はてなブックマーク

はじめにUKIです。 今年もアドベントカレンダーの季節がやってきましたね。自分が界隈へ提供するバリューを考えたとき、時期的にもこの話題がピッタリではないかと考えました。 冬の時代になると、botterの間で仮想通貨から離れて日本株へ参入するという話題が出てきます。今回はそのようにアセットを広げて複数の収益の柱を建てたいbotterのために、日本株でbotを作るための実情について解説したいと思います。日本株について最低限知っておきたい知識がまとまっていますので、入門書のようにチラ見して頂けると幸いです。 本記事は仮想通貨botter Advent Calendar 2025の3日目の記事となります。 仮想通貨→日本株のメリット・デメリット(1) 税制一番に挙がるメリットは税制でしょう。結論だけ書いてしまいますが、多額の利益を得た場合、日本株の確定利益に掛かる税金はおよそ20%、これに対して仮

はじめにUKIです。 いよいよ来年2024年から新NISAが始まります。今回の記事では、新NISAにおける投資戦略、特に個別株投資の戦略について考えてみます。この時期にこのテーマを取り上げることは、一般層にデータ投資を知ってもらう上で避けて通れないと考えました。 この記事を読んでいらっしゃる方は、「NISAで個別株投資なんかいらんやろ、米株インデックス（もしくはオルカン）でいいやん」と思っていることでしょう。本記事は、そのように投資に対して一定以上のリテラシーをお持ちの方を対象としています。そのような方にこそ、是非ご拝読頂きたいと思っています。 本記事では、まず新NISAの概要をざっくり説明し、続いて新NISAで個別株投資を考えるべき理由について説明します。その後、個別銘柄の選定手法について説明を進めます。今回筆者は、各企業の株価データと財務諸表を元に、どのような個別株が購入検討の余地があ

はじめにこんにちわ、UKIです。 金融引き締めによって株式投資に苦しい期間が続いていると思いますが、いかがお過ごしでしょうか。 今回は少し長めの記事を書いてみましたので、お付き合い下さい。 結論だけ知りたい方は、目次の「株のトレーディング手法まとめ」まで飛んでください。 マケデコについて本記事は、マケデコ&J-Quants Advent Calendar 2022の最終日の記事となります。 マケデコとは、Market API Developer Communityの略称で、簡単に言うと「東証が公式データを提供しますので、しっかり相場分析して投資に活かしてください」というコミュニティです。 ディスコードでのディスカッション、APIやラッパーに関する最新情報の共有、初心者や上級者向けのセミナーの開催などが行われています。 マケデコの協賛は、日本取引所（JPX）のデータ部門子会社である株式会社J

はじめに2022年4月5日からKaggle（※世界最大のデータ分析コンペティションプラットホーム）にて、東証の株価を予測して運用パフォーマンスを競うJPX Tokyo Stock Exchange Predictionが開催されている。このコンペティションの主催者は東証を運営する日本取引所グループ（以下JPX）そのものであり、ファンドやリサーチ会社の主催するコンペティションよりも「公式・公認」的な感覚がより一段強いものとなっていると言えるだろう（公式プレスリリース）。 JPXは本コンペをJ-Quantsデータ分析コンペティション第3弾と呼称している。昨年にSignate（※日本国内のデータ分析コンペティションプラットホーム）で開催された2つのJ-Quantsコンペに続く、3番目のコンペティションとなる。 ハッキリと言及するが、このコンペティションは現在資産運用を行っている個人投資家達、特に

はじめにUKIです。 ファイナンス機械学習[1]を読んで。本書籍はフィナンシャルデータの機械学習について、データ収集からバックテストまでの一連の過程における落とし穴と対策指針を示しており、その内容は非常に共感できるものでした。ただ一部の内容について自身の知見との相違があったことも事実であり、これを取りまとめて今後に活用しようと考えました。 ファイナンスをはじめ経済学の理論というものは様々な仮定の上で議論されており、正解というものはありません。本noteの目的は書籍の内容に関して批判することではなく、読者各位が多角的な視点から内容について理解を深めることができればよいと考えています。その上で専門家からフィードバックを頂けるとこの上ありません。 本noteが好評であれば他の章の執筆・公開についても検討します。 （以下、UKIは筆者、Prado氏は著者と書きます） 読解：第2章 金融データの構造

1.はじめに計量的・実証的な投資におけるアルファは質の高いサーベイからもたらされるものであり、近い将来その分析手法の殆どが機械学習に置き換わるものだと考えています。この提言が正しいとすると、現行のシステムトレーダーはすべからく機械学習を学ぶ必要があります。 筆者はこれまでの知見から、投資における機械学習はそれ自体で予測モデルを構築するのではなく、サーベイを効率的・効果的に行うために使うほうが良いと考えています。質の高いサーベイによって一般に知られていないアルファ（アノマリー）を抽出することができれば、実際の予測モデルやトレーディングモデルは条件分岐でも十分事足ります。 本noteでは、投資戦略サーベイのための実践的な機械学習手法について紹介します。 2.関連文献「Ten Applications of Financial Machine Learning」 Marcos Prado, 20

0.はじめにUKIです。 主題と副題の序列を迷いましたが、いったんPVを稼げそうなほうを主題に置きました（そのうち修正します）。 (1)対象読者 ・EAやbotなどの自動売買に興味がある方 先に結論を書いてしまいますが、たとえAIを使ったとしても儲かる自動売買の戦略を完全に見分けることは不可能です。 商材自体は悪いものではありません。当然、製作者が誠意をもって製作したものもあるでしょう。しかし現実には、悪意のあるもの（儲からないと分かっているが儲かるように振る舞っているもの）や、悪意はなくともバイアスに気付いておらず、結果として購入者が不利益を被るものが大多数紛れ込んでいます。 そもそも市場にアルファ（収益の根源）は殆ど存在しておらず、自動売買の戦略構築過程で発生するバイアスの影響を掻い潜って将来的に利益が出る戦略を作る（見分ける）のは極端に難しいことを知るべきです。不特定多数に販売されて

0.はじめに(1)トレーディングスタイルと統計モデリング トレーディングのスタイルには様々な定義があります。その中でも定性的な判断に基づくジャッジメンタル運用（いわゆる裁量）と、定量的な判断に基づくクオンツ運用（システムトレーディングもこれに含みます）は、とても対照的なスタイルだと思います。 クオンツ運用ではモデルに基づいたトレーディングを行います。これには様々なモデルが存在しますが、本noteの題材である統計モデルとは、現実の事象を既知の確率分布（正規分布やポアソン分布など）に当てはめてパラメータを同定したものです。そしてこの統計モデルを使って現実の事象を分析したり、超過リターンやそのばらつきを予測するのです。 (2)本noteの着地点 本noteでは実際にトレーディングに使う統計モデルを作るのではなく、統計モデリングの考え方と金融商品のデータの特性（というよりも素性）を照合することでそ

0.前書き本マガジンは私の過去ブログ「シストレのススメ」「これからのお金の話をしよう」にて掲載したAI投資関連のコラムを再編したものです。 AI投資における重要なポイントは過去ブログの複数の箇所に点在しており前後関係などが分かりづらくなっているため、以下のそれぞれの回に関連する主旨のコラムをピックアップして要点を抜き出す形でパッケージングします。 第1回　AI投資の落とし穴 第2回　AI投資のあるべき姿 第3回　AIモデル構築における留意点 第4回　AI投資・サービスの実例 （各タイトルおよび構成は予告無く変更する場合があります） 1.あの『超高収入な職業』が人工知能出現で失業の危機!? ・表題は2016年5月20日にダイヤモンドオンラインに掲載された記事であり、将来的にAIがファンドマネージャーに取って代わるのでは、といった内容である。 ・AI投資の定義を正しく表現すると「株式の超過収益