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。
678件の資料
このノートブックでは、US株式パネルを対象に勾配ブースティングを検討し、3つの先行リターン期間について、木の規模、目的関数、学習チェックポイントを変えます。浅い木でも特徴量間の相互作用を学習できる一方、規模を大きくするとノイズに適合するリスクも高まることを説明します。二乗誤差、絶対誤差、Huber損失は、裾の重いリターン観測値をそれぞれ異なる形で扱います。順位情報係数（IC）は、リターンの大きさを正確に当てることより、順位付けを評価します。複数のチェックポイントを採点することで、それぞれを別候補として扱い、木を追…
このノートブックでは、ETFの先行リターンを予測するLightGBMモデルについて、SHAPによる説明を示します。TreeSHAPは個々の予測に対する特徴量の寄与と、全体の重要度要約を提供します。ビーズスウォーム図と依存関係プロットは、特徴量の値と寄与の関係を示し、局所的な説明では、モデルの期待値を基準に一つの予測を分解します。また、SHAPによる順位を置換重要度や木の不純度に基づく重要度と比較し、相互作用を調べ、ウォークフォワード分割ごとの平均絶対SHAP値をドリフト診断として追跡します。…
この章では、市場データを取引ルール、流動性、参加者の行動の結果として捉えます。最良気配値から注文単位のフィードまでを概観し、取引所メッセージを解析して、取引所ごとの指値注文板に再生する方法を説明します。板のライフサイクル確認、流動性と注文フローの分析、日中の取引パターン、単一取引所で見える流動性の限界も扱います。さらに標本化にも焦点を当て、時間、取引活動、情報に基づくバーがそれぞれ異なる観測値を生み、売買方向の分類とタイムスタンプの整合が解釈に影響することを説明します。…
このケーススタディでは、30日物のアット・ザ・マネー・ストラドルと原資産価格データを使い、S&P…
このケーススタディでは、検証データを用いてモデルと戦略を選んだ後、ホールドアウト期間の予測を生成する方法を説明します。事前に選ばれた設定を特定し、学習仕様を再構築して、ホールドアウト開始前に利用可能なデータだけで再学習します。ラベルはフォワードリターンを表すため、評価期間の結果がモデル適合に入らないよう、訓練期間の終わりを評価期間よりラベル期間分だけ前に設定します。…
このノートブックでは、企業別、提出書類の種類別にSEC提出書類を調べるためのEdgarToolsを紹介します。安定したCIK識別子を使った発行体の検索、年次・四半期報告書の取得、XBRL財務諸表の抽出、インサイダーのForm 4と機関投資家のForm 13Fデータの確認を実演します。さらに、提出書類の総合索引の検索方法と、提出書類の本文や添付資料へのアクセス方法も示します。…
このノートブックでは、直近の特徴量を順序付きウィンドウとして用いて株式リターンを予測するLSTM系列モデルを説明します。1銘柄につき各例は連続する60セッションで構成されます。上場の空白、売買停止などの中断をまたぐウィンドウを除外し、不連続を日次の推移と誤認しないようにします。モデルは各セッションを通じて隠れ状態を保持し、ゲートが情報の入力、保持、出力を制御します。2つの再帰層と64の隠れ状態を使い、100エポックの学習予定全体で5エポックごとにチェックポイントを保存します。…
このノートブックでは、9つのケーススタディにわたる5つの潜在因子推定器—PCA、IPCA、CAE、SDF、SAE—の登録済み検証結果を集約します。まず各パネルで結果がある推定器を示し、次にケーススタディごとに平均日次スピアマン順位情報係数が最も高い推定器を、HAC信頼区間とともに特定します。また、US Firmsパネルで推定器を比較し、相対的な順位性能を評価する際には、教師ありモデルと日付ごとの対応比較を行って共通日付を揃えます。…
このノートブックでは、銘柄とセッションごとに1行の特徴量を持つUS株式パネルに、重みを共有するニューラルアンサンブルTabMを適用します。共通の2層バックボーンから複数のメンバーに接続し、各メンバーはそれぞれ独自のスケーリングベクトルと出力層を持ちます。予測を平均することで、同数の独立ネットワークを学習させるより低コストでアンサンブルメンバーを追加できます。線形モデルとは異なり、非線形ネットワークは相関する入力を組み合わせて相互作用を表現できます。また、木アンサンブルで行う分割ごとの特徴量選択を避けられます。…
このノートブックでは、US株を順位付けするフォワードリターンの目的変数を定義し、その期間を実際の取引セッションに対応させる方法を説明します。リターンには株式分割と配当を調整した価格を使いますが、取引可能性の判定には同時点の未調整終値とドル建て出来高を使います。各行の将来価格は市場カレンダーから取得し、完全な期間がない行には明示的な失敗理由を付けます。取引可能性の判定はラベル構築後に行うため、除外された観測値が残りの行の期間を変えることはありません。…
このパイプラインは、OHLCV価格とイールドカーブから、ETF導入ワークフロー用の金融特徴量を構築します。複数のルックバック期間にわたるリターンとリスク調整後リターン、モメンタムの加速、ボラティリティ比率を算出し、RSI、MACD、ADX、CCI、ストキャスティクス、移動平均比率、ボリンジャー位置などの一般的なテクニカル指標を加えます。さらに、ドローダウン、過去の推移に対する出来高、オンバランスボリュームの動き、年次高値・安値からの距離、横断面順位も特徴量に含めます。…
このスクリプトは、SEC 13F提出書類から機関投資家の保有銘柄を2つの方法で収集します。選定した運用会社の提出書類を取得する方法と、SECの四半期一括ファイルをダウンロードする方法です。どちらも保有情報を共通スキーマに統一し、一括取得ではより広範な対象を想定しています。得られたデータは、機関投資家と銘柄の関係、銘柄レベルの特徴量、銘柄間の共同保有比較に利用できます。…
このノートブックでは、US株式リターンのパネルに主成分分析を適用し、少数の因子で幅広い共通変動を表します。各因子は共通変動の方向を示し、各銘柄の因子負荷量はその方向への感応度を表します。因子と負荷量から再構成した予測が捉えるのはパネル内で共有される変動だけであり、銘柄固有の情報は意図的に除外されます。…
このノートブックでは、クオンツ株式研究向けに、生のSEC Form 4 XMLからインサイダー取引を抽出する方法を説明します。XMLパーサーを使い、各取引のコード、日付、株数、価格、売買方向を対応する取引ブロックに結び付けたまま、発行体と報告所有者の情報を別に保持します。共同提出には複数の所有者が含まれることがあるため、最初に見つかった名前にすべての取引を割り当てず、所有者をリストとして収集します。…
このケーススタディでは、ETFモメンタムに因果推定を適用し、その将来リターンへの効果が市場ボラティリティによって変わるかを調べます。連続値のモメンタムを処置変数、21日先のリターンを結果変数とし、ボラティリティとイールドカーブを統制変数として、因果フォレストで平均効果とレジーム条件付き効果を推定します。推定値とレジーム閾値は学習データから導出し、その後のホールドアウト期間にポジションを拡大・縮小するために使います。取引コストを含めた上で、得られたルールを素朴なベースラインや単純な代替案と比較します。…
このノートブックでは、US株式のリターン予測に使う単純な系列モデルのベースラインとしてNLinearを紹介します。各例では、1銘柄について連続した60取引日のウィンドウを使用し、特徴量を時系列順に並べます。各特徴量の最新値を差し引き、残った履歴を線形に1つの値へ変換してから最新値を戻し、特徴量ごとの出力を組み合わせて予測します。これにより、より表現力の高い再帰型モデルや特徴量混合モデルを評価する際の有用な対照になります。…
この資料では、企業特性から月次リターンを予測するTabMニューラルネットワークのウォークフォワード研究を説明します。共通の学習ランナーでは、回帰の目的関数を二乗誤差、分類の目的関数を交差エントロピーに固定するため、この実験では損失関数ではなくモデル容量、学習チェックポイント、目的変数を変更します。未加工リターン、クロスセクションでウィンザー化したリターン、方向を示すクラスラベルについて、3種類の容量設定を比較します。前処理は各学習フォールド内で適合し、指定したすべてのチェックポイントの予測を監査可能な母集団として…
この資料では、標準化された市場データローダー、事前構築済み特徴量のレジストリ、シグナル診断をつなぐワークフローを紹介します。特徴量の計算は、名称、パラメーター辞書、またはYAMLで指定でき、再現可能なパイプラインと複数の指標期間を支えます。指数平滑法を使う手動のRSI実装と、ワイルダー平滑法を使うライブラリ実装を比較し、ライブラリ特徴量と独自コードを使い分ける場面を概説します。Polarsの例では、グループ化したローリング計算、時点整合性のあるas-of結合、大規模データ向けの遅延処理を扱います。…
このノートブックでは、操作変数付き主成分分析をクロスセクション・リターンのモデルとして紹介します。各企業の特性にリターンへの直接的な重みを割り当てる代わりに、IPCAは特性から因子エクスポージャーへの共通の線形写像と、月次因子リターンを推定します。この写像とリターンを交互最小二乗法とリッジペナルティで同時に適合させ、学習期間の推定値を検証期間の特性に適用してリターンを予測します。…
このノートブックでは、8つの上場投資信託にわたって過去リターンのウィンドウから翌日の日次リターンを予測する、4種類のニューラルネットワーク設計を比較します。全結合ネットワーク、1次元畳み込み、LSTM、GRUが入力をどのように処理するかを説明し、検証誤差と学習ステップにかかる時間を比較します。入力ウィンドウを長くする探索から、再帰モデルでは逐次計算が増える一方、全結合モデルでは最初の層が広くなることを示します。…
このノートブックでは、オプションサーフェスと株価の履歴ウィンドウを使い、S&P 500構成銘柄を順位付けする系列モデルを評価します。再帰的な記憶を持たない正規化線形モデルと、ゲートを通して時間情報を保持するLSTMを比較します。線形モデルは有意義なベースラインです。LSTMがこれを上回らなければ、このデータで追加の記憶機能の価値は示されていません。モデルはウォークフォワード分割を使って将来の株式リターンまたはリスク調整後リターンを予測します。…
このノートブックでは、Yahoo Finance、WikiPrices、FREDに共通するOHLCVインターフェースを示し、これらを現在のETFデータ、長期の株式データ、マクロ経済系列に利用します。優先順位を付けた取得時のフォールバック手順を示し、統合パネルを監査できるよう各観測値のデータ元を記録する重要性を説明します。ETFのユニバースは株式、債券、コモディティのエクスポージャーを含み、後続のローテーション戦略を想定しています。…
このノートブックでは、NASDAQ-100のマイクロストラクチャ特徴量を使い、数分単位の複数の期間で将来リターンを予測する長短期記憶ネットワークを学習させます。平坦化した線形モデルと異なり、LSTMは各観測値を順に処理し、過去の情報をどれだけ保持するかを学習します。モデルは1分データの過去ウィンドウを使い、銘柄やフォールドが変わると隠れ状態をリセットします。各ウィンドウは同一銘柄内に収まり、予測時点で利用可能な情報だけを使う必要があります。…
この総合ノートブックでは、多様なETFユニバースに共通シグナルを適用し、均等加重、逆ボラティリティ、平均分散最適化、階層的リスクパリティを比較します。ローリングRidgeモデルは、モメンタム、移動平均からの距離、ボラティリティの特徴量を使って将来リターンを推定し、ロングとショートのETFを選びます。同じシグナルを各手法に適用することで銘柄選択と配分を切り分け、ポートフォリオのパフォーマンス、安定性、ドローダウン、回転率、レジームごとの挙動を評価します。ホールドアウト前の選択期間で後のホールドアウト評価に使う配分手…