#98　アセットマネージャーの為のファイナンス機械学習

AFMLという学問分野ができたのは私が大学を卒業してからなわけだが、日進月歩の当分野において知識を最新のものに保っておく努力を続けることが非常に大事である。色々とまとめサイトにも出ているが、数式の心を書き留めておきたい。

・機械学習は変数の探索とモデル仕様の探索をデカップリングする役割がある。理論や背後のつながりを発見することに機械学習の力がある。

・オーバーフィッティングには訓練データレベルでの、及びテストデータレベルでの現象の二段階がある。前者は、リサンプリング、アンサンブル法、正則化にて、また後者はデフレシャープレシオやCPCV、モンテカルロ法によって対応していくことができる。

・金融データは裁定行動や非定常なシステムの結果として、Signal/Noise比が非常に小さい。Signalを殺さないように学習しやすく問題を設計する必要がある。

・金融においては悪条件の共分散行列をシュリンクさせることが一般的である。シュリンケージは、すでに弱いノイズを除去する可能性があり、これをうまく行う必要がある。デトーニング、ターゲットシュリンケージ法。

・固定ホライズン法では、分散不均一性を示す。寄り付きや大引時など。（Tick bar, dollar barに変換すること。）さらに、中程度のリターンの情報をすべて排除することになる。トリプルバリア法が一つの解決策。期待シャープレシオによってポジションサイジングも可能。

・p値の注意点としては。多重共線性が大きい説明変数の場合、ロバストに推定することが難しい。有意性の評価がインサンプルで行われるため、予測力のない変数でも有意な値として評価される可能性がある。

・ある投資戦略についてバックテストを実行する前に。リサーチャーはその戦略が実際に存在するであろうという証拠を集めるべきで、それは適合率がオッズ比の関数であるから。高い確信度が得られても適合率が低くなる可能性が大きい。