stefan-jansen/machine-learning-for-trading

解決する課題

機械学習駆動の取引戦略の構築、テスト、デプロイを包括的かつエンドツーエンドで実現するフレームワークを提供します。このプロジェクトは、理論的な研究とリアルマーケット実行のギャップを埋め、データインフラの管理、シグナル生成、厳格な評価（"証拠の境界"）、プロダクションMLOpsを統合した体系的なワークフローを確立することで、過剰適合や先読みバイアスといった一般的な落とし穴を防ぎます。

動作方法

このプロジェクトは、6つの専門的なPythonライブラリで実装された研究から生産へのパイプラインに基づいて構成されています：

• Data: 19以上のデータプロバイダからの統合取得（ml4t-data）。
• Signal: 特徴工学と漏洩安全なデータセット準備（ml4t-engineer）。
• Models: 金融に特化した潜在因子とポートフォリオ学習の実装（ml4t-models）。
• Evaluation: 戦略の診断と特徴の検証（ml4t-diagnostic）。
• Strategy: 実際の取引を想定したイベント駆動型バックテスト（ml4t-backtest）。
• Deployment: リアルタイム取引用ブローカー連携（ml4t-live）。

多様な技術を採用しており、勾配ブースティング、深層時系列アーキテクチャ（例：PatchTST、Mamba）、因果的機械学習、実行用強化学習、および金融研究用の生成AI（RAGとマルチエージェントシステム）を含みます。

対象ユーザー

原始的な金融データから生産向け取引システムへと移行したい定量的リサーチャー、アルゴリズムトレーダー、MLエンジニア。

主な特徴

• エンドツーエンドのワークフロー：データ調達、特徴工学からリスク管理、リアルデプロイまで、ライフサイクル全体をカバー。
• 多様なモデルツールキット：線形ベースラインやXGBoostから、高度な深層学習、因果的機械学習までを含む。
• 生成AIの統合：SEC提出書類、知識グラフ、自律的なマルチエージェント研究システムに基づくRAGを実装。
• 厳格な検証：ウォークフォワード交差検証とDeflated Sharpe Ratioなどのツールを用いて過剰適合を防止。
• 9つのケーススタディ：ETF、暗号資産、為替、株式など、さまざまな資産クラスに同じパイプラインを適用。