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。
654件の資料
この事例研究では、広範なUS株式ユニバースを対象に日次の横断面シグナルを評価し、特定時点のデータや設計した特徴量から、モデル比較、ポートフォリオ構築、コスト、未使用データでの評価まで、長い研究工程を示します。ウォークフォワード検証、複数の将来リターン期間、線形モデルと木ベースモデル、表形式および時系列のニューラルモデル、潜在因子法を用います。トレード戦略では、時代に応じた取引コストと借株を考慮し、ドルニュートラルのロング・ショートポートフォリオ向けに株式を順位付けします。…
このノートブックでは、複数のトレード事例にわたるLightGBMモデルを整理して比較し、利用可能な場合は線形モデルとTabMを参照モデルとして用います。木の規模、回帰損失、チェックポイント、分類目的関数ごとに構成を評価します。主なシグナル指標は、日次横断面スピアマン情報係数の平均であり、HAC信頼区間とともに報告します。モデル間で評価フォールドと日数が一致しているかを考慮する比較設計です。…
この文書では、固定期間にわたりポジションを清算するエージェントを学習させるGymnasium環境を説明します。観測値には残存在庫と残り時間のほか、スプレッド、市場の厚み、ボラティリティ、通常またはストレスのレジームが含まれます。連続値のアクションで基準スケジュールに対する執行ペースを設定し、参加率とスケジュールの上限で取引を制約します。完了を確実にするため、最終ステップですべての残存株式を売却します。…
このノートブックでは、表形式の特徴量からETFの将来リターンを予測し、LightGBMをMLP、TabM、および利用可能な場合はTabPFNと比較します。各モデルを共通の時系列ウォークフォワードフォールドで評価し、順位情報係数と学習時間を主要な比較指標とします。ニューラル手法には単純な多層パーセプトロンと、共通のバックボーンを持つ複数のアダプターヘッドの予測を平均するTabMが含まれます。学習にはL1損失を使い、各学習期間内の未使用データで停止時点を選びます。…
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、プレーンなPythonによるオーケストレーション、CrewAI、LangGraphを使って、4段階の予測ワークフローを表現します。状態の保持場所、失敗の調査や復旧方法、各方式が追加する依存関係、トレースの仕組みを比較します。ネイティブ版とLangGraph版は同じ専門家クラスを組み合わせますが、CrewAI版は役割を与えたタスクを使い、モデル呼び出しの経路も異なります。そのため、予測確率はフレームワークの性能を統制条件下で比較したものではありません。…
このノートブックでは、複数の通貨を共有する通貨ペア間でリターンが連動する市場を対象に、線形モデルの正則化を検討します。リッジ、ラッソ、エラスティックネットで対処できる特徴量の共線性と、順位付け対象の資産間にある依存関係を区別します。係数へのペナルティでは、後者は解消されません。リッジは特徴量を残しながら係数を縮小し、ラッソは係数をゼロにでき、エラスティックネットは両方の性質を組み合わせます。ペナルティ設定は各学習フォールド内で決め、共通のウォークフォワードサンプルでモデルを学習・評価します。…
この章では、統計手法を当てはめてトレードモデルの特徴量に変換する方法を概説します。診断と定常性、構造変化、分数差分、カルマンフィルター、スペクトル法とパスシグネチャ法、ARIMAとGARCHによるボラティリティ分析、HARとラフボラティリティの指標、不確実性推定、レジームモデル、横断面またはパネル変換を扱います。出力には、フィルター処理した水準やトレンド、イノベーション、予測値、条件付きボラティリティ、レジーム確率、事後または予測の不確実性が含まれます。…
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、20通貨ペアで候補シグナルを1特徴量ずつ評価します。ウォークフォワード検証期間のみを使い、各特徴量の日次横断順位と翌営業日のリターンとの一致度を計算します。ラベルの結果がホールドアウト期間内で確定しないよう、評価パネルの終了を十分前に設定します。カバレッジと陳腐化のフィルターで、評価に不十分なほど疎な列や変化のない列を除外します。また、ニューイー・ウェスト方式の不確実性推定で、隣接セッション間の依存を考慮します。フォールドごとの方向性確認、冗長性分析、偽発見率の調整により、不安定さと多数の検…
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。…
このノートブックでは、LightGBMのリターン予測モデルを調整するために、全組み合わせを調べるグリッド探索とOptunaのTPEサンプラーを比較します。まず、どちらの方法にも同じ離散パラメータグリッド上で同じ試行予算を与えます。列挙ではすべての組み合わせを調べますが、サンプリングでは同じ点を再び試す場合があります。次に、固定グリッドでは表せない連続パラメータ空間を検討します。この比較では、探索空間が許す範囲とサンプリング手法が見つけられる範囲を分けて考えます。…
このモジュールでは、モデルのリクエスト、予測とバックテストの実行、候補プール、最終選択を含む、CME先物研究の読者向けワークフローを定義します。共有設定宣言から設定済みのラベル探索を読み込み、宣言された順序を保ち、要求されたモデル設定が各ラベルに存在するか確認します。研究の構築では、標準実行と縮小版のプレビュー実行を区別し、プレビュー出力が標準の母集団構成要素として扱われないよう実行情報を付与します。…
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。…
この文書では、モデルの不確実性が点推定値を超える情報をもたらす仕組みを説明します。過去のリターンからボラティリティを定義するGARCHと、ボラティリティを潜在的な自己回帰過程として扱い、リターンをスチューデントのt分布でモデル化する確率的ボラティリティモデルを対比します。事後分布の広がりは、持続性、ボラティリティの動態、裾の挙動の推定値とともに、時間変化する特徴量として利用できます。…
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。…
このノートブックは、文書に基づく金融アシスタントのセキュリティ規則を、手作業で作成した6つのケースで評価します。ケースには、プロンプトインジェクション、信頼できない資料中の捏造された数値、実行を試みる操作、取得されていない内容への引用が含まれます。取得内容を無差別に使うベースラインと、フレーズベースのインジェクション検知に信頼性フィルタリングと証拠確認を組み合わせた防御ポリシーという、2つの回答ポリシーを比較します。…
このノートブックは、検証で既に選ばれたFXの設定を再学習し、後続のホールドアウトバックテストに向けて予測を登録します。凍結された候補セットに限定して、破綻していない検証バックテストから選択を解決し、選ばれたモデルの変更不可な検証仕様から学習仕様を再構築します。ホールドアウト期間は選択されたラベルの観測タイムラインに従い、ラベルの結果が評価期間に入り込まないよう、十分な幅の学習バッファを設けます。…
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。…
このノートブックでは、学習済みのGJR-GARCHモデルと隠れマルコフモデルから、先読みバイアスを抑えた取引特徴量を作る方法を説明します。GJR-GARCHは条件付きボラティリティを推定し、負のリターンショックの影響がより大きいことを捉えます。2状態のガウスHMMは、クロスセクションのファンディング決済額から市場局面をモデル化し、ストレス確率のフィルター済み値を出します。両モデルは過去データを拡張しながら所定の頻度で再学習し、検証中はパラメータを固定します。初期のバーンイン期間では特徴量を使いません。…
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。…
この文書では、先物キャリーから作る3つのモデルベース特徴量を説明します。翌セッションのキャリーを予測するARIMA、選択した周期長のローリング・フーリエ指標、平均キャリーから市場局面を推定する2状態の隠れマルコフモデルです。中心的な教訓は時間の扱いです。推定パラメータは過去の観測値だけで学習し、宣言したスケジュールで更新して、次の再学習までは固定する必要があります。隠れマルコフモデルのフィルター済み状態確率は、後のデータを使わず、現在と過去の観測値を用います。特徴量を将来の観測値で推定していれば、ウォークフォワー…
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。…