ナレッジライブラリ

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。…

このノートブックでは、検証結果を用いて設定を選択した後、暗号資産無期限先物の資金調達戦略についてホールドアウト予測を生成する方法を説明します。対象となる検証バックテストのうちシャープレシオが最も高いものを特定し、モデル系列、ラベル、チェックポイント、戦略設定を引き継いだうえで、ホールドアウト期間より前にデータが終了する新しい学習仕様を作成します。ラベルバッファにより、先行リターンの期間が評価期間に重ならないようにします。レジストリには再学習と予測が記録され、学習識別情報が変わったことが、検証データで適合したモデル…

この共通ユーティリティモジュールは、時系列の二重機械学習（DML）を用いた取引データの因果分析を支援します。文書化された機能には、エンバーゴを伴うウォークフォワード推定、補助モデル、反証チェックが含まれます。プラセボ検定でのブロック置換は局所的な時系列依存性を保ちます。パネル置換では、エンティティごと、および観測時刻グリッドの空白ごとに区切り、不連続をまたいでブロックが移動しないようにします。また、実際の観測頻度を測定し、ラベルのバッファ期間を適切なエンバーゴに換算します。固定のバーサイズを仮定すると、誤解を招く…

このノートブックでは、2つの処理を交互に行う時系列ニューラルネットワークTSMixerを説明します。各特徴量についてルックバック期間の日数に共通の線形写像を適用し、各日に独立して共通の特徴量MLPを適用します。残差接続と事前正規化で層を構成し、小さな出力ヘッドで横断面リターンを1つ予測するようにします。テンソル軸の並べ替えによって各層が組み合わせる値が決まる点を強調し、モデルのパラメータコストをウィンドウを平坦化した上での全結合層と比較します。…

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、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、現物価格に対する無期限先物価格のプレミアムを基にした特徴量を用い、暗号資産無期限先物向けの勾配ブースティング設定を比較します。木の容量と損失関数を変え、二乗損失、絶対損失、Huber損失などを試し、各ブースティング実行の複数時点で予測を記録します。リターンと方向の目的変数は別々のタスクとして扱い、各ラベル内で候補を比較します。順位ベースの情報係数は予測順位を示し、設定の選択にはこのモデル比較ではなく、後続の検証バックテストでシャープレシオを用います。…

このノートブックでは、ボラティリティ、モメンタム、クロスセクションのキャリー順位から独立して、先物キャリーがその後のリターンを予測するかを二重機械学習で推定します。柔軟なモデルとクロスフィッティングを用いて、キャリーとリターンの双方から交絡要因の影響を除き、残差から効果を推定します。結果変数は2つのリターン期間で評価します。HAC不確実性では、変動するボラティリティと重複する結果期間を考慮します。また、ブロック置換による反証では、処置ブロックを並べ替えた後の推定値と、観測されたHAC統計量を比較します。…

このノートブックでは、暗号資産無期限先物向けにモデルベースの特徴量を作成します。GJR-GARCHから資産ごとの条件付きボラティリティを予測し、資金調達決済に適合させた2状態のガウス隠れマルコフモデルから市場全体のストレス・レジーム確率を得ます。過去のバーから直接計算する算術的な特徴量とは異なり、これらの出力は推定パラメーターに依存します。隠れ状態モデルでは、意思決定時点までに利用できる観測だけを推論に使うかどうかにも左右されます。後の観測を取り込む推定値とフィルター済み確率を区別します。…

このケーススタディでは、暗号資産の無期限先物を対象とした研究パイプラインを提示し、定期決済時にロングとショートの間で交換される資金調達料を、リターン源の候補として扱います。ラベル作成や金融特徴量から、統計モデルと機械学習モデル、因果分析、バックテスト、ポートフォリオ配分、リスク、コスト評価まで、データとモデルの各段階を説明します。無期限先物ペアのクロスセクション、8時間ごとの観測、取引コストの仮定を用い、限られた数の時間フォールドに基づいて検証します。…

この分析では、9件のトレードケーススタディでの特徴量選別結果を比較し、審査を通過した特徴量がより強い戦略を予測するかを調べます。選別では、Benjamini–Hochberg法による偽発見制御と、ケーススタディごとの効果量の下限およびフォールド間の一貫性に基づく別ルートを組み合わせます。PROCEEDはいずれかのルートで判定されるため、その件数がFDRで有意となった件数の部分集合とは限りません。…

このノートブックでは、さまざまな市場環境で成績の改善を目指す、エンドツーエンドのETFポートフォリオ方針であるDeePMを説明します。構成要素には、ボラティリティで基準化したリターンとトレンドの特徴量、LSTMベースのモデル、変数選択、条件付け層、資産クラスのグラフで制約されたクロスアセット・アテンションが含まれます。このグラフはグループ内のつながりと、グループ間の選択された関係を表します。SoftMin目的関数はローリング学習期間の中で最も弱い区間を重視し、コストを考慮した学習では売買回転率にペナルティを課しま…

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。…

このノートブックでは、事前学習済みFinBERTをFinMarBaの金融見出しに適用し、Financial PhraseBankでの評価結果と比べて精度が大幅に低い理由を調べます。中心となる診断はラベルの由来です。PhraseBankのラベルは文のセンチメントに対する注釈者の判断を反映し、FinMarBaのラベルは言及された銘柄のその後の価格方向を符号化しています。クラス名が一致しても、データセットが同じタスクを測っているとは限りません。…

このノートブックでは、各ルックバック期間の最後に観測した水準を差し引き、残った値を予測値に変換する最小構成の系列モデル、NLinearを評価します。単純であるため、より複雑な系列アーキテクチャの有用なベンチマークになります。モデル要求は利用可能な特徴量、適格なファンド・日付行、系列ウィンドウに照らして学習前に解決され、ウォークフォワード・フォールドで指定されたETF母集団にモデルを適合させます。…

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、株式オプション分析のケーススタディに適用した5種類の潜在因子アプローチを、モデル系列ごとに紹介します。PCAはリターンパネルから共通の変動を直接推定し、IPCAは特性をエクスポージャーに線形に写像し、条件付きオートエンコーダーは非線形の写像を使います。確率的割引ファクターは価格付けカーネルを推定し、教師ありオートエンコーダーは条件付きモデルの学習目的に将来リターンを加えます。ノートブックは関連ノートブックが公開したモデル群を読み込み、事前に定めたモデル一覧を網羅しているかを確認します。…

この章では、バックテストを、シグナルのタイミング、執行、リバランス、ポジションサイズ、コスト、制約、ベンチマークに関する明示的な仮定を通じて戦略を反証しようとする試みとして扱います。状態、注文順序、現金、約定の扱いからベクトル化シミュレーションとイベント駆動シミュレーションを比較し、同等性を確認する演習で、プロトコルの選択が結果に及ぼす影響を切り分けます。単純なETFベースラインを、以降の比較の基準として用います。…

この資料では、変更不可の学習仕様からモデル要求を再構築し、実行結果を検証するための保護策を説明します。要求がサポート対象の識別情報バージョン、標準の実行階層、一致するモデル系列と研究、一貫した学習識別情報を使用しているかを確認します。固定ホールドアウトでは、ホールドアウト分割であること、完全なフォールドが1つあること、学習および評価の境界が正確であることを明示する必要があります。…