ナレッジライブラリ

この実験では、勾配ブースティング木、表形式ニューラルネットワーク、潜在因子モデルによる月次ETF順位予測の検証データ予測を組み合わせます。まず予測をクロスセクションでzスコア標準化し、その後に平均します。異分散・自己相関を考慮した不確実性推定付きの情報係数（IC）と、少数のETFを選んで加重するコスト考慮型のロングオンリー・バックテストでアンサンブルを評価します。…

この資料では、将来の観測値を使わずに適合済みモデルの特徴量を生成する共通手法を紹介します。隠れマルコフモデルでは、現在までの観測値に基づくフィルター済み状態確率と、系列全体を条件とし、将来情報が漏れる可能性のある平滑化状態確率を区別します。また、因果的なGARCHボラティリティの再帰計算や、ウォークフォワードでの再適合スケジュールも説明します。これにはタイムスタンプの確認や、適合済みモデルを先頭部分または新たに出力されたブロックに適用する方法も含まれます。状態の並べ替えなど関連する適合用ヘルパーは、分割間で特徴量…

この資料では、予測残差を銘柄ごとの不確実性幅に変換し、ポジションのサイズ設定に使うウォークフォワード方式を説明します。各判断時点で、較正には結果が確定するまでの時間が経過した残差だけを使います。ラグは予測期間に基づき、最低1ステップとします。以前の分割と、現在の分割で経過した履歴の両方を使用できます。ある銘柄の観測数が不十分な場合、プールした幅を使い、未較正の銘柄が選択済みバスケットから暗黙に除外されないようにします。幅は予測セットとアルファごとに保存し、後続処理で使えるよう銘柄IDを正規化します。…

この事例研究では、リターンと方向の複数のラベル、ポートフォリオのサイズ設定方法、リスクオーバーレイにまたがる暗号資産無期限先物戦略の固定候補群から、1つの設定を選びます。検証用シャープレシオが最も高いものを選び、ブロックブートストラップ区間、確率的シャープレシオ、最小運用記録期間、候補数と候補間の相関を考慮する複数のDeflated Sharpe指標で不確実性を調べます。また、保有に伴う別のリターン源であるファンディングを、取引コストと分けて扱います。…

このノートブックでは、確率予測の評価と予測パイプラインの管理方法を説明します。ブライアスコアと対数スコア、期待較正誤差、鋭さを比較し、信頼度図から予測の過信や過小評価が生じている箇所を確認する方法を示します。また、同じ観測値で評価せずに較正変換を適合させる方法も説明します。さらに、検索時の証拠を固定して実行を再現する方法、プロキシを通じてツール権限を適用する方法、信頼できないテキストをスキャンしてインジェクション攻撃を探す方法も扱います。…

このチュートリアルでは、ETFのクロスセクションシグナルをロングのみ・均等加重の上位10銘柄ポートフォリオに変換し、リッジ回帰とロジスティック分類をモメンタムおよび均等加重のベースラインと比較します。モデルは、将来リターンのラベル期間にバッファを設けたウォークフォワード学習期間で適合させ、その後、ポートフォリオを毎月リバランスします。分析では、ポートフォリオリターン、売買回転率、コスト控除前後の成績指標、情報係数を計算し、シグナルの順位付け精度が取引コスト控除後の結果にどう関係するかを示します。…

この研究では、月次US株式リターンに対する線形モデルの適合が悪い原因が、二乗誤差目的関数にあるかを検証します。ウィンザー化していない将来リターンの予測対象、特徴量、ウォークフォワード分割を固定し、二乗誤差、絶対誤差、Huber損失で学習したブースティング木モデルを比較します。二乗誤差は極端な残差に過度な影響を与え、絶対誤差はその影響を抑えます。Huber損失は二次ペナルティと線形ペナルティを切り替えます。グリッドでは木の容量も変え、複数の学習チェックポイントで予測を記録し、それぞれを別の候補として扱います。…

このノートブックでは、一定期間にわたって固定注文を清算する近接方策最適化（Proximal Policy Optimization）エージェントを学習させます。学習したペース配分方策をTWAPおよびAlmgren–Chrissスケジュールと比較し、実装ショートフォールを測定して各戦略がいつ取引するかを調べます。すべての戦略に同じ市場シミュレーションのパスを使って評価するため、エピソードごとの比較が可能です。また、在庫リスクと均等なペース配分からの乖離が、学習した方策をどう形作るかを説明します。…

このノートブックでは、有限個の戦略またはシグナルから選択する際に、成績推定を補正する方法としてラデマッハー・アンチセラム（RAS）プロトコルを紹介します。経験的ラデマッハー複雑度は、候補の成績行列がランダムな符号にどの程度適合できるかを推定します。これにより、候補間の依存関係が単純な試行回数だけではなく、実現したパスに反映されます。RASは、この複雑度推定と標本誤差項を使って成績の下限を求めます。異なる前提のもとで選択調整済み確率を示すDeflated Sharpe Ratio（DSR）と対比しています。…

このノートブックでは、順序付き特徴量ウィンドウから株式リターンを予測するベースラインとしてNLinearを紹介します。各サンプルは、1銘柄の連続する60セッションで構成されます。モデルは各特徴量の最新値を差し引き、残りの履歴を線形層で1つの値に変換してから、最新値を加え戻します。最後の線形層がこれらの要約を組み合わせて1つの予測を出します。このシンプルな設計は現在の特徴量水準を正規化して除き、より表現力の高い系列モデルに価値があるかを研究者が検証できるようにします。…

このノートブックでは、S&P 500オプションのショートストラドルのリターンを予測対象としてTabMニューラルモデルを適合させ、線形モデルやブースティング手法と同じ特徴量パネルで、3段階のモデル容量を比較します。TabMはアンサンブルメンバー間でニューラルネットワークの基盤部分を共有します。一方、メンバーごとに学習されるスケーリングベクトルと出力層が異なる予測を生み、それらを平均します。ウォークフォワード分割を使い、前処理は学習行だけで適合させ、予定された学習チェックポイントで検証予測を生成します。…

このノートブックでは、S&P 500の株式・オプション配分に対するポジション単位の管理策を評価します。固定ストップロス、トレーリングストップ、時間による手仕舞いを、それぞれの戦略固有のオーバーレイなしの基準ケースと比較します。検証用シャープレシオで適格な戦略系統を選び、事前に定めた各オーバーレイが検証用シャープレシオとドローダウンを変えるかを評価します。シャープレシオ差のペアード・ブロックブートストラップ区間を用い、改善の証拠と点推定値の単純な順位付けを区別します。…

この資料では、TSMixerが株式の直近の特徴量履歴を、セッションと特徴量を軸とする行列として処理する方法を説明します。ブロックはまず時間方向に特徴量列の情報を混合し、次に各セッション内で特徴量間の情報を混合します。ブロックを積み重ねることで、再帰状態なしに各処理を相互に作用させます。このノートブックでは、同じUS株式パネルとウォークフォワード分割を使って、この手法をLSTMおよびNLinearと比較するため、アーキテクチャを主な比較対象としています。…

このノートブックでは、ETFとCME先物に対する登録済みウォークフォワードGBM予測を用いて、均等加重、コンフォーマル予測幅の逆数による加重、正の予測スコアに比例した加重を比較します。厳密に過去の分割における残差を使って銘柄別のMondrian分割コンフォーマル区間を較正し、評価対象の分割開始前にまだ観測できない将来リターンのラベルに対応する残差は除外します。過去の較正用残差群が有効でない場合は、最初の分割を除外します。過去の残差区間が狭いほど、区間幅を信頼度の代理指標とみなしてポートフォリオのウェイトを大きくし…

このノートブックでは、ゼロショットのChronosおよびTinyTimeMixerによる予測を、LSTMとペナルティ付き線形モデルの予測とETFパネル上で比較します。すべてのモデルに同じ単変量の過去データを与えますが、事前学習済みモデルが予測するのは将来リターンのラベルではなく、その履歴系列です。予測経路の平均を横断面の順位スコアとし、順位情報係数で評価します。学習済みのベースラインはラベルを直接予測するため、この比較で検証するのはゼロショット予測が有用な順位シグナルになるかどうかであり、目的変数を適切に較正して…

このノートブックでは、オプション市場の指標を使って銘柄間の将来リターンを順位付けできるかを評価します。オプション由来特徴量に線形モデルを適用し、ウォークフォワード検証を使ってリッジ、ラッソ、エラスティックネットのペナルティ強度を比較します。特徴量には、満期ごとのインプライド・ボラティリティ、ボラティリティ・スキュー、期間構造の傾き、分散リスクプレミアムなどが含まれます。正則化は関連する特徴量間の冗長性に対処し、ラッソとエラスティックネットは一部の係数をゼロにすることもできます。…

この研究では、オプション市場の指標で将来の株式リターンを順位付けできるかを調べます。特徴量には、満期ごとのインプライド・ボラティリティ、プット・コール・スキュー、期間構造の傾き、分散リスクプレミアムが含まれます。多くの指標が重複する形で表現されるため、幅広い正則化強度で線形モデルを比較します。リッジは相関する係数を縮小し、ラッソとエラスティックネットは特徴量を取り除くこともできます。ウォークフォワード検証では、宣言したモデル設定を適合し、銘柄、日付、分割を揃えた予測を生成します。…

このチュートリアルでは、個別のES契約から連続先物系列を構築します。単調なロール制約のもとで取引高を使って期近限月を特定し、出来高に基づく切り替えと暦日に基づくタイミングを比較します。また、アウトライト契約とカレンダースプレッドを分ける理由、曖昧な1桁の年コードではなく契約定義または観測された取引履歴から満期を判断する理由、データセット比較の前にバー頻度を確認する理由を説明します。…

このチュートリアルでは、過去のリスク調整済みモメンタム順位と米国債のイールドカーブに基づくレジームフィルターを使い、月次のETFローテーション・シミュレーターを構築します。各月末に、直近の価格履歴を使って10本のファンドを順位付けします。リスクオンの月は上位3本を均等保有し、リスクオフの月は固定の債券配分に切り替えます。シグナルには終値時点で利用可能な情報を使い、取引は次の取引日の寄り付きで約定させます。比例手数料と現金制約も明示しています。比較用に、固定の60/40株式・債券ポートフォリオも同じシミュレーターで…

このノートブックでは、ETF予測戦略の運用サイクルを示します。市場データを更新し、金融特徴量を再計算し、Ridgeモデルを再学習してデプロイ用成果物を保存し、最新の横断予測を生成します。次に予測をバックテストエンジンで再生し、選定したバスケットをペーパーブローカー向けに準備します。研究評価と、全期間データを使った単一のデプロイ用学習を分け、研究レジストリから検証済みの正則化設定を引き継ぎます。ドライランでの再生がデフォルトで、ブローカーへの注文送信は明示的に設定できます。…

このノートブックでは、横断的なETFリターン予測について、LightGBMと小規模な多層パーセプトロン、TabM、任意でTabPFNを比較します。モデルは共通のウォークフォワード分割で順位情報係数を使って評価し、時系列順の検証区間を早期終了または反復回数の選択に用います。ニューラルネットワークには、TabM向けの共有バックボーン型アンサンブル設計が含まれ、MLPはシンプルなベースラインとして使われます。また、再学習にかかる実務上のコストを評価するため、学習時間も記録します。…

このノートブックは、保持された実際のストラテジーの実行結果と、それに対応するML4Tバックテストのプロファイルを比較する監査から、LEANエンジンの結果を切り分けています。対応する4つのワークロードとして、ETF配分、暗号資産無期限先物の資金調達、USD建てのFX配分、US株式パネルを特定しています。凍結されたCME先物バンドルは、対応するネイティブLEANサブスクリプションの作成に必要な日付付き契約チェーンとロールマップがないため、対象外です。比較では、約定、評価額、タイムスタンプの一致、株式価値と最終価値の差…

このノートブックでは、匿名化された企業特性とリターンのパネルを使い、ランダムフォレストをXGBoost、LightGBM、CatBoostと比較します。データセットには時系列に沿った学習、検証、テストの分割が用意されています。主な評価指標にはスピアマン順位情報係数を使い、追加指標としてR²と平均二乗誤差も用います。ブースティングモデルには正則化とサンプリング制御を使い、XGBoostでは検証データに基づく早期終了で反復回数も選びます。…

このノートブックでは、バリュー・アット・リスクを損失の分位点として、条件付きバリュー・アット・リスク、すなわち期待ショートフォールを、その閾値を超える損失の平均として説明します。幅広い株式ETFを対象に、経験的な過去分位点、ガウスモデル、歪度と尖度を調整するCornish-Fisher法、適合したStudent-t分布からのシミュレーションという4つの手法で、1日分のテールリスクを推定します。次に予測値と実現損失を比較し、例外の件数を調べ、5つのETFを均等加重したバスケットで分散効果を検討します。…