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、ETFの21日先リターンを予測するため、通常の最小二乗法をリッジ、LASSO、エラスティックネットと比較します。各モデルには同じウォークフォワードフォールドを適用し、ラベル期間に合わせたパージ間隔を設けます。各フォールドでは学習セットのパーセンタイルを使って特徴量の極端値をクリップし、学習前に特徴量を標準化します。評価には横断面順位情報係数を用い、資産数が少なすぎる日や予測に変動がない日は未定義として除外します。…
このノートブックでは、価格水準から金融特徴量を抽出する局所線形トレンドの状態空間モデルを説明します。隠れ状態には価格水準と傾きが含まれ、観測値はノイズを含む終値です。各ステップでフィルターは状態を予測し、観測値のイノベーションを測定して、カルマンゲインに従って推定値を更新します。得られる水準、傾き、イノベーション、不確実性は、トレンド、予想外の変化、確信度を示すために使えます。ノイズ設定は推定値の反応速度を左右し、最尤法による当てはめは手動設定に代わるデータに基づいた方法です。…
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、潜在因子を抽出してロング・ショートの固有ポートフォリオを構築します。標準化されたPCAベクトルを生リターンのウェイトに変換し、グロスエクスポージャーで正規化する方法を説明します。さらに、説明分散、セクターとの関連、階層的PCA、残差の挙動、ポートフォリオのリスク分解を検討します。セクターETFとの相関を使い、名前の付いていない成分に説明的なラベルを付けます。…
このノートブックでは、上場オプションデータを読み込んで株式を順位付けし、その株式を保有する戦略向けに、将来の株式リターンラベルを作成します。企業行動を反映した調整済み価格系列を作成し、永続的な証券IDで企業を識別したうえで、各将来期間が完全であること、単一の証券内に収まること、取引セッション単位で測定されていることを確認します。また、リターンが得られない場合を明示的に処理して方向性ラベルを導出します。保有期間と検証時のパージ用バッファを区別し、シグナルの観測時点ではなく各結果が確定する時点に基づいて診断対象の期間…
このノートブックでは、親注文を有限期間の制御問題として扱います。各時間区間で、表形式Q学習が、時間と残存在庫に加えて直近に観測したスプレッドおよびボラティリティのレジームを条件として、VWAPベースの取引分割量に掛ける倍率を選びます。報酬では、スプレッドやシナリオに基づく市場インパクトを含む執行コストと、ボラティリティの高い時間帯に在庫を保有することへの線形ペナルティのバランスを取ります。参加率の上限で約定量を制約し、終端ペナルティによって未約定在庫にコストを課します。価格やリターンのシグナルは除外し、方向性のタ…
このノートブックでは、過去のUS株式リターンから相関ネットワークを作り、ポートフォリオ構築を検討します。推定期間のデータを使って流動性の高いユニバースを選び、ペアごとの相関を距離に変換し、密な依存構造を見やすくするため最小全域木（MST）を抽出します。次数、媒介、近接の各中心性で、資産がその木の中で占める位置を表します。次に、ポジション上限の範囲内で、構造的なハブへのウェイトを低くする逆中心性ルールを適用します。このノートブックでは、これらの配分をポートフォリオのベンチマークと比較し、定型化したショック伝播の感応…
このノートブックでは、オプション分析における株式リターン予測のための、特徴量に条件付けない潜在因子ベースラインとして主成分分析を示します。PCAは過去のリターンパネルから共通変動と各銘柄のエクスポージャーを推定し、学習期間に推定した因子平均から予測を作ります。インプライド・ボラティリティ、スキュー、期間構造、その他のオプション特徴量は意図的に除外しています。このベースラインによって、関連モデルでエクスポージャーをそれらの特徴量に条件付けることの効果を測定できます。…
この事例研究では、上場オプションの情報がS&P 500銘柄の選択に役立つかを調べます。2017から2021までの633銘柄を対象に、日次株価と、オプションが示唆するボラティリティ水準、スキュー、期間構造、分散リスクプレミアム指標を組み合わせます。オプション特徴量にはラグを設け、金曜日のデータでポートフォリオを選び、翌週月曜日の寄り付きから取引を始めます。研究ワークフローでは、リターンのラベル付け、特徴量の構築、複数のモデル群、ポートフォリオ配分、リスク制御、取引コスト、後続期間での評価を扱います。…
このノートブックでは、最大順行幅（MFE）と最大逆行幅（MAE）を使い、観測された価格経路に基づいてトリプルバリア・ラベルの幅を設定します。ローソク足の終値でポジションを建てた場合、次のバーから始まる将来の保有期間における最も有利な値動きと最も不利な値動きを測ります。ロングとショートでは定義が逆になります。また、真の値幅とワイルダー平滑化を用いる平均真の値幅を説明し、ボラティリティに応じてバリア幅を調整する方法を示します。…
このノートブックでは、ETF株式戦略の運用サイクルを実演します。市場データを更新し、金融特徴量を計算し、Ridgeモデルを再学習して、最新の横断的予測を生成します。それらをバックテストエンジンで再生し、上位銘柄のバスケットをペーパーブローカー向けに準備します。正則化の設定はリサーチレジストリから取得し、固定された設定と照合します。オフライン再生から基準となる取引記録を作成し、保存された実行記録では予定、試行、受理、失敗した注文を追跡します。…
この文書では、数値とカテゴリが混在する金融データの行をテキストにシリアライズし、そのレコードで言語モデルをファインチューニングして、生成テキストを再び表に変換するフレームワークGReaTを紹介します。例では、過去のリターン、ボラティリティ、出来高、方向またはレジームを示すカテゴリラベルからETF特徴量を作り、将来リターンを目的変数とします。合成レコードをホールドアウトした実データと比較し、合成データで学習して実データでテストする評価による下流利用も論じます。…
このノートブックは、幅広いUS株式パネルの共通変動を表現するために、主成分分析を使います。PCAはリターンの共通変動を説明する方向を抽出し、各銘柄の負荷量は各方向へのエクスポージャーを測ります。限られた数の因子から再構成した予測は、銘柄固有の情報を捨てる一方で、パネルと共通する株価の動きを捉えます。将来のリターンを因子推定に使わないよう、各ウォークフォワード学習フォールド内で因子を適合し、その後、検証行に適用します。…
このノートブックでは、過去のリターン特徴量の系列からETFの将来リターンを予測する時間畳み込みネットワーク（TCN）を紹介します。因果畳み込みにより、各出力がその日までの観測値だけを使うようにします。また、拡張率を指数関数的に増やし、入力ウィンドウ内で受容野を広げます。残差接続は層の深い構成を支え、ブロック設計には重み正規化とチャネルドロップアウトも含みます。モデルはゼロ予測に対する二乗誤差とクロスセクション順位相関を使って、Ridge回帰のベースラインと比較します。…
このUS株式パネル研究では、引け時点で観測した特徴量から将来リターンを予測するベースラインとして、ペナルティ付き線形モデルを使います。重複するモメンタム指標とボラティリティ指標が多重共線性を生み、通常の最小二乗法の係数を不安定にする場合があります。係数を縮小するRidge、係数をゼロにできるLasso、両方のペナルティを組み合わせるElastic Netを比較します。ペナルティ強度のグリッドを使い、複数のウォークフォワード・フォールドとリターン期間で正則化が検証情報係数に与える影響を測定します。…
このノートブックでは、計測付き主成分分析（IPCA）を説明します。各株式のファクター・エクスポージャーを、同日のオプション市場面の特徴量の共通線形関数として表し、共通ファクターを推定します。特徴量にはインプライド・ボラティリティ、プット・コール・スキュー、期間構造の傾き、インプライド分散と実現分散が含まれます。交互最小二乗法で特徴量からエクスポージャーへの写像とファクターリターンを推定し、リターン履歴からエクスポージャーを求め、均衡パネルを必要とする通常のPCAと比較します。…
この事例研究では、幅広いUS株式パネルの将来リターンを予測するベースラインとして線形モデルを使用します。価格と出来高の特徴量が重複することで多重共線性が生じ、通常の最小二乗法の係数が不安定になる理由を説明し、Ridgeによる縮小とLasso、ElasticNetによる特徴量選択を比較します。モデルは複数のウォークフォワード・フォールドと予測期間で評価され、予測値と実行記録は後のバックテストに備えて保存されます。情報係数の順位は正則化の影響を示しますが、最終的なトレード戦略を選ぶものではありません。…
このノートブックでは、予測値、集中度、配分ルールを固定したまま、有力なETF資産配分の設定を2種類のコストグリッドで再評価します。事例研究で使う株当たり手数料と半スプレッドのモデルと、取引額に比例して課金するベーシスポイントのグリッドを比較します。前者はETFの取引コストと株数の関係を反映します。複数のコスト水準で登録済みのバックテストを行って成績低下曲線を作り、純シャープレシオがゼロになる水準や、テストしたグリッドがその交差をどこまで限定するかを評価できます。この比較はコストの仮定への感応度を明らかにするもので…
このノートブックは、3月2020の単一取引日における各AAPL取引について、その時点で有効な最良買い気配と最良売り気配を再構築し、Lee–Ready法で買い手と売り手のどちらが取引を主導したかを推定します。タイムスタンプ順に気配値と取引を並べ、最新の買い気配と売り気配を引き継ぎ、各取引価格を気配仲値と比較します。仲値から外れた取引は気配値テストで分類し、仲値での取引は直前の価格変化の方向を使うティックテストで分類します。こうして売買方向の符号を付けた取引データから、スプレッド分布、注文不均衡、取引日の売買主導方向…
このノートブックでは、US株式パネルから構築した戦略が取引摩擦に耐えられるかを評価する方法を説明します。検証シャープレシオを使ってラベルごとに1つの設定を固定し、同じ戦略を指定した複数のコスト水準で再評価します。これにより、選んだコストの仮定でたまたま最も成績が良くなる戦略を検証中に選んでしまうのを防ぎます。対象にはシグナル、資産配分、リスク管理オーバーレイの各段階が含まれ、リスク戦略を再評価する際もオーバーレイを維持します。…
本論文は、ロバストな正の期待値定理を単一銘柄から2銘柄のペアへ拡張します。元の結果は、特別に設計されたロングとショートの線形フィードバック制御器を組み合わせ、幅広い確率的株価過程にわたって期待値がロバストに正となる損益関数を生み出すことに関するものです。…
このノートブックでは、過去のモメンタム特徴量から21日後のETFリターンを予測する2種類のTransformer設計を比較します。PatchTSTは連続する日をパッチにまとめ、短い局所形状の系列を各トークンに配置します。一方、iTransformerは各特徴量の履歴をトークンとして扱い、時間順序を各トークン内に保ちながら、注意機構によって変数間の関係を捉えます。同じETFパネルを用い、両モデルをRidge回帰およびリターンゼロの予測と比較します。評価にはクロスセクションの順位情報係数と二乗誤差を用います。…
このノートブックでは、取引摩擦、資金調達、ファンド経費を別々にモデル化し、グロスリターンをネットパフォーマンスに換算する記述的な方法を示します。パラメータ化したコスト構成では、売買回転率と取引規模から取引コストを、レバレッジとショートエクスポージャーから資金調達コストを、運用・管理費の仮定から年間経費を計算します。これらの控除を、日次ETFリターン系列の3つの設定に適用します。売買回転率の高いQQQ、レバレッジをかけたQQQ-IWMのロング・ショートスプレッド、売買回転率の低いSPYです。…
このノートブックでは、再構成したNASDAQの注文板を分析し、最良買い気配と最良売り気配の場中スプレッドと厚みを記述したうえで、注文フロー不均衡が次の時間区間のリターンと関連するかを調べます。株価水準の異なる銘柄間でコストを比較できるよう、スプレッドをベーシスポイントで表します。また、取引時間中のスプレッドと最良気配の厚みを図示し、解析したメッセージ内の追加と取消から不均衡を構成します。裾の厚い時間区間の影響を抑えるため、生の不均衡と符号付き対数変換を比較し、単一銘柄に頼らず銘柄間の相関も調べます。…
このノートブックでは、条件付きオートエンコーダーが計器変数付きPCAをETFリターンのモデリングへ拡張する方法を説明しています。どちらの手法もファンドの特徴量をファクター・エクスポージャーに写像し、そのエクスポージャーとファクターリターンを組み合わせます。オートエンコーダーは、IPCAの線形な特徴量からエクスポージャーへの写像をニューラルネットワークに置き換えます。学習にはウォークフォワード分割を用い、定められたエポックのスケジュールに従って、ラベルごとに複数のチェックポイントを生成します。このノートブックではす…