stefan-jansen/machine-learning-for-trading

解決する課題

このプロジェクトは、金融研究のアイデアを、ライブ運用可能なプロダクションレベルのトレーディング戦略へと移行させる際の複雑さに対処します。モデルのチューニングと評価の間の「エビデンス境界（evidence boundary）」をナビゲートするための規律あるフレームワークを提供し、過学習、ルックアヘッドバイアス、データリークなどの一般的な落とし穴を回避できるよう実務家を支援します。

仕組み

このリポジトリは、以下の5つのパートで構成される包括的なワークフローに従っています：

1. データインフラストラクチャ: 市場データ、ファンダメンタルデータ、オルタナティブデータの管理（合成データの生成を含む）。
2. リサーチ & 特徴量エンジニアリング: 学習タスクの定義、および分数階差（fractional differencing）やTransformerベースの埋め込み（embeddings）などの手法を用いた生データのシグナルへの変換。
3. モデル開発: 勾配ブースティング（XGBoost, LightGBM）から、ディープタイムシリーズアーキテクチャ（PatchTST, Mamba）、因果機械学習に至るまでの幅広いツールキットの実装。
4. 戦略の実装: イベント駆動型バックテストによる戦略のシミュレーション、取引コストの管理、およびリスクを考慮したポートフォリオの構築。
5. 高度なAI: 執行のための強化学習、金融リサーチのためのRAG、およびマルチエージェントシステムの統合。

対象者

実際の市場で金融モデルを開発・デプロイするために、厳格で再現可能なプロセスを必要とするクオンツリサーチャー、機械学習エンジニア、およびアルゴリズムトレーダー向けに設計されています。

ハイライト

• 9つの包括的なケーススタディ: ETF、仮想通貨、株式、オプション、FX、先物を網羅。
• 6つのプロダクション指向のPythonライブラリ: データ取得、特徴量エンジニアリング、モデリング、診断、バックテスト、およびライブデプロイメント用。
• 高度なAI統合: SEC提出書類に基づくRAGや、自律的なマルチエージェントリサーチシステムを搭載。
• 方法論的な厳密さ: 多重検定制御（Deflated Sharpe Ratio）や、不確実性推定のための共形予測（conformal prediction）のためのツールを含む。