Part 3: 機械学習
このステージの目標：モデルからエージェントへ。 クオンツ取引における機械学習の正しい使い方を理解し、「予測モデル」から「意思決定エージェント」へと進化する方法を学ぶ。
レッスン一覧
| レッスン | トピック | 成果物 |
|---|---|---|
| Lesson 09 | クオンツ取引における教師あり学習 | ML戦略フレームワーク、IC/IR評価 |
| Lesson 10 | モデルからエージェントへ | シングルエージェント戦略モジュール |
背景知識
| ドキュメント | 説明 | 推奨読書時間 |
|---|---|---|
| LLM Research in Quantitative Trading | クオンツ取引における大規模言語モデルの最新応用 | 15分 |
| Triple Barrier Labeling Method | 利確・損切りを使ったMLラベル定義 | 15分 |
| Time Series Cross-Validation (Purged CV) | 時系列における情報漏洩の防止 | 15分 |
| Reinforcement Learning in Trading | RLアルゴリズムと取引の組み合わせ | 20分 |
| Alternative Data (NLP and Satellite) | 非伝統的データソース：テキストセンチメント、衛星画像など | 15分 |
| Meta-Labeling Method | シグナル信頼性を予測する二次モデル | 15分 |
| Feature Engineering Common Pitfalls | 未来漏洩、過学習などよくあるミス | 10分 |
| Limitations of ML in Finance | コアな課題：低S/N比、分布ドリフトなど | 15分 |
| Model Architecture Selection Guide | LSTM/GRU/Transformer/CNN比較、RLアルゴリズム選択 | 20分 |
| Model Drift and Retraining | K-S/CUSUMドリフト検出、再学習トリガーと戦略 | 20分 |
| MLOps Infrastructure | Feature Store、Model Registry、Drift Monitor | 30分 |
| Frontier ML and RL Methods (2025) | SOTA技術：Decision Transformer、AlphaAgent、GNN、Diffusion Models | 30分 |
このステージ完了後
以下ができるようになります：
- なぜ「価格予測」が間違った目標なのかを理解する
- 適切なラベル設計（Triple Barrier Method）
- エージェントのコアコンポーネントを理解する：状態、行動、報酬、環境
- 取引シグナルを生成するシングルエージェント戦略を構築する
次のステージ
→ Part 4: マルチエージェントシステム - 協調型エージェントシステムの構築