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。
1,112件の資料
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。…
このノートブックでは、極端な無期限先物プレミアムが、その後のBTCリターンまたはプレミアムの回帰に影響するかを検討します。処置を高プレミアム状態と定義し、多くの要因に左右される可能性がある広範な市場指標と、資金調達圧力や裁定取引により直接結び付くプレミアム変化を比較します。因果グラフで調整変数を指定し、過去のリターンとボラティリティを統制変数として使います。また、設計上、処置前の統制変数と将来の結果を分けています。…
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、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、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。…
このノートブックでは、情報係数、分位点リターン、上位から下位までのスプレッド、分類診断を使って、横断モメンタム因子を評価します。スピアマンのICを、シグナルとその後のリターンの日時点ごとの順位相関として紹介し、すべての日付と資産の観測値をまとめた相関と区別します。まとめた場合のICにはリターンの時間変化も反映されるため、2つの方法の結果は異なることがあります。また、補完的な診断としてICIR、有意性指標、分位点の単調性、売買回転率、シグナルの減衰も説明します。…
この設定では、レジームフィルタリングとクロスアセット分析に使う、FREDの過去のマクロ経済データを指定します。系列を日次、週次、月次、四半期ごとに整理しており、国債利回り、フェデラルファンド金利、VIX、労働関連指標、物価指数、鉱工業生産、マネーサプライ、名目および実質GDPを含みます。また、説明用の名称を列挙し、国債の満期から導出するイールドカーブ・スプレッドを定義します。…
この分析では、モデルを適合したり予測を行ったりする前に、データが暗号資産無期限契約の横断戦略を支えられるかを検討します。提案する方法は、各資金調達決済時点でプレミアムに基づき契約を順位付けし、順位の片側を買い、もう片側を売ります。このノートブックでは、判断時点で十分な数の契約が上場しているか、一般的な値動きで取引所手数料を賄えそうか、系列相関を考慮した後に独立した履歴がどれだけ残るかを確認します。開発期間を使い、指定されたホールドアウトは読み取りません。…
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。…
この横断的な分析では、情報係数（IC）で測定した予測情報が、9つのトレード事例でポートフォリオのシャープレシオにどう結び付くかを調べます。中心となる点は、実装がこの関係を左右するということです。エントリー規則、ポジションサイズ、リバランス頻度、取引コストによって、シグナルの順位付け能力が戦略のパフォーマンスにつながるかが決まります。同じ選択済み設定について、ホールドアウトのICとホールドアウトのシャープレシオを比較し、検証期間とホールドアウト期間のシャープレシオも比較します。また、ICで首位のモデル群がシャープレ…
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、ビットコイン無期限先物の極端なプレミアムについて、プレミアム状態が将来リターンを予測するか、またはその後のプレミアム回帰を予測するかという2つの因果的な問いを比較します。処置変数は、プレミアムのzスコアが指定の閾値を超えたことを示す二値指標です。設計では過去のリターンとボラティリティを制御変数として使い、結果は将来の値で測定します。両方の結果について、同じ調整変数と検証チェックで効果を推定します。…
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。…
この探索的分析では、20通貨ペアを対象とする4時間足のOANDAデータセットを調べます。出来高フィールドが集計された取引量ではなく、単一取引所での気配値更新回数を数えているため、市場全体の流動性順位付けには使えないことを説明します。また、USドルが基軸通貨、決済通貨、または含まれない通貨ペアに分類し、ドルの強さを解釈するために価格を反転すべき場合を明らかにします。…
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。…
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…