ナレッジライブラリ

この資料では、ローリングするETFリターン期間を、従来型の畳み込みニューラルネットワーク向けの2チャネル画像に変換する方法を説明します。Gramian Angular Fieldは正規化した観測値を角度に写像し、角度間の関係を記録します。Markov Transition…

この資料では、資産価格モデルのベンチマークに使うChen、Pelger、Zhuの月次US株式パネルを紹介します。経済テーマ別に分類した46個の企業特性、翌月の超過リターン、時系列順の訓練・検証・テスト分割について説明します。毎月、各特性を横断面で順位付けし、共通の有界尺度に変換します。これにより極端な生値の影響を抑えて単位を比較しやすくする一方、水準の情報は失われます。分析では各特性と翌月リターンの順位相関を測り、訓練データ全体で情報係数を平均します。隣接する月の間に時系列依存がある可能性があるため、月次観測を独…

この資料では、60決済分の期間を使い、暗号資産無期限先物の資金調達プレミアムを予測する時間畳み込みネットワークを説明します。因果的な畳み込みブロックを4つ使い、カーネル幅は3、拡張率は1、2、4、8です。受容野は61決済分に及び、入力期間全体をカバーします。因果パディングにより、ある位置が後の決済値を取り込むことを防ぎ、検証結果への将来情報の漏洩を避けます。このモデルは全時点の表現を平均しますが、比較対象のLSTMは最終的な再帰状態に基づいて予測します。この違いから、有用な情報が期間全体に分布するのか、末尾付近に…

このノートブックでは、ティック、出来高バー、金額バーなど、実際に不規則なタイムスタンプを持つ時系列を生成するGT-GANに着想を得たアーキテクチャを説明します。GRU-ODEエンコーダーは観測値を潜在状態に写像し、ODEベースの生成器と識別器は連続時間の変化をモデル化し、ODEデコーダーは観測値を再構成します。任意の時刻で潜在状態を照会できるため、固定された観測グリッドを超える補間や生成が可能です。…

このノートブックでは、予測モデルで市場レジームを使う3つの方法を比較します。レジーム情報を使わない方法、変動の大きい状態のフィルタ済み確率を特徴量に加える方法、明示的に割り当てたレジームごとに専門モデルを当てはめる方法です。各時系列の拡大型分割内で隠れマルコフモデルからレジーム確率を作り、訓練ブロックだけでモデルを当てはめ、テストブロックでは前向きにフィルタした確率を使います。複数セッション先の将来リターンを目的変数とするため訓練とテストの間に間隔を設け、スケーリングも訓練データだけで行います。…

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…

この分析では、9件のトレード事例で登録された二重機械学習の処置効果を比較します。各事例のレジストリから最新の結果を読み込み、レジストリの整合性とラベルの重複を確認し、対象範囲を明示します。効果と信頼区間は元の単位を保ち、HAC統計量でパネル間比較を補います。また、単純なOLS推定値と直交化推定値を比較し、ブロック置換による反証チェックを適用して、複数のラベルと実際に異なる予測期間を区別します。…

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。…

このノートブックでは、見解が分かれる確率予測について、強気側と弱気側が複数回討論します。双方は共通のリサーチエージェント要約に基づいて論じ、相手の直前の立場を見たうえで確率を修正します。予測の差が宣言済みの合意閾値内に収まると、手順を終了します。差の推移は診断情報として扱います。差が縮まるのは、一方が相手の見落としていた証拠を取り入れた可能性を示し、差が残る場合は未解決の意見の相違を記録します。討論の中間値は、明示された重みを使ってパネルの集計値に混ぜることができます。このノートブックは、二つの役割が独立した分析…

このノートブックでは、過去価格から直接計算する指標を補うため、外国為替価格履歴からモデル推定特徴量を作成します。三つの手法を説明します。緩やかに変化する価格水準などを推定する状態空間フィルター、ドルの荒れた相場局面に属する確率を推定する2状態の隠れマルコフモデル、1ステップ先の予測誤差でサプライズを測る固定次数のARIMAリターンモデルです。4時間足のデータは、共通カレンダーを用いて取引セッションに集約します。…

このノートブックでは、S&P…

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…

このノートブックでは、アンサンブルメンバー間で2層の特徴量ネットワークを共有する表形式ニューラルネットワーク構造、TabMを適用します。各メンバーは独自に学習したベクトルで共有表現のスケールを調整し、それぞれの出力層を使います。メンバー予測の平均化により、個別の完全なネットワークを学習するより低コストでアンサンブルの多様性を保つことを目指します。他の学習設定を固定し、層の幅とメンバー数を変える3つの構成を宣言します。予測対象はショート・ストラドルのリターンです。…

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。…

このノートブックでは、企業特性からリターンを予測する潜在因子アプローチ、計量主成分分析（IPCA）を紹介します。各特性に直接リターンの重みを割り当てる代わりに、IPCAでは各企業の因子エクスポージャーを特性の線形関数としてモデル化します。パネル全体で共通の写像を推定し、因子リターンは月ごとに変化します。交互最小二乗法で写像と因子リターンをリッジペナルティ付きで同時に推定し、当てはめたエクスポージャーとリターンから検証月の予測を生成します。…

この分析では、複数資産のETFパネルに登録されたモデル群を、ウォークフォワード検証結果で比較します。モデルは21取引日後のリターンを予測し、各日付内でファンドをどれだけ適切に順位付けできるかを測る横断的な情報係数で評価します。平均スコアの単純な順位付けよりも、信頼区間とフォールドごとの一貫性を重視し、モデル群が類似または異なるシグナルを捉えているように見えるかを調べます。また、予測順位と特徴量の因果的な証拠を区別します。…

このノートブックでは、機関投資家の13F保有データを対象に、決定論的な関係検索と埋め込み検索を比較します。固定した基準日時より前に各機関が報告した最新の保有ポジションを残して時点整合性のあるスナップショットを作成し、大口保有者、共通保有銘柄、各機関の最大保有銘柄に関する質問を用意します。期待される根拠レコードは、同じ保有データから定義します。…

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、株式の特性からファクター・エクスポージャーへの線形写像をニューラルネットワークに置き換え、計量型主成分分析を拡張する条件付きオートエンコーダーを紹介します。エクスポージャーとファクターリターンの積という構造は保ちながら、特性と負荷量の間に非線形の関係を許容します。設定された各学習期間で将来リターンのラベルを再構成するようモデルを学習し、その表現が後の日付にも転移するかを検証用の情報係数で測定します。…

このノートブックでは、金融特徴量が10セッションのデルタヘッジ済みオプションリターンのラベルを説明するのに役立つかを検討しています。インプライド・ボラティリティ特徴量を1つ使うRidgeモデル、インプライド・ボラティリティに依存する特徴量と独立した特徴量のグループを使うモデル、全特徴量を使うモデルを比較します。すべての比較で、ラベルごとに同一のウォークフォワード分割と検証キーを使用し、日次順位情報係数を不確実性の推定値とともに要約しています。ICの計算には、一貫して最小クロスセクショナル・サンプル数を適用していま…

このノートブックでは、金融文の3クラスセンチメント分類に向けて3つの変換器チェックポイントを微調整し、正解率、マクロF1、混同行列、パラメーター数、学習時間を比較しています。Financial PhraseBankを層化して学習、検証、テストに分割し、一般的な乱数とTrainerの乱数にシードを設定して、動的バッチパディングを適用しています。モデルには、金融分野に特化したFinBERTのチェックポイントと、汎用チェックポイント2つが含まれます。…

この文書では、中国先物市場で価格方向を予測する教師あり学習の手法を概説しています。分類モデルで先物価格の動きを予測し、その予測をトレード戦略に変換します。市場の特性を考慮することが目的とされていますが、抜粋では使用した特徴量、金融商品、モデル設計、取引ルールは特定されていません。…

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。…