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。…

このガイドでは、Ken French Data…

このノートブックでは、無期限先物のプレミアムの乖離が、その後の8時間リターンと関係するか、また高ボラティリティ市場と低ボラティリティ市場で推定された関係が異なるかを、二重機械学習で推定します。暗号資産銘柄をまたぐパネル設計を説明し、観測された処置前の特徴量を調整します。また、パージとエンバーゴを含むウォークフォワードのクロスフィッティングを用い、標準誤差では共通の時間ショックと系列依存を考慮します。ボラティリティ局面ごとの適合と、処置と局面の交互作用により、局面間の違いを扱います。…

このノートブックでは、因果グラフを事前に指定せず、多変量金融時系列の遅行関係を発見する方法としてPCMCIを紹介します。この手法をETFとボラティリティ指数のリターンに適用し、条件付き分析をペアごとのグレンジャー検定と比較して、遅行リンクの解釈方法を説明します。分析の探索期間を事前に定め、最終検定にBenjamini-Hochberg補正を用い、発見されたエッジが再現するかをブロックブートストラップで評価します。…

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、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。…

OHLCVの外国為替データセットについて説明します。G10の主要通貨ペアとクロス通貨ペアを対象に、OANDAの日次および4時間足データを収録しています。データのダウンロード、読み込み、通貨ペアや期間による絞り込みに加え、対象範囲の要約や年率換算ボラティリティの推定方法を紹介します。ボラティリティの例では、通貨ペアごとにリターンを計算し、取引年あたりの4時間足の想定本数を使って標準偏差をスケーリングします。…

この資料では、リターンが生じる前に観測された特性の線形関数として、資産のファクターローディングをモデル化する操作変数PCAを紹介します。交互最小二乗法で特性からローディングへの写像と実現ファクターを推定し、回転不変な部分空間診断によってローディングの復元を評価します。回転や符号の反転をしても適合リターンは変わらないため、個々のファクターの名称は特定されません。比較では復元された部分空間に注目します。…

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、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。…