タイムスタンプの欠損、順序、一意性を確認し、完全一致およびキーに基づく重複を検出します。フィールド、資産、日付ごとの欠損値を測定し、ギャップ、外れ値、ドメイン違反、データセット固有のカレンダー上の問題も調べます。診断では問題を報告しますが、元データの変更やクリーニングは行いません。対象はETF、US株式、暗号資産、先物、FX、企業特性です。調査結果では、列単位の完全性と欠…

このノートブックでは、事前学習済み時系列基盤モデルのChronosとTinyTimeMixerを、LSTMおよびペナルティ付き線形ベースラインとETFパネル上で比較します。各モデルには単変量の過去データを入力します。事前学習済みモデルは入力系列を予測し、平均予測経路をクロスセクションのランキングスコアとして使う一方、学習済みベースラインは将来リターンを直接予測します。予測対象と期間がリターンのラベルと一致しないため、ゼロショットモデルには順位情報係数を用います。この実験は、モデルに何を予測させるかを明確にしながら…

この章では、クオンツ取引研究における因果関係の主張を評価する枠組みを示します。介入、結果、推定対象、反実仮想、調整集合を明確に定義し、研究課題に手法を対応させます。連続的な介入にはDouble Machine…

このノートブックでは、NASDAQ-100の市場マイクロ構造特徴量を使って線形モデルを学習します。1分間隔で観測した特徴量から、複数の先行期間のリターンを予測します。より表現力の高いモデルに進む前に、単純なベースラインを確立することが目的です。スプレッドとインバランスの特徴量は指標間やルックバック期間間で重複するため、設計行列は多重共線性を持ちます。Ridge、Lasso、Elastic Netを比較します。Ridgeは相関する係数を縮小し、Lassoは係数をゼロにでき、Elastic…

このノートブックでは、事前に選択したFX戦略をホールドアウト予測で評価する方法を説明します。選択済み設定に登録されたバックテスト仕様を再利用し、シグナル、配分、リスク管理、リバランス規則、コスト、口座設定を固定します。導出した学習IDを使って予測セットを特定し、戦略で宣言したウォームアップ期間を含む価格データを読み込みます。これにより、仕様に沿ってホールドアウト期間を評価できます。…

この特徴量評価では、金融およびモデル由来の候補とCME先物の先行リターンとの関係をスクリーニングします。各特徴量について、データのカバレッジと陳腐化を確認し、特徴量と先行リターンの日次横断順位相関を測定します。リターン期間の重複を考慮して不確実性を調整し、検定対象全体にBenjamini-Hochberg法による偽発見率制御を適用します。また、ウォークフォワード検証年ごとの結果や、宣言された別のリターン期間も比較し、根拠とともに継続、修正、中止の評価を記録します。…

このノートブックでは、単変量SPY価格予測の実装を、PyTorchの直接実装、sktime、Dartsで比較します。主な目的は、コードの長さ、インターフェース要件、インストールの成功、学習と予測を合わせた所要時間など、実務上の作業量を評価することです。直近の観測価格を使う単純予測を基準とし、ライブラリの例を通じて、共通の学習・予測インターフェースがモデル変更を容易にする仕組みや、ラッパーにどのような制約があるかを示します。…

この章では、持続的なトレード研究には、市場の変化、ノイズを含む証拠、実装コストに適応できる規律あるプロセスが必要だと論じています。構造変化、レジーム、データドリフト、概念ドリフトを区別したうえで、時点整合データ、明確な範囲設定、反復的な開発、現実的な戦略設計、実運用への移行、モニタリングを軸とする研究から本番環境への移行ワークフローを示します。また、探索と確認の違いを説明し、試行記録、封印したホールドアウト、選択を考慮した評価を重視します。…

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。…

このノートブックでは、キャリー、ローリング・シャープレシオ、モメンタム、ボラティリティ指標など、相関する特徴量群で構成されたCME先物モデルに正則化が与える影響を調べます。Ridge、Lasso、ElasticNetを比較します。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、ElasticNetはこの二つの効果を組み合わせます。LassoとElasticNetのペナルティはフォールドごとの閾値に対する比率で表し、各学習フォールドに応じて強さを調整します。…

このノートブックでは、先物の各リターン期間について、検証で最も高く評価されたシグナル戦略または配分戦略に、設定済みの損切り、トレーリングストップ、時間決済ルールを適用します。各ルールはそれぞれの親戦略に対して評価し、検証期間の価格推移に合わせて調整せず、パラメータを事前に固定します。後の選択で意図した候補集団を保てるよう、宣言されたルールはすべて完了する必要があります。…

このノートブックでは、事前に選択したUS株式の設定をホールドアウト予測に適用します。選択済みのモデル、予測、配分器、集中度、リスクオーバーレイ、リバランス頻度、取引コストの前提を前段階から引き継ぎます。学習時の識別情報とチェックポイントから対応するホールドアウト予測セットを導き、ホールドアウトの成績を見て追加の選択を行わずにバックテストします。…

このノートブックでは、合成ETFリターン系列を生成するためにDiffusion-TSを適応させる方法を説明します。デノイザーは、クリーンな系列を多項式トレンド、フーリエ季節成分、残差成分の和として予測します。時間領域とフーリエ領域を組み合わせた損失関数により、各時点とスペクトルの両方で忠実度を高めます。DDIMサンプラーは生成に使う逆方向のステップ数を減らします。ノイズを加えた系列で学習した別の分類器が、低ボラティリティまたは高ボラティリティのレジームとラベル付けされたサンプルの生成を誘導します。…

この章は、個々の戦略よりも、再現可能な調査規律のほうが持続的なトレード上の優位性になると論じています。反証可能な仮説、アウトオブサンプル評価、多重検定の補正を軸に、バイアスを抑えるワークフローを示します。続いて、クオンツの職種や機関を概観し、主要分野の専門性とともに、トレードのライフサイクル全体にわたる幅広い連携を重視します。また、体系的な継続学習と、研究、執筆、オープンソース活動、専門家コミュニティを通じた実践も勧めています。…

この文書では、固定ETFモメンタム戦略のコスト感度を分析します。ユニバース、ウェイト、スケジュール、シミュレーターは固定し、片道ごとの手数料を変えながらバックテストを再実行します。得られた曲線は、想定取引コストの上昇に伴うシャープレシオと複利成長率の変化を示します。また、手数料控除前の成長率を年間売買回転率で割る方法と、シミュレーション成長曲線を補間する方法の2通りで損益分岐手数料を推定します。両者の差は、時間とともにコストが複利で効く影響を示しています。…

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、機関投資家の株式保有をSEC…

このノートブックでは、事前に選択したETFの設定を、確保しておいたホールドアウト期間に適用します。選択した学習時の識別情報とチェックポイントから対応するホールドアウト予測を導き、その期間では調整せず、戦略既存の集中度、配分、リスクオーバーレイ、リバランス頻度、コスト前提を使用します。実行結果はホールドアウトのバックテストとして登録されます。同じ予測セットに対して別の設定を追加評価すると、ホールドアウト結果から選ぶことになり検証が損なわれるため、ガード機能で防止します。…