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。
619件の資料
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、モデリング前に市場系列の特徴を把握する手順を示します。まずSPYの価格とリターン、VIXの水準、リターン分布を図示し、トレンド、ボラティリティのクラスタリング、厚い裾を確認します。次に、拡張Dickey-Fuller検定とKPSS検定を組み合わせて読む方法を説明します。帰無仮説の方向が逆であるため、結果を併せて解釈すれば、定常性の根拠、単位根、見解の不一致、結論を出せないサンプルを区別できます。…
このノートブックでは、TWSまたはGatewayを介してInteractive Brokersに戦略を接続する運用手順を示します。セッションがペーパー口座であることを確認し、口座の評価額とポジションを読み込み、ライブ配信の開始前に過去のバーを取得して戦略の状態を初期化します。5日間のETFモメンタム戦略をバックテストと実運用エンジンで共有し、受信したティックをバーに集約します。…
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、モデルの不確実性が点推定を超える情報を加える方法を説明します。潜在対数ボラティリティが時間とともに変化し、リターンがStudent-t分布に従う確率的ボラティリティモデルを当てはめます。サンプラーの収束とモンテカルロ誤差に注意しながら、事後分布の広がり、区間幅、パラメータ推定値を特徴量として抽出します。また、ARIMAモデルの予測区間と、不確実性を推定した尺度上で測るべき理由も説明します。…
この評価ハーネスは、金融分野の検索拡張生成パイプラインにおける4種類の失敗を切り分けます。関連する根拠の検索、根拠に基づく回答、回答不能な質問への回答拒否、検索された文章に含まれる危険な指示への抵抗です。質問、実際の提出書類の抜粋、生成回答、引用、想定される拒否または安全性の動作を含む手作業のテストデータを使用します。ノートブックでは個別指標を定義し、構成要素ごとのスコアと複合スコアを調べ、統合された結果は基礎となる指標にさかのぼって確認すべきだと論じます。…
この分析では、企業特性に基づく月次US株式戦略の登録済みバックテスト・パイプラインを読み取ります。シャープレシオの不確実性、確率シャープレシオとデフレート・シャープレシオ、戦略のペア比較、ホールドアウトでの成績低下、小型株の非流動性を反映するよう設計したコスト分析を報告します。検証データで戦略仕様を選択し、ホールドアウトでは選択を繰り返すのではなく、その固定した選択を評価します。測定された変化と点推定値の差を区別するため、ペア指標と信頼区間を使います。この文書では解釈の限界を強調します。ホールドアウトは暦年で1年…
このノートブックでは、適格な全データ網羅候補のうち検証シャープレシオが最も高い配分系列に対し、ポジション単位の損切り、トレーリングストップ、時間決済を評価します。各オーバーレイを、オーバーレイなしの親構成と比較してリスクルールの効果を切り分けます。ペアのブロック・ブートストラップ区間で、ドローダウンとの比較に加え、シャープレシオの差がゼロと区別できるかを評価します。選択と調整には検証データのみを使います。同じ価格経路で閾値の設定と評価を行うことになるため、検証全体のMAE較正閾値は除外します。固定した構成の評価に…
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、すでに選択された暗号資産無期限先物の構成に、執行コストが及ぼす影響を測定します。モデル、チェックポイント、エントリー規則、配分手法、リスク制御を固定し、取引想定元本に対する往復コストを宣言済みのグリッドで変えて戦略を再実行します。得られるコスト低下曲線は、候補の順位付けや選択ではなく、構成がどの程度の摩擦に耐えられるか、どこで損益分岐点に達するかを示すことを目的とします。…
この章では、「時系列の観測順序には横断的な予測では捉えられない情報があるのか、あるならどのモデル設計で利用できるのか」という実践的な問いを通じて、時系列の深層学習を概観します。逐次学習の負荷がある再帰型ネットワーク、N-BEATSなどの分解モデル、注意機構を用いた手法、時間畳み込み、混合ネットワーク、状態空間モデル、画像エンコーディング、事前学習済み予測器を扱います。ノートブックではアーキテクチャを比較し、強力な線形ベースライン、ウォークフォワード評価、順序のシャッフルによってモデルが時間構造を使っているか調べる…
この読み取り専用の分析では、複数のモデル群による検証予測をまとめ、予測が揃っているか、株式をどれだけ適切に順位付けするか、順位付け能力がフォールド間で持続するか、類似したモデルが異なる情報をもたらすかを評価します。予測値とその後のリターンとの横断的な順位相関である情報係数を用い、重複するリターン期間から生じる依存性を考慮した区間を算出します。ペア比較では、サンプルの不一致や結合の重複による誤解を避けるため、共通の日付とパネルキーを使います。…
このノートブックでは、SHAPを使ってETFリターンのリッジ回帰予測を説明します。線形モデルでは、特徴量寄与度と当てはめ済み係数および背景特徴量からの偏差との間に閉形式の関係があります。そのため、厳密な分解と照合して説明手法を検証できます。全体の重要度、単一予測のウォーターフォール説明、高い絶対値の予測が正しかった場合と誤っていた場合の比較を示します。モデルは最後のウォークフォワード・フォールドで学習し、追加のフォールド別当てはめにより特徴量重要度の時間変化を示します。…
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、ETFの特徴量と将来リターンに古典的な最小二乗法の推論を適用します。係数推定値、標準誤差、t統計量、p値を確認し、異分散、残差の自己相関、非正規性、多重共線性を検定します。サンプルは資産・日付の不均衡パネルです。手順ではウォークフォワードの学習フォールドを使い、学習データで特徴量を標準化します。また、頑健な共分散指標を推定する前に、線形従属する複数のリターン合成特徴量を除きます。…
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、すでに選定した暗号資産無期限先物の設定に執行コストが与える影響を測定します。モデル、チェックポイント、エントリールール、配分、リスク管理を固定し、取引想定元本に対する往復コストを変えた複数の条件でバックテストを再実行します。出力されるのは各ラベルのコスト逓減曲線であり、別の設定を選ぶためではなく、パフォーマンスの変化や損益分岐点を示すことを目的としています。分析では、コスト率と売買回転率に応じて変わる執行手数料と、ポジション保有から生じ、各条件で変わらないファンディング支払いを分けて扱います…
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…
このノートブックでは、以前に選択されたS&P 500オプションモデルについて、アウトオブサンプル予測セットの作成方法を説明します。検証結果を使って設定を固定し、ホールドアウト前のデータでその設定を再学習して、ホールドアウト期間の予測を記録・登録します。学習IDの確認によって、検証時の学習実行に誤って紐付いた予測と、正しく再学習された予測を区別します。満期時に確定するリターンは固定期間の目標値より後に確定するため、学習のカットオフにはオプションの全サイクル分のラベルバッファも含めます。…
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…
このノートブックでは、BTC、ETH、SOLの時間足無期限先物データを使い、2モデルの決済設計を検証します。エントリー分類器が特に大きな将来リターンを特定し、その予測確率とテクニカル特徴量を別のモデルに入力して、次の24時間リターンがマイナスになるかを推定します。決済モデルの学習に使うエントリー確率は、拡大型ウィンドウのアウトオブフォールド予測から生成し、フォールド境界ではラベルが後の期間まで及ばないように除外処理を行います。…
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。…