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。
1,853件の資料
このケーススタディでは、S&P 500の株式・オプション特徴量パネルで系列モデルを比較します。ルックバック期間を通じてゲート状態を保持するLSTMと、直近水準を除去して線形写像を当てはめるN-Linearベースラインを組み合わせています。このベースラインにより、同じ期間をより単純に写像する方法を超えて、再帰的な記憶が価値を加えるかを検証します。予測対象には株式の将来リターンとリスク調整後リターンのラベルが含まれます。…
このノートブックでは、TimeGANの5つの要素からなる構造を説明します。埋め込みネットワークと復元ネットワークが生データと潜在空間を相互に写像し、スーパーバイザーが時間的な遷移を学び、生成器と識別器が敵対的に学習します。段階的な学習を説明し、US銘柄群の日次対数リターンにモデルを適用します。リターンを選ぶ理由は、シグモイドで範囲を制限した出力とミニマックス・スケーリングにあります。価格水準が上昇傾向にあると学習範囲を超えることがあり、ホールドアウト評価が難しくなります。…
このノートブックでは、共通のETFモメンタム戦略インターフェースをAlpacaに接続する方法を実演します。既定では、オフラインのシミュレーション経路を利用できます。ブローカーや市場データのアダプターを変更しても、戦略、注文ログ、シャドーモードのラッパーは同じままにできることを説明します。ライブのペーパートレード接続前には、任意のSDK、認証情報、口座状態を個別に確認します。口座スナップショットには現金、純資産、保有ポジションが含まれます。シャドーモードでは、提案する注文を記録しますが、送信はしません。…
この記録は、連続する四半期のGDP縮小、またはNBERの景気後退開始日を基準とする所定の判定ルールのもと、2026末までに米国が景気後退に入るかを調べたマルチエージェント調査を記録しています。3つのエージェントが成長率予測、景気後退指標、金融政策の見通し、過去の発生率を調べ、確率推定と根拠を示しました。あるエージェントは、プラス成長の予測と比較的低い景気後退リスクの指標を挙げ、市場が織り込む確率は高いと論じました。別の根拠では、現在の良好な状況に加え、過去の景気後退の発生頻度も考慮しました。…
このノートブックでは、ローリングするETFリターン期間を、畳み込みニューラルネットワーク用の2チャネル画像に変換します。Gramian Angular Summation Fieldは各期間内の値を再スケーリングして角度に写像し、時間位置のペア間の三角関数上の関係を記録します。Markov Transition Fieldは値を期間ごとの分位点に分け、位置のペア間における区分間の遷移を表します。どちらも元の系列を直接提示するのではなく、位置間の関係を符号化します。…
このノートブックでは、説明対象のS&P 500ショートストラドル運用エンジンに、汎用的な目標ウェイト型リスクオーバーレイが適さない理由を説明します。エンジンは週次コホートに固定の資本比率を割り当て、各コホート内でウェイトの合計が1になるよう正規化します。そのため、ウェイトを縮小しても正規化で元に戻り、ドローダウンやボラティリティのオーバーレイが制御する現金配分は残りません。代わりに、ヘッジのしきい値、決済規則、エントリーコスト、コホート数など、戦略仕様に適切な制御を設けます。…
この文書では、暗号資産無期限先物で混み合ったポジションが相対リターンを予測するかを調べるための特徴量を設計します。資金調達料の方向、プレミアム指数の役割、生の資金調達率やプレミアム値を過去のZスコア、横断面順位、減衰指標などで補完する必要性を説明します。価格ボラティリティ、プレミアムのばらつき、決済時刻など、市場環境を表す特徴量も取り上げます。…
リスクプレミアムPCAでは、学習データの平均リターンベクトルの外積に重みを付けて加え、共分散行列を変更します。主成分から静的なファクター・ポートフォリオを定義します。重みがゼロなら通常のPCAに戻り、正の重みでは平均リターンと関連する方向へファクターが傾きます。ノートブックでは、複数の重みについて価格付けの適合度、リターンの再構成、負荷量空間の変化を比較した後、事前に指定した重みで翌日のファクタープレミアムを予測します。…
このノートブックでは、選択済みのUS企業特性戦略について、想定する手数料とスリッページを変えた場合に検証期間の成績がどう変化するかを測定します。明示したコスト範囲で同じ設定を再実行し、総コストを手数料とスリッページに均等配分します。戦略を固定することで、シャープレシオ曲線から取引コストの想定に対する感応度を分離して確認できます。比較用に指定コスト水準を範囲内に示し、登録済みの結果は再計算せずに再利用できます。…
このノートブックでは、検証データで構成を選択した後、未使用のホールドアウト期間について予測を作成する方法を説明します。選択した構成を確定し、ホールドアウト用に学習仕様を再構築して、利用可能な時間軸と選択済みラベルの期間から学習期間を導きます。これによりバッファを設け、まだ判明していないリターンを含む学習結果が評価期間に及ばないようにします。新しい学習IDを確認し、再学習が行われたことを読者が検証できるよう予測データを記録します。…
この設定は、ある時点でのNASDAQ-100構成銘柄を対象に、注文フローのシグナルを調べるイントラデイ分析を記述します。各評価期間より前に利用可能な流動性情報を使ってコスト条件を満たす銘柄群を定義し、複数の予測期間に対する判断スケジュールを指定します。また、ポジション監視に使う1分足の価格データと、それらのスケジュールを区別します。特徴量群には、気配流動性、マイクロプライス、ボラティリティ、注文フロー、価格インパクト、その他のマイクロストラクチャー指標が含まれ、セッション内のルックバック期間と明示的なタイミング規…
このノートブックでは、9つのファクターおよび資産クラスのリターン系列の同時的な動きに基づき、ガウス混合モデルで月をグループ化します。月次観測値を標準化し、欠損月を除外したうえで、候補となるクラスター数をBIC、AIC、シルエットスコアで比較します。次に、日付が分かる市場イベントに照らしてクラスターを解釈し、各グループ内のファクター成績を調べます。これにより、全体平均では環境ごとの差が隠れることを示します。…
このノートブックでは、ReActループで推論と行動を交互に行う予測AIエージェントを構築します。行動の種類は意図的に絞り、エージェントは根拠を検索するか、確率予測を提出できます。2つのメソッドを備えた共通インターフェースにより、異なる言語モデルプロバイダーをループで利用できます。また、スキーマ検証により、モデルの応答が行動を起こす前に確認されます。無効な応答は修正のために返され、ステップ数の上限によって予測せずに処理を続けられる長さを制限します。…
このノートブックでは、既知のシミュレーター群に含まれるパターンを学ぶベンチマークとして、ADIA…
このノートブックでは、選択したCME先物モデル構成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。構成は検証結果から選び、ホールドアウト期間の開始前に終わるデータで再学習します。ラベルバッファで学習観測値と評価期間を分け、将来を参照するラベル結果がホールドアウトに及ばないようにします。また、期間前に推定したパラメーターを期間中固定して、ホールドアウト用のモデルベース特徴量を再生成します。…
このノートブックでは、バリュー・アット・リスク（VaR）と期待ショートフォール（ES）を目標とする金融リターン・シナリオ生成手法、Tail-GANを説明します。微分可能なソートを使い、分位点推定を通じて勾配を伝播させ、VaRとESの関係を定める制約へリスク推定値を射影します。ETFリターンをローリング・シナリオにまとめ、ランダムなロング・ショートのポートフォリオウェイトと組み合わせてPnLの例を作ります。スケーリングも重要です。入力値を生成器の出力クリップ範囲内に写像し、極端な観測値も表現できるようにします。…
この特徴量エンジニアリング用ノートブックでは、ファンダメンタルズ、マクロ経済データ、カレンダー情報を使い、低頻度の情報で高頻度の売買シグナルに文脈を与える方法を説明します。簿価時価比率や利益利回りなどのバリュー比率、自己資本利益率や発生高などのクオリティ指標、マクロ指標とリスク局面、季節性やイベント時期を表す周期的なエンコーディングを取り上げます。四半期財務データの整合には、銘柄と発表日をキーとした後方as-of結合を使い、日次観測値には、その時点までに発表された最新情報だけが付与されます。マクロ系列にも公表ラグ…
このノートブックでは、検証フォールドでモデルと戦略を選択した後、選択済みのNASDAQ-100マイクロストラクチャー構成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。選ばれた学習仕様を再構成し、ケーススタディで定めた期間からホールドアウト・フォールドを導き、より前のデータだけを使ってモデルを再学習します。学習IDを確認し、検証データで学習済みのモデルによる予測と、ホールドアウト用に本当に再学習した予測を区別します。特徴量や結果の情報が境界をまたがないよう、学習期間の終了からホールドアウト開始までに、最長の…
このガイドでは、週次の先物ポジションデータの情報源として、公開されているCFTCのCommitment of Tradersレポートを紹介します。ディーラー、資産運用会社、レバレッジド・マネーなどに参加者を分類するTraders in Financial…
このPythonモジュールでは、日次のアウトオブサンプルリターンを用いて、戦略のバックテストにおける不確実性を定量化する方法を説明します。リターン系列の統計量に対する定常ブロック・ブートストラップ区間、自己相関と非正規性を調整したシャープレシオの標準誤差、平均リターンのNewey–West標準誤差を組み合わせています。ブロック長は、利用可能な場合はリバランス間隔から選び、それ以外は最適サイズ推定量を用い、リターンの期間を基準に下限を設けます。また、日次リターン差を使ったペア・ブートストラップ比較と、シグナル、配分…
複数のケーススタディについて、5つの潜在ファクター推定器の登録済み検証結果をまとめます。まず、各パネルに結果がある推定器を整理し、日次の平均Spearman順位情報係数（IC）とHAC信頼区間を使って最良の推定器を特定します。また、共通のUS企業パネルで推定器を比較し、教師ありモデル群と日付ごとのIC差を調べます。モデルの選択と報告には、同じ順位統計量を使うことを重視しています。…
出来高参加率の上限によって、各市場区間で親注文のうち約定可能な数量を制限する方法を説明します。ブローカーは観測された取引高から執行可能な数量を算出し、未約定分を次の区間に繰り越します。参加率の上限を下げると市場への影響を抑えられますが、完了までの時間は延びます。上限を上げると執行は速まりますが、マーケットインパクトへのエクスポージャーが増えます。最低出来高のしきい値を設けると、特に流動性の低い時間帯の取引を防げます。…
この文書では、モメンタムおよびクロスアセット研究の候補プールを目的とした日次ETFデータセットについて説明しています。USや国際株式、債券、コモディティ、特殊ファンド、通貨を含む9つのカテゴリーを扱っています。データはYahoo Financeから取得し、付随するワークフローでレコードをダウンロード、保存、読み込み、フィルタリングし、プロファイルします。銘柄別およびカテゴリー別のカバレッジを確認し、履歴や取引高の違いを把握できます。…
実際のETFデータと価格から算出したモメンタムの例を用いて、単一ファクターを評価します。将来リターンに対するクロスセクションのSpearman情報係数を測定し、期間ごとに比較します。また、日次クロスセクションICの平均と、全観測値をまとめて計算する相関係数の違いを説明します。さらに、ICIR、統計的不確実性、分位点リターン、上位と下位のスプレッド、単調性、売買回転率、シグナルの減衰も扱います。対象範囲と鮮度の確認では、ファクターが存在し、想定どおり更新されるかを調べます。…