ナレッジライブラリ

このノートブックでは、損失トレードと、その判断に関連するモデルの説明を結び付ける手順を示します。価格データとマクロ経済データから単一資産のSPY特徴量パネルを作成し、過去の観測値でLightGBMモデルを学習させ、後の観測値を使ってトレード記録とSHAPの説明を作成します。トレード分析器は、最も損失の大きいトレードの説明をクラスタリングし、特徴量、レジーム、データの問題を調査する手掛かりとなるパターンを探します。…

このノートブックでは、NASDAQ-100銘柄の予測を対象とする15分足バックテストの流れを説明します。最初にランダムシグナルで処理系を確認します。ランダムな売買はコスト控除後に損失となるはずなので、利益が継続する場合は先読み、データの不整合、コスト計上漏れなどの問題を示している可能性があります。次に予測とエントリー方式の組み合わせを共通のバックテストエンジンで検証し、記録した結果を、デフレート・シャープレシオなどの統計指標で評価します。説明する設定では、取引価格から作成したOHLCVバーを使い、手数料とスリッペ…

このノートブックでは、NASDAQ ITCHの取引データから市場マイクロ構造の指標を作成し、取引を日中バーに集計します。また、流動性の代理指標、注文フローのシグナル、注文板の状態を区別します。集計前にティックルールで個々の取引を分類し、買い出来高と売り出来高から意味のある注文フロー不均衡指標を作成します。次に、Kyleのラムダの比率近似、Amihudの非流動性指標、Rollスプレッド、取引強度を示し、それぞれの入力と解釈を説明します。…

このノートブックでは、上場オプションのシグナルを読み取り、原株を取引する戦略向けに先行リターンのラベルを作成します。日次の株価を株式分割と配当で調整し、継続的な証券識別子を使用します。想定するエントリーと決済で執行可能な価格の間のリターンを定義します。各先行期間が完全で、単一証券内に収まり、単に利用可能な行をずらすのではなく市場の取引セッション数を数えているか確認します。ラベルには、異なる保有期間に対するリターン、リスク調整済み、方向性の各バリエーションが含まれます。…

このノートブックでは、データセットに残っているUS株式の均等加重ポートフォリオが、データセットから退出した企業を含むポートフォリオに比べて、リターンをどの程度過大評価しうるかを推定します。まずパネルデータに退出がいつ記録されているかを調べ、利用できる退出履歴は期間の後半から始まることを確認します。データセットには上場廃止の理由や最終リターンがないため、公表されたCRSPの発生率に合わせたシナリオを使い、最終気配値以降の結果をモデル化します。ポートフォリオのバイアスを計算する前に、未調整の企業行動が原因と考えられる…

このノートブックでは、異なる市場期間におけるETFのモメンタム特徴量と暗号資産無期限先物の特徴量を対象に、共変量ドリフトを監視する方法を示します。個々の特徴量分布の変化を測る母集団安定性指数（PSI）と、参照標本と現在の標本を組み合わせて区別できるかを検証するワッサースタイン距離およびドメイン分類器を比較します。本番監視の例では、スコアをアラート水準に対応させ、アラートをまとめて再学習の推奨につなげます。…

このノートブックでは、計量主成分分析を使い、各銘柄に固定の負荷量を割り当てるのではなく、観測可能な株式特性に応じて潜在因子の負荷量を変える方法を説明します。特性から因子エクスポージャーへの共通の写像により、訓練パネルに含まれない銘柄の負荷量を算出でき、銘柄の特性が変われば負荷量も調整できます。通常のPCAと並べて手法を示し、因子数、パネル、ウォークフォワードの分割を一定にして比較する想定です。…

このノートブックでは、ロングオンリーで資金を全額投資するマルコウィッツの枠組みを構築し、実現可能なポートフォリオ、効率的フロンティア、最大シャープレシオ解、最小分散解を扱います。ポートフォリオ分散が共分散行列にどう依存するか、資産が常に同じように動くわけではない場合に分散投資がリスクを抑えられる仕組みを説明します。資産リターンの重複性と、それに伴う数値感度を診断する指標として条件数を使います。…

この文書では、金融データセット向けの再利用可能な診断項目を紹介します。インデックスの整合性、重複、欠損、外れ値、カレンダー上の欠落、分野固有の異常を確認します。パネルデータの銘柄ごとの並び順も含め、時刻の型、順序、一意性を検査し、完全一致する重複と、値が異なるキーの重複を区別します。網羅性レポートでは、フィールド、資産、時点ごとの欠損値を要約し、無効な価格や出来高、異常なリターン変動なども追加で確認します。…

この文書では、少数の観測されない共通因子が横断面の変動の大部分を説明すると仮定する、企業リターンモデルの一群を紹介します。企業特性からリターンを直接予測するのではなく、企業特性から各社の因子エクスポージャーを推定し、そのエクスポージャーと推定した因子リターンを組み合わせます。この制約により統計的に扱いやすくなる一方、横断面を少数の因子で十分に説明できない場合は残差リターンが支配的になり、直接予測するモデルの方が優れる可能性があります。…

この文書では、ウェーブレット分解とローリング・スペクトル推定が、金融リターンを異なる時間スケールでどう表現するかを説明します。ウェーブレットはリターンを徐々に長い期間にわたる成分へ分け、どの時間スケールが変動の大部分を占めるかを把握できるようにします。例では日次のSPYリターンを用いて複数のウェーブレット族を比較します。最も短期の成分が分散の大半を占める一方、長期成分は各族でおおむね似ていることが分かります。…

このノートブックでは、ボラティリティ、モメンタム、横断面でのキャリー順位を調整したうえで、先物のキャリーがその後のリターンに影響するかを二重機械学習で推定します。因果関係の説明と予測性能を区別します。バックテストで利益が出ればキャリーがリターンを予測することは示せますが、キャリー自体がリターンを生む原因だとは立証できません。柔軟な補助モデルで交絡因子から処置と結果を予測し、クロスフィッティングで標本内バイアスを抑えます。ボラティリティのクラスター化と重複するリターンラベルによって残差が依存するため、不均一分散・自…

この文書では、資金を配分する前に、現行モデルと候補モデルをシャドー評価で比較する方法を説明します。両者の役割と昇格基準を事前に定めたうえで、年率換算シャープレシオの改善幅、最低観測期間、シグナル相関、ポジションの重複度、最大ドローダウンの相対値という5つの観点から候補を評価します。両モデルは、順位付けしたロング・ショートポートフォリオでスコアを算出し、それぞれの売買回転率に応じて取引コストを課します。最低改善幅を求めることで短期間のノイズの多いシャープレシオ推定に対処し、類似性の確認によって、異なる戦略やエクスポ…

このノートブックでは、Parquetソース、エンティティ、特徴量ビュー、タイムスタンプ、有効期間ポリシーを使ってFeastを設定し、学習用の例と実運用に近い時点指定クエリの特徴量を取得する方法を示します。Feastの出力と手書きのポイントインタイム結合を特徴量ごとに比較します。許容誤差を小さく設定することで、通常の丸め誤差ではなく、誤った行の選択が不一致の原因となる場合を検出できます。…

このノートブックでは、株式ファクターモデリングに使う教師ありオートエンコーダを紹介します。横断面を再構成してボトルネック表現を学ぶ教師なしオートエンコーダとは異なり、このモデルは学習目的関数に将来リターンも含めます。そのため、目的変数は予測だけでなく学習された表現も形作ります。それぞれのラベルが損失に直接含まれるため、将来リターンのラベルが異なれば、学習済みモデルも異なります。…

このノートブックでは、日中の株式リターンにおける連続的な価格変動とジャンプを分離する方法を説明します。リターンの二乗から日次実現分散を推定し、ジャンプに頑健な連続成分の推定値としてバイパワー変動を使います。両者の差をゼロ未満にならないよう切り詰め、その値からジャンプ分散を推定します。続いてLee–Mykland検定を適用し、同じ取引セッション内の過去のリターンから得た局所ボラティリティ推定値で各リターンを標準化します。…

このノートブックでは、CME先物にニューラル確率的割引ファクターモデルを適用します。資産価格理論における確率的割引ファクターとは、各資産のリターンとの積が無裁定のもとで同じ期待値を持つ確率変数です。このモデルでは、キャリー、モメンタム、ボラティリティなどの商品リターンと観測可能な特性の両方を使って、この潜在変数を推定します。リターンのみを使うと説明されているPCAとの比較とは異なり、SDFでは特性を横断面の操作変数のウェイトに反映できます。…

この設定メモでは、バックテストの識別情報に含まれる設定と、シミュレーション上の取引コストに実際に影響する設定を区別します。説明されているケーススタディでは、登録済みの実行はすべてベクトル化された満期決済経路を使います。設定された執行価格、手数料率、スリッページ率の各フィールドはその経路に渡されません。また、気配値側での約定はイベント駆動型ブローカーの機能ですが、ベクトル化された実行ではそのブローカーを構築しません。既存の実行のハッシュ化された識別情報が変わるため、これらの設定は構成に残されています。…

このノートブックでは、ETF価格とマクロ経済系列を使い、先読みバイアスを検出する方法を示します。中央移動平均には将来の観測値が含まれるため、価格の転換点を過度に追う場合があり、将来の入力が未到着の直近部分は値がありません。水準と次期リターンの相関検定では、将来価格を明示的に含む特徴量でさえ検出できません。このノートブックは、特徴量自身のリターンと次の価格リターンを比較する、スケールをそろえた検査を提案します。ただし、このヒューリスティックは適切な特徴量構築の代替ではありません。…

この文書では、既知の合成データ生成ファミリー内での教師あり推論として、ADIA Labの因果発見チャレンジを検討します。この課題では、多数のラベル付きデータセットとグラフのペアを使い、処置と結果を中心とする8つの役割に変数を割り当てます。教師ありモデルがそこで古典的な発見手法を上回る場合がある理由として、シミュレーターが生成した例から安定した統計パターンを学習できることを説明します。また、一部の手法ではPCやNOTEARSなどの手法の出力をモデル特徴量として使います。…

このノートブックでは、日中の株式リターンを連続的な価格変動と離散的なジャンプに分けます。対数リターンの二乗から日次実現分散を推定し、ジャンプに頑健な連続成分の推定値としてバイパワー変動を用います。両者の差をゼロ未満にならないよう切り詰め、その値からジャンプ分散を推定します。続いてLee–Mykland検定を適用し、同じ取引セッション内の過去の観測値から推定した局所ボラティリティを基準に各リターンを標準化します。Gumbel分布に基づく臨界値は、日中に多数のバーを検定することを考慮し、局所ボラティリティの変化にも適…

このノートブックでは、ETFパネルを使ってペア分析と横断面特徴量を説明します。Engle–Granger検定とJohansen検定による共和分検定を比較し、定常なスプレッドと単なる連動を区別します。エネルギーETFと原油ETFの例では、どちらの検定にも合格しません。ファンドの保有銘柄や先物のロールコストの違いは、固定比率の組み合わせが変動する理由の説明に役立ちます。共和分検定で棄却された場合、そのヘッジ比率は取引可能な関係の証拠ではないと、このノートブックは注意を促しています。…

本論文は、2資産間の価格スプレッドを平均回帰過程に従う潜在状態としてモデル化しています。スプレッドのイノベーションは非ガウスかつ異分散であることを許容し、平均回帰は非線形としています。フィルター後のスプレッド推定値を取引シグナルに用い、モンテカルロ・シミュレーションによって売買ルールを選択する戦略を提案しています。…

この研究では、日中のビットコインリターン関数を予測するために、関数主成分分析（FPCA）を適用しています。関数観測と離散時間ダイナミクスを結び付けるものとしてKarhunen–Loève動的因子モデルを導入し、連続稼働市場向けに設計されたローリングFPCA手順を提案しています。予測には、時間単位および15分間隔でサンプリングしたリターンを使用しています。また、条件付き異分散性も検討し、分散の変化を考慮すると将来のリターン関数の区間予測が改善するとしています。…