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、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。…
このガイドでは、Ken French Data…
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。…
この運用デモでは、主要なFX通貨ペアの過去の日次データでリッジモデルを再学習し、Interactive Brokersのペーパーセッションで現在の足データを取得して、通貨ペアを順位付けし、ロングバスケットを構築します。ブローカーへの接続、簡潔な特徴量セットの準備、FX契約の適格性確認、注文計画、監視と監査用の各実行記録までを順に説明します。データ取得と執行の両方に同じ取引場所を使うことで運用手順が簡素化され、ノートブックでは口座確認と契約の特定方法を明示します。…
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、ショートの欧州コールを対象にディープヘッジを実演します。幾何ブラウン運動のパスをシミュレーションし、ブラック–ショールズのデルタヘッジをベンチマークとして使用します。また、満期時損失の条件付きバリュー・アット・リスクを最小化する原資産ポジションを選ぶため、半再帰型ニューラルネットワークを学習させます。ヘッジの開始、リバランス、終了時に取引コストを課すため、学習した方策とベンチマークには同じ取引コストの前提が適用されます。ポジションがデルタベンチマークに近い場合に、ネットワークの取引が減るかも…
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、価格ボラティリティ、資金調達率、プレミアムの直近平均からの乖離を調整し、介入下で暗号資産無期限先物のプレミアムのZスコアが、その後の8時間リターンと関連するかを推定します。二重機械学習では、交絡因子から結果と処置を別々に予測し、その残差同士の関係を分析します。クロスフィッティングにより、各観測値は自身の残差を生成するモデルから除外されます。また、時系列順の分割とエンバーゴによって、交絡調整用モデルが後のデータを使わないようにします。…
このノートブックでは、GARCHがボラティリティのクラスター化をセッションごとの特徴量に変換する仕組みを説明します。まずリターンの図とARCH-LM検定を使い、二乗リターンが自身のラグに依存するかを調べます。GARCH(1,1)モデルでは、新たなショックへの反応と過去の分散の持ち越しによって、ボラティリティ推定値が変化し減衰する速さが決まります。非対称な拡張モデルでは、負のリターンと正のリターンがボラティリティに異なる影響を与えることを許容します。また、条件付きボラティリティをリスク指標に使う方法や、超過回数を数…
このノートブックでは、敵対的確率的割引ファクターの設計を米国株の日次データに応用します。ポートフォリオウェイトのネットワークが翌日の超過リターンからファクターを形成し、競合するモーメントネットワークがプライシングカーネルの学習を支援します。別のベータネットワークは、資産ごとのリターンとファクターの積を予測します。意思決定時の終値で利用できる過去の株式特性と遅延したマクロ経済状態によって、ウェイトを決めます。このノートブックではSDFウェイトとベータ予測を区別し、ファクターの価格付け診断と横断的な順位付け性能を分け…
このノートブックでは、実際のサプライチェーン知識グラフと機関投資家の13F保有情報を機械学習の特徴量に変換します。中心性や依存度の指標などのネットワーク指標を導出し、サプライヤー集中度と競争上のエクスポージャーを推定するとともに、保有者の広がり、集中度、共同保有を表す保有シグナルを作成します。また、事業運営情報と保有情報を組み合わせたグラフ横断特徴量を作り、企業別の特徴量を横持ちと縦持ちの形式で出力して、モデリングや情報係数の分析に使えるようにします。…
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、市場活動をモデル化した取引コストと戦略の運用可能規模に結び付ける枠組みを構築しています。平方根インパクトモデルを紹介し、ボラティリティと平均日次出来高を主要な入力として特定するとともに、市場データから得られる数量と、トレーダー自身の執行記録を必要とするインパクト係数を区別しています。また、注文を執行する期間に対する参加率を測るべき理由を、日中出来高の推移を使って示しています。…
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。…
このノートブックでは、登録済みでカバレッジが十分な候補から検証用設定を再構築し、選択済みのS&P 500株式・オプション戦略を評価します。均等加重のベースラインから配分、リスク制御、コスト感応度へと続く選択過程を追い、別の予測段階とバックテスト段階で得られたホールドアウト結果を確認します。各診断を分けて扱い、段階ごとの推移、リスク変化の対応のある不確実性、コスト控除後の維持、複数設定を試したことへの補正を評価します。…
このノートブックでは、共分散推定にノイズがある場合の平均・分散配分の代替手法として、階層的リスクパリティを説明します。HRPは相関距離を使って資産をクラスタリングし、階層に沿って並べ替えた後、並べた集合を再帰的に二分し、推定分散を使ってグループ間に配分します。行列の反転は避けられますが、推定相関と推定分散には依然として依存します。この3段階の手順で分散されたウェイトが保証されるわけではなく、逆分散による分割は低ボラティリティ資産に大きく集中することがあります。…
この文書では、リターンを重複する期間に分け、各期間を経験分布として扱うことで相場局面を識別する方法を説明します。対応する順序付き分位点を使って期間間の距離を測るため、平均や分散が似ていても、極端な損失の位置を含む分布全体の違いが重要になることがあります。クラスタリングには、ワッサースタイン距離を用いたLloydアルゴリズムを使い、距離の指数に応じて分位点ごとの中央値または平均をクラスタ代表値とします。…
このノートブックでは、登録済みバックテストと固定された選択手順を使い、週次のS&P…
この文書では、検証データで選んだ設定を使い、確保されたNASDAQ-100のマイクロストラクチャー・ホールドアウト期間向けに予測を作成する方法を説明します。ホールドアウト前に終了する履歴だけで選択済みモデルを再適合し、宣言された最長の結果期間をカバーできる幅のラベルバッファーを設けます。再適合には別の学習識別子を付与し、選択モデルの検証期間がホールドアウト期間と重複していないことをノートブックで確認します。…
このケーススタディでは、満期まで保有するショート・アット・ザ・マネー・ストラドルのリターンに正則化線形モデルを適合させます。プレミアム収入によって利益には上限がある一方、損失には上限がないため、少数の大損失が二乗誤差の回帰目的関数を支配します。ノートブックでは、ペナルティの強さを変えながらリッジ、ラッソ、エラスティックネットを比較します。使用するのは、オプションのグリークス、インプライド・ボラティリティと実現ボラティリティ、分散リスクプレミアム、スプレッド、行使価格までの距離など、ポジションとボラティリティ面の特…