ナレッジライブラリ

このケーススタディでは、満期まで保有するショート・アット・ザ・マネー・ストラドルのリターンに正則化線形モデルを適合させます。プレミアム収入によって利益には上限がある一方、損失には上限がないため、少数の大損失が二乗誤差の回帰目的関数を支配します。ノートブックでは、ペナルティの強さを変えながらリッジ、ラッソ、エラスティックネットを比較します。使用するのは、オプションのグリークス、インプライド・ボラティリティと実現ボラティリティ、分散リスクプレミアム、スプレッド、行使価格までの距離など、ポジションとボラティリティ面の特…

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。…

このノートブックは、企業間で特性値を順位付け済みの提供済みパネルを使い、US企業特性調査向けの月次モデル行列を作成します。変換を適合したりローリング期間を計算したりせず、同じ企業・月の行にある値から合成特徴量と交互作用を追加します。特徴量ファミリーの台帳には、各グループの入力、タイミング規則、根拠、想定される失敗要因を記録します。実現リターンを特徴量行列から除外し、企業識別子が別のラベルパネルと一致することを確認します。…

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。…

この文書では、予測エージェントの検索インターフェースが証拠の範囲を制御し、処理を監査可能にする方法を説明します。プロバイダーに依存しないプロトコルは、情報源、公開日、関連度スコア、コンテンツを型付きの結果として返します。また、カットオフフィルターで、予測の基準時点以降に公開された日付付きの結果を除外します。日付のない結果は、時点整合性を検証できないため、別途記録します。…

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、企業特性から将来リターンを予測する教師ありオートエンコーダを検討します。ニューラルネットワークの狭いボトルネックは維持しますが、関連モデルで使われる条件付きファクターの解釈と価格付けの制約は取り除きます。ネットワークは特性を直接リターンに対応させ、宣言した数のユニットを通じて入力を圧縮してから予測を出します。…

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、同じ月次ETFモメンタム戦略を2種類の方法でシミュレーションして比較します。目標ウェイト、ユニバース、日付、総取引コストは同一です。一方は遅行ウェイトと資産リターンからリターンを計算し、もう一方は約定、株数、現金を追跡しながら注文を逐次処理します。そのため、結果の差から、目標が反映されるタイミング、約定価格、整数株の制約、利用可能な現金などの執行上の前提を把握できます。…

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。…

このノートブックでは、S&P 500オプションの宣言済み系列モデル群の一つとしてPatchTSTを適合させます。PatchTSTは遡及ウィンドウを固定サイズのパッチに分割し、トークンとして埋め込み、注意機構で履歴の各部分の関係を学習します。セッションを順番に処理して状態を引き継ぐLSTMと対比しています。注意機構はウィンドウ内の離れた部分を直接結び付け、並列処理できますが、学習した位置情報に依存し、より多くのパラメータを使います。…

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、学習したグラフ埋め込みがUS株の表形式モデルに予測情報を加えるかを検証します。対象期間より前に測定した絶対リターン相関からネットワークを構築し、同じ対象期間前の履歴を使ってモメンタム、ボラティリティ、トレンドの特徴量を作成して、その後の株式リターンを予測します。比較では、各交差検証フォールド内でグラフ注意機構オートエンコーダーを学習し、その後、対応するホールドアウト株式について、グラフ由来の特徴量を使用する場合と使用しない場合のリッジモデルを評価します。…

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…

この文書では、S&P…

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。…