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。
153件の資料
このノートブックでは、個別のUS株に関する公開済み企業特性に、リッジ、ラッソ、弾性ネットの各モデルを当てはめます。特徴量にはバリュー、収益性、投資、規模、モメンタム、反転、リスク、流動性が含まれます。ウォークフォワードの分割で設定を比較可能にし、正則化が当てはめた予測をどう変えるか、ペナルティを変えて調べます。生の月次リターン、ウィンザー化した月次リターン、分類目的変数を使い、目的変数の選択が結果に与える影響も検討します。…
この文書では、ベンチマーク、リスク要因の分析、ファクター調査の入力データとして、公開されているFama-FrenchとAQRのファクターリターンデータセットを紹介します。Fama-Frenchライブラリの市場、規模、バリュー、収益性、投資、モメンタムのファクターに加え、AQRの系列が扱うクオリティ、低ベータ、代替的なバリュー概念も説明します。データは月次で利用でき、ローダーを使った日次Fama-Frenchデータの読み込みと期間指定にも対応しています。…
このノートブックでは、株式、債券、通貨、商品に関する9つのファクターおよび市場系列の月次リターンを、ガウス混合モデルでクラスタリングします。データが不完全な月を除外した後、尺度の違いがクラスタリングを支配しないよう系列を標準化します。異なる特性を評価する基準で候補クラスタ数を比較し、その結果得られたグループを時系列と日付付きのイベントに照らして調べます。各局面のファクター成績から、全期間をまとめた平均では見えにくい条件付きリターンや分散効果がわかります。…
このノートブックでは、会計データと価格に基づく57個の特性を、翌月のUS株式リターンに対する個別の予測変数として評価します。月次クロスセクションの順位相関を計算して時間平均を求め、系列依存性と多数の候補を検定することを踏まえて不確実性を調整します。また、ウォークフォワードの学習・検証期間にわたって関連が持続するか確認し、効果量、一貫性、有意性、冗長性を基に各特性を判断します。…
この章では、取引アイデアを文書化された特徴量仕様に落とし込む枠組みを示します。特徴量の期間を意図する判断に合わせ、要因に関する仮説を明示し、予測シグナルと文脈を表す状態変数を区別するよう研究者に求めます。参照基準、表現方法、集約方法の選択は経済的な主張に沿うべきです。仮説を変える変換と、主にノイズを抑える変換も区別します。この章では、価格・出来高の特徴量、市場マイクロ構造、金融商品間の関係、デリバティブ価格が示唆する指標、ファンダメンタルズ、マクロ経済データ、カレンダー変数を概観します。…
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、流動性の高いUS株の一部に主成分分析を適用して、グロスエクスポージャーで正規化した固有ポートフォリオを構築し、潜在リスクファクターとしての役割を調べます。説明分散を確認し、セクターETFとの相関から成分を解釈します。標準PCAと階層PCAを比較し、残差、ポートフォリオのリスク寄与、ローリング期間ごとのファクター安定性を分析します。PCAファクターが示すのは共分散構造であり、価格に織り込まれたリターン機会ではないことを強調します。恣意的な符号反転と実際の部分空間ドリフトを区別し、速い残差ボラテ…
この設定では、企業特性で順位付けする月次ロング・ショートUS株式ポートフォリオを記述します。46特性を持つ完全データ銘柄群、月末の判断、翌日始値での執行、ロングとショート各側の等ウェイト、借株を含む大きな取引コストを指定します。特徴量一覧では、バリュー、クオリティ、投資、モメンタムなどのシグナルを分類し、想定する更新遅延と失敗要因を記録します。さらに、月次リターンラベルとウォークフォワード評価を定義し、2016をホールドアウト期間として確保します。…
このノートブックでは、ETFの横断面を価格評価するための確率的割引ファクターモデルを紹介します。ファンドのエクスポージャーとファクターリターンを個別に推定する代わりに、ファンドリターンとの共変動で平均リターンを説明する共通の割引ファクター系列を、ネットワークで学習します。学習目的は価格評価誤差の最小化であり、予測リターンと情報係数はその後の診断指標として報告されます。最適化する量と報告する予測スコアの違いは、モデルの解釈において重要です。…
このノートブックでは、金融データやモデル由来の特徴量が、その後のリターンでETFを順位付けできるかをスクリーニングします。各特徴量の横断面順位と先行リターンの順位を比較し、日付ごとの情報係数を計算して、その時系列を調べます。リターンラベルの重複を考慮して不確実性を調整し、同時に行う特徴量検定全体の偽発見を抑えます。さらに、ウォークフォワード検証期間を通じて関連性の符号が維持されるかを確認し、証拠が重複する高相関の特徴量を特定します。評価は検証日だけに限定し、ホールドアウト期間はスクリーニングから除外します。…
このデータツールは、株式リターン、企業特性、マクロ経済系列、分割前の特性テンソルを含むChen、Pelger、Zhuの資産価格データセットを扱う作業を支援します。変換機能は、公開された学習、検証、テスト用テンソルからParquetファイルを作成します。データアーカイブには各ブロック内で継続する匿名企業の位置情報がありますが、ブロック間の対応情報はありません。そのため変換ツールは、各ブロックに重複しない識別子の範囲を割り当てます。これによりブロック内の企業識別を維持しつつ、同じ識別子がブロック間で同一の既知企業を指…
このノートブックでは、株式特徴量とインプライド・ボラティリティ、スキュー、期間構造などのオプション由来指標を組み合わせたS&P 500のクロスセクション研究について、予測モデル、構造モデル、因果モデルの証拠を比較します。週次の将来リターン順位に加え、別のラベル期間、潜在因子の結果、因果推定、十分位ごとの動き、シグナル間の相関を評価します。中心となる問いは、オプション特徴量が直接または潜在因子を通じて有用な情報を加えるか、そしてどの知見が後続の戦略シミュレーションに値するかです。…
このノートブックでは、特徴量を使わない潜在因子ベースラインとしてPCAを取り上げ、ETFリターンを予測します。各ラベルの学習期間におけるリターン行列を分解し、ファンドごとのローディングと推定した因子プレミアムから予測を組み立てます。期間を通じて同じファンドが列として維持されるため、この手法は固定されたETFユニバースに適しています。対象の識別子が時系列で変わる場合には適しません。特徴量ベースのモデルとの違いに加え、ウォークフォワード学習と予測記録についても説明します。…
このノートブックでは、CME先物のパネルデータを対象としたニューラル確率的割引ファクターモデルを紹介します。キャリー、モメンタム、ボラティリティなど、商品リターンと観測可能な特性の両方を使って潜在因子を構築し、事前に定めた将来リターン期間の予測を生成します。リターンのみを使うPCAと対比し、特性がリターンの共分散を超える価格情報を加えるかを比較で検証する方法を説明します。…
この実験では、選択した月次US株式のロング・ショートシグナルが、小型株にどの程度依存しているかを調べます。ラグ付き時価総額フィルターを適用して検証用予測から時価総額が最小の四分位を除き、モデルを再学習せず、同じポートフォリオ構築とコストの前提で再実行します。フィルター適用後のユニバースでは資産数が減りますが、回転率は全ユニバースの結果とほぼ同水準に保たれます。…
このノートブックでは、特性に依存するファクター負荷量と潜在ファクターの積として株式リターンをモデル化する条件付きオートエンコーダーを解説します。まず、横断面の同時最小二乗フィットで特性に基づくポートフォリオリターンを推定し、次にニューラルネットワークを学習させて同時点のリターンを再構成します。別のウォークフォワードアダプターが次のファクター実現値を予測し、現在の特性を通じて変換することで翌日の株式リターンを予測します。…
この分析では、9つの取引ケーススタディにまたがる特徴量トリアージ台帳を比較します。Benjamini–Hochberg法による偽発見率の有意性と、ケース固有の効果量下限および分割間の符号安定性を組み合わせた、PROCEED判断への別経路とを区別します。どちらかの経路を満たせばよいため、PROCEED特徴量の数はFDR閾値を通過する数を超える場合があります。続いて各ケースのPROCEED割合を検証およびホールドアウトのシャープレシオと対応させ、特徴量が選別後に残ることが戦略の存続を予測するかを調べます。…
このノートブックでは、キャリー、モメンタム、ボラティリティなどの加工済み特性ではなく、CME先物リターンのパネルから主成分ファクターを構築します。PCAは商品間の変動を説明する方向を見つけます。第1成分は市場共通の動きに似ることがあり、後続の成分はセクター間の共動を反映する可能性があります。これらのパターンはセクターラベルを前提としておらず、成分は予測価値ではなく説明分散の順に並びます。…
このノートブックでは、日々の取引判断に使う変化の遅い状況特徴量として、会計比率、マクロ経済環境、カレンダー符号化を説明します。利益利回り、収益性、発生高、レバレッジ、キャッシュフロー利回りなどのバリュー・クオリティ指標を示し、発表日とas-of結合を使って四半期ファンダメンタルズを日次観測に整列します。マクロ系列には公表ラグとフォワードフィルが必要です。カレンダーのパターンには周期的な符号化やイベントまでの時間を使えます。…
この文書では、日付付きの銘柄レコードを潜在ファクターのケーススタディ向け配列に変換する方法を説明します。一つ目の方法では、適格性データセットから学習したカバレッジ閾値を満たす銘柄だけを残し、欠損値をNaNとして保持した、一貫性のある銘柄軸を作ります。二つ目の方法では、不均一なクロスセクションを構築し、各日付の観測最大数に合わせてパディングします。スロット位置は日付ごとのもので、恒久的な銘柄識別子として扱いません。…
このノートブックでは、キーワードを使ったESG見出しの処理を調べ、構造化された分類器出力と、検索拡張生成アシスタントに必要な要件を比較します。最初のキーワードリストで見出しを選び、次のリストで環境・社会・ガバナンスのラベルを割り当てます。選ばれた全見出しに分類器を適用すると、環境への大きな偏りが見られます。ノートブックは、選別リストに見つけやすい環境用語が多いことと、重複時に環境の一致を優先する分類順序に、その偏りの原因をたどります。…
このノートブックでは、多数のファクターや戦略を探索すると、個々の推定値が正しく計算されていても、選ばれた最良候補の見かけ上の成績が膨らむ仕組みを説明します。ノイズだけのファクターをシミュレーションし、最大の情報係数が偶然に見栄えのよい値になり得ることを示します。続いて、不均一分散・自己相関頑健な推論の後に偽発見率を制御する補正手順を構築し、より保守的なスクリーニングのためにファミリーワイズ誤差制御も論じます。…
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。…