ナレッジライブラリ

このノートブックでは、モデルに基づくポジションサイジングがUS企業特性戦略の均等加重を上回るかを検証します。予測スコアが高い銘柄への配分を増やすスコア加重と、予測区間が信頼性の低さを示す場合に配分を減らすコンフォーマル加重を比較します。各比較では選択済み予測と集中度を固定し、両方式を複数のポートフォリオ集中度と組み合わせて評価します。…

この共通分析ユーティリティは、レジストリ指標と予測単位の診断を通じてトレーディングモデルの予測を比較できます。事前計算済みの情報係数の結果を読み込み、ラベルやモデルファミリーで任意に絞り込めます。また、カバレッジが不完全な古い実行がランキングを歪めないよう、デフォルトでは廃止済みの予測世代を除外します。フォールド単位の指標も確認でき、カバレッジ制約下で代表モデルを選び、予測を整列させ、一致度、バケットの単調性、学習曲線、レジーム条件別のパフォーマンスを調べられます。…

この資料では、CME先物を対象にモデル予測を評価するための基準を説明します。毎週の判断時に商品を予測リターン順に並べ、上位群をロング、下位群をショートで保有し、各側を等ウェイトにします。取引可能な銘柄群から決めた範囲で各側の商品数を変え、集中度が結果に与える影響を確認します。配分最適化、リスク目標設定、取引コストは意図的に含めず、実運用可能な戦略ではなく単純な基準ポートフォリオを評価します。ワークフローでは、リクエストを構築する前に公式予測対象がすべてそろっていることを求め、得られたバックテストを名前付きの比較セ…

このノートブックでは、資金を割り当てる前にシャドーモードで新モデルを評価する手順を示します。固定された現行モデルと候補モデルの保存済み予測を比較し、順位に基づく等ウェイトのロング・ショートポートフォリオを構築します。それぞれに同じ取引コスト規則を適用し、事前に定めた判定基準を評価します。この基準は、最低限のシャープレシオ改善幅と観測期間に加え、シグナル相関、ポジション一致度、相対ドローダウンの上限を組み合わせます。すべての基準を満たすことを求めることで、堅牢な改善を、ノイズの多い成績や戦略エクスポージャーの変化と…

このノートブックでは、日次のポートフォリオリターンと対応するSPYベンチマークを使い、ETF配分のバックテストを評価する枠組みを示します。シャープレシオ、ソルティノレシオ、カルマーレシオ、最大ドローダウンなどのリスク・リターン指標、ローリング指標、ドローダウンからの回復、ベンチマーク対比のアルファ、ベータ、トラッキングエラー、インフォメーションレシオ、選定したストレス局面での成績を扱います。リターンはコストを考慮した登録済みバックテストから取得し、執行の前提はその成果物を引き継ぐため、コストを重ねて差し引きません…

このノートブックでは、ストラドルを売るS&P 500オプション戦略のポートフォリオ配分ルールを比較します。選択済み銘柄とその他の戦略設定を固定し、等ウェイトのベースラインを、モデル予測または原資産リターンのリスク推定を使う配分手法に置き換えます。候補には、スコア加重、逆ボラティリティ、リスクパリティ、階層的リスクパリティ、縮小平均分散最適化、予測区間幅に基づくコンフォーマル加重が含まれます。…

このノートブックでは、学習期間の平均リターンの外積に重みを付けて加え、リターンの共分散行列を修正するリスクプレミアムPCAを解説します。主要な固有ベクトルが静的な因子ポートフォリオを定義します。重みを大きくすると、分散が小さい場合でも平均リターンを説明する方向へ因子が傾きます。価格付けの適合度、評価期間リターンの再構築、重みによる負荷量空間の変化を比較し、事前に選んだ重みで翌日の因子プレミアムを予測します。…

この章では、戦略設計と実運用の一環としてリスク管理を取り上げます。バリュー・アット・リスクと条件付きバリュー・アット・リスクによるテールリスク測定、ドローダウンの深さと回復、エクスポージャーの分解、ストレステスト、適応型制御、ガバナンスを扱います。説明する手法には、ヒストリカル法、パラメトリック法、Cornish-Fisher法によるテール推定、危機局面の再現と仮想シナリオ、ファクター回帰、ボラティリティ・ターゲティング、ポジション決済、ドリフト監視、キルスイッチが含まれます。導入前に限度とエスカレーション規則を…

このノートブックでは、上位のS&P 500株式シグナル設定に対するポートフォリオの配分方法を比較します。まず、検証シャープレシオを使って各設定の全期間をカバーする最良のチェックポイントを選び、スコア加重、コンフォーマル加重、逆ボラティリティ、リスクパリティ、平均分散最適化、階層的リスクパリティなどの配分方法を同じ予測に適用します。また、各リバランスで保有する銘柄数を変え、シグナル段階の均等加重ベースラインと比較します。…

このノートブックでは、ポートフォリオリターンからシミュレーション取引まで、ETFを対象とする月次ローテーションのバックテストを構築します。過去のリスク調整後リターンで10本のファンドを順位付けし、米国債のイールドカーブに基づく局面判定を適用して、上位ファンドとディフェンシブな債券配分を選び、次の取引日の始値で執行します。手数料、現金制限、60/40ベンチマークも同じシミュレーターで処理します。この手順では、シグナル日時点で利用可能な情報だけを使い、同じ日付、価格、コストでポートフォリオを比較することを重視します。…

マクロ・市場シグナルで成長型とディフェンシブ型のETFバスケット間の配分時期を判断できるかを評価します。新たなアルファ要因の発見ではなく、スタイル配分の問題として捉えています。要因帰属分析では、成長型からディフェンシブ型を差し引いたポートフォリオに識別可能なエクスポージャーがあり、統計的に説得力のある年率アルファはないとされています。提案するポリシーは、金利の緩和、株式ドローダウンの深さ、高ボラティリティ・ストレスの緩和、成長ポジションの混雑に対するペナルティを組み合わせます。滑らかな相互作用から連続スコアを生成…

このユーティリティでは、任意でモメンタムを含むFama–Frenchの3ファクターまたは5ファクターモデルを使い、戦略リターンを説明する方法を示します。日次ファクターデータを戦略リターンに揃え、リターンの頻度を検出します。戦略の観測が日次より少ない頻度であれば、ファクターリターンを複利で累積します。通常最小二乗法でアルファとファクターエクスポージャーを推定し、推論にはNewey–Westの不均一分散・自己相関一致標準誤差を使います。ロングオンリー戦略では無リスク金利を上回るリターンをモデル化し、ドルニュートラル戦…

この文書では、モデルの学習とローリング推論に使う時系列パネルを準備するデータセット用ユーティリティを説明します。学習用データセットは、設定可能な系列長、日付範囲、ストライドに基づき、特徴量、将来リターン、ボラティリティ尺度、マスクのスライド系列を返します。日付範囲は利用可能なパネル日付に対応付けられ、完全な系列を確保できない範囲はコンストラクターが拒否します。…

このノートブックでは、公表済みのファクターリターンをポートフォリオの構成要素候補として評価します。次の3点を分けて検討します。ファクターの平均リターンが厳しい統計基準を超えるか、持続する可能性のある要因によってファクター同士が分散効果をもたらすか、選定した危機期間にどのような成績だったかです。長期のAQRおよびFama-Frenchの系列を使い、系列相関を考慮して平均リターンの統計量を補正します。また、多数のファクター探索を考慮するために、一般的な有意水準と、より高い基準を比較します。…

このノートブックでは、ケーススタディのバックテストを対象に、損切り、トレーリングストップ、損失上限、ドローダウン遮断、ボラティリティ目標などのリスクオーバーレイを比較します。各研究のオーバーレイ結果を読み込み、可能な場合は配分段階のバックテストからベースラインを選び、そのパフォーマンスとオーバーレイ適用後を比較します。また、ルールの種類ごとに設定をまとめ、シャープレシオの平均・中央値の変化、改善した割合、ドローダウンの結果を調べます。…

このノートブックでは、ETFの順位付けシグナルをポートフォリオの形成から簡略化したバックテストまで追います。リッジ回帰とロジスティック分類をウォークフォワード分割で学習し、モメンタムおよび均等ウェイトのポートフォリオと比較します。月次リバランスでは、稼働中のシグナルがロングオンリーの上位10銘柄を選び、均等配分します。グロスとネットの成績指標、売買回転率、横断面情報係数を報告し、シグナルの順位付け能力と、そのポートフォリオを取引した結果が異なり得ることを示します。…

このノートブックでは、推定期間の相関ネットワークを使って株式ユニバースの特性を把握し、ネットワークで分散したポートフォリオを構築する方法を示します。評価前に利用できるデータだけで流動性の高い銘柄を選び、リターン相関を距離に変換して最小全域木（MST）を抽出します。次数、媒介中心性、近接中心性で木構造のハブや橋渡しを要約し、逆中心性を使って構造上中心に位置する資産のウェイトを下げます。また、同期的なショック伝播の感応度分析を説明し、後続の評価期間でポートフォリオを比較します。…

このノートブックでは、ETFリターンとローリングボラティリティ特徴量の系列を、ロングオンリーのポートフォリオウェイトに直接変換するLSTM配分器を構築します。ソフトマックス出力により、ウェイトは非負で全額投資となります。リターンを予測してその予測を最適化器に入力する代わりに、学習目的関数は微分可能なシャープレシオを直接最大化します。時系列順に訓練・検証・テストに分割し、学習したウェイトを均等ウェイトおよび逆ボラティリティのポートフォリオと比較します。…

このノートブックでは、共通のETFリターンパネルにポートフォリオ配分手法を適合させ、後続の観測期間で固定ウェイトを評価することで、PyPortfolioOpt、Riskfolio-Lib、skfolioを比較します。平均リスク、テールリスク、階層型リスクパリティ、ペナルティ付き配分を扱い、返されたウェイトを資産ごとに揃えて、ロングオンリーの制約と全額投資を確認します。ウォークフォワード評価は訓練期間内に留め、配分の一つは執行エンジン用の日次目標値にも変換します。…

この共通配分モジュールは、横断面の予測値をポートフォリオのウェイトに変換します。スコアで資産を順位付けし、ロングポジション、またはロング・ショートポートフォリオの上位と下位のバスケットを選びます。ポジションウェイトには、予測区間が狭いほどウェイトを大きくするコンフォーマル予測区間幅ベースの方法や、逆ボラティリティを反映できます。各サイドは別々に正規化します。コンフォーマル区間幅が欠損している場合はエラーとなり、ボラティリティが欠損している場合は意思決定時点の横断面から補完できます。上限処理では資産ごとの絶対ウェイ…

この文書では、先物間の共動から推定する共通のリターン要因として潜在ファクターを紹介します。名前付きの予測変数として与えるものではありません。各学習分割内で推定する2つのアプローチを比較します。主成分分析（PCA）はリターンの分散を最も多く説明する線形方向を見つけます。一方、ニューラル確率的割引ファクター（SDF）はクロスセクションの期待リターンを説明する共通の価格付け要素を探します。PCAはリターンのみを使いますが、SDFは特性を操作変数として使い、特性に応じたエクスポージャーを表現できます。…

このノートブックでは、月次のETFモメンタムとイールドカーブのレジーム戦略を、ベクトル化したリターン計算と逐次的な口座シミュレーションの2つの方法で適用します。どちらも目標ウェイト、資産、日付、取引コスト合計が同じため、目標が有効になる時点、約定価格、整数株の制約、現金管理などの執行上の選択に比較を絞れます。シグナルはルックバックリターンを実現ボラティリティに対して評価してETFを順位付けし、リスクオン局面では選択したファンドを保有し、それ以外では債券ETFを使います。…

この文書では、資産ごとの時系列とコンテキストを、上下限のあるポートフォリオのリスクウェイトに変換するニューラル方策ネットワークの構造を説明します。資産ごとのバックボーンには、コンテキスト埋め込み、特徴量ごとの変調、変数選択、LSTM、因果的な時間方向のアテンションを組み合わせます。次に、遅延を考慮したクロスセクショナル・アテンションで資産間の関係を処理し、必要に応じてマクロ経済の隣接グラフに制約されたアテンションを適用できます。…

このノートブックでは、機関投資家の13F提出書類を、運用者と株式を結ぶ二部グラフに変換し、銘柄ごとの保有特徴量を導出します。同一運用者と銘柄の重複ポジションを集約し、発行体名を標準化して、オプションの行を除外します。未提出を売却と誤認しないよう、報告四半期が完了してから利用します。提出日から選択した運用者全体のスナップショットが利用可能になる時点を判断できるため、時点整合的な調査に役立ちます。…