Numerai Example Scriptsを読み解く

10.7K Views

April 08, 23

スライド概要

Numerai Community Tokyo Meetupにて使用した「Numerai Example Scriptsを読み解く」のスライド資料です。

シェア

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

関連スライド

各ページのテキスト
1.

Numerai Example Scriptsを読み解く Numerai Community Tokyo Meetup 2023/04/08

2.

自己紹介 - Yuichiro Nishimoto - Twitter: @nishimt_general Kaggle: nishimoto Researchgate: Yuichiro Nishimoto - 普段は企業でバイオ統計系の研究職 - ソフトバンク 1年 → メタジェン 6年 2

3.

3 目次 ● ● ● はじめに ○ 前提知識 ○ 今日の目的 Numerai Example Scriptsについて ○ 概要 ○ データ分割:Purged K-Fold ○ 学習:LightGBM ○ 学習:複数の目的変数の利用 ○ 後処理:Feature Neutralization ○ 評価 まとめ

4.

はじめに - 前提知識 ● 機械学習の基本的な知識 ... Titanicは何も見ないで回せるくらい ● Numerai(Tournament)の基礎知識 ... 1回はSubmitしている方が理解が進みやすいと思います - Ohoriさんが作ったNumeraiのgeneralな説明 KatsuさんのV2データ用コード 自分が作ったV4データ用のコード 4

5.

はじめに - 今日の目的 ● 大目的:Numerai参加者を増やしたい! ○ ○ Numeraiの情報はTCがある都合上、情報の共有がされづらい NMRの価値が上がってほしい ● 目的:Tutorialコードを動かすの次としてExample Scriptを広めたい ○ Numeraiの考えるNumerai tournamentの基礎が入っている 5

6.

Numerai Example Scriptsとは? ・Numeraiが公式で公開しているExample scriptのこと https://github.com/numerai/example-scripts/blob/master/example_model_advanced.py ・Diagnosticsにかけてみると、並大抵のモデルより成績がよい 【Tips】 同リポジトリに置いてあるNotebookも有用な情報が色々載っています https://github.com/numerai/example-scripts/blob/master/analysis_and_tips.ipynb 6

7.

7 目次 ● ● ● はじめに ○ 前提知識 ○ 今日の目的 Numerai Example Scriptsについて ○ 概要 ○ データ分割:Purged K-Fold ○ 学習:LightGBM ○ 学習:複数の目的変数の利用 ○ 後処理:Feature Neutralization ○ 評価 まとめ

8.

8 Numerai Example Scripts - 概要 ①モデル選択フェーズ、②実データ予測フェーズで細かい挙動が異なるものの大まかな流れは以下 学習 後処理 LightGBM Feature Neutralization target=“target” Top50高リスク特徴量, propotion=1.0 1191 features (v4 data) LightGBM Feature Neutralization target = “target_nomi_v4_60” Top50高リスク特徴量, propotion=1.0 LightGBM Feature Neutralization target = “target_jerome_v4_20” Top50高リスク特徴量, propotion=1.0 アンサンブル Kaggle上にて動かせるように置いてあります。 https://www.kaggle.com/code/nishimoto/numerai-v4-data-example-script

9.

9 Numerai Example Scripts概要 - ①モデル選択 学習 後処理 LightGBM Feature Neutralization target=“target” Top50高リスク特徴量, propotion=1.0 1191 features (v4 data) ①Purged K-Foldで データ分割 (k=3, embargo=12) LightGBM Feature Neutralization target = “target_nomi_v4_60” Top50高リスク特徴量, propotion=1.0 LightGBM Feature Neutralization target = “target_jerome_v4_20” Top50高リスク特徴量, propotion=1.0 ②ダウンサンプリング (20行に1行のみ採用) ③各CVごとに高リスク特徴 量を算出 アンサンブル ④各工程を組み合わせ、 ベストな組み合わせを評価

10.

10 Numerai Example Scripts概要 - ②実データ予測 学習 後処理 LightGBM Feature Neutralization target=“target” Top50高リスク特徴量, propotion=1.0 1191 features (v4 data) LightGBM Feature Neutralization target = “target_nomi_v4_60” Top50高リスク特徴量, propotion=1.0 LightGBM Feature Neutralization target = “target_jerome_v4_20” Top50高リスク特徴量, propotion=1.0 ダウンサンプリング (2行に1行のみ採用) 学習データ全データで高リ スク特徴量を算出 アンサンブル

11.

11 Numerai Example Scripts概要 以下の4工程について詳細を見ていく 1191 features (v4 data) ①Purged K-Foldで データ分割 (k=3, embargo=12) 学習 後処理 LightGBM Feature Neutralization ②ダウンサンプリング (20行に1行のみ採用) ③各CVごとに高リスク特徴 量を算出 評価 アンサンブル ④各工程を組み合わせ、 ベストな組み合わせを評価

12.

Tips:メモリの節約 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル v3以降のデータは、デフォルトで省メモリデータ(int8データ)が提供されている。 何も損はないので使うべき。明示はされていないが、.parquetの前に _int8をつければOK。 ダウンロードするときは以下のコードをよく使用しています。 # redirect_stderr: tqdmを吐き出さないようにする # from contextlib import redirect_stderr # from numerapi import NumerAPI napi = NumerAPI() with redirect_stderr(open(os.devnull, 'w')): napi.download_dataset("v4/train_int8.parquet", "train.parquet") napi.download_dataset("v4/validation_int8.parquet", "validation.parquet") napi.download_dataset("v4/live_int8.parquet", "live.parquet") https://www.kaggle.com/code/nishimoto/numerai-v4-data-example-script 12

13.

データ分割:Purged K-Fold 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル 時系列データにおいて、trainとtestの間に一定期間trainでもtestでもない間を開けたKFold。時系列の変 数に過去データを使うことが多いため、単純にk-foldするとleakしてしまう対策。 分割回数 ●:学習データ ●:テストデータ ●:未使用データ(embargo) 時系列 実際のExample scriptではget_time_series_cross_val_splits関数が行っている https://zenn.dev/nishimoto/articles/932d62e8cf4a05 13

14.

学習:LightGBM 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル 14 LightGBMは勾配ブースティングを用いた機械学習フレームワーク*1 パラメータ値について少し言及する デフォルト値 Example Script n_estimators*2 2000 100 learning_rate 0.01 0.1 max_depth 5 -1 num_leaves 32 31 colsample_bytree 0.1 1.0 → colsample_bytree = 0.1が珍しい → 1つの特徴量に依存しないことを良しとしているためと考えられる *1: https://lightgbm.readthedocs.io/ *2: ちなみにEarly Stoppingはしてない

15.

学習:LightGBM(検証) 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル colsample_bytree=0.1と1.0で比較(その他条件はExample scriptと同じ) (Sharpe ratio) 学習用データのCVスコア colsample_bytree=0.1 colsample_bytree=1.0 nomi_20 1.69 1.47 nomi_60 1.72 1.60 jerome_20 1.51 1.48 → colsample_bytreeを低くすることで、CVスコアの段階で有益な効果がありそう 15

16.

学習:複数の目的変数の利用 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル 複数の変数に対して学習を行うことで精度がよくなることが知られている → 炉端会議でも、Blendingに効くtargetがあることが示唆されてる 【Example script内での記載】 【炉端会議でのCEOコメント *1】 【Tips】 ・20日後の結果を反映した_20系の変数と、60日後の結果を反映した_60系の変数がある ・_20系はtargetとの相関が0.64-0.86;_60系はtargetとの相関が0.37-0.48*2 *1: https://zenn.dev/katsu1110/articles/60c777d15e01d5 *2: https://zenn.dev/nishimoto/articles/2f1e2a8bfae84a 16

17.

検証:複数の目的変数の利用 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル target以外の変数を予測した際のtargetとの相関平均、Sharpeを算出 【_20系ターゲット】 Target (target) *Validation data 【_60系ターゲット】 Mean S.D. Sharpe ratio Target Mean S.D. Sharpe ratio nomi_v4_20 0.023 0.031 0.760 nomi_v4_60 0.020 0.029 0.704 alan_v4_20 0.019 0.022 0.839 alan_v4_60 0.017 0.022 0.760 arthur_v4_20 0.015 0.020 0.760 arthur_v4_60 0.014 0.020 0.729 ben_v4_20 0.018 0.027 0.675 ben_v4_60 0.015 0.025 0.593 george_v4_20 0.009 0.018 0.472 george_v4_60 0.005 0.016 0.296 janet_v4_20 0.019 0.024 0.796 janet_v4_60 0.017 0.024 0.701 jerome_v4_20 0.023 0.030 0.758 jerome_v4_60 0.020 0.027 0.763 paul_v4_20 0.009 0.018 0.535 paul_v4_60 0.008 0.016 0.491 ralph_v4_20 0.022 0.030 0.729 ralph_v4_60 0.022 0.027 0.818 thomas_v4_20 0.018 0.027 0.648 thomas_v4_60 0.015 0.025 0.616 tyler_v4_20 0.023 0.031 0.738 tyler_v4_60 0.020 0.029 0.706 victor_v4_20 0.021 0.025 0.860 victor_v4_60 0.019 0.023 0.816 waldo_v4_20 0.022 0.031 0.719 waldo_v4_60 0.022 0.028 0.782 william_v4_20 0.022 0.030 0.730 william_v4_60 0.020 0.026 0.780 (本来のtargetよりSharpe ratioが高い場合赤背景) → Blendingの素材とする他、予測すべきtargetを変更する戦略も考えられる 17

18.

後処理:Feature Neutralization 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル 18 Feature Neutralization(FN)とは? → 予測値が特定の特徴量に依存しないように後処理で変換する仕組み 理論的な説明 *1 FNあり Corr FNなし Era Era → FNをかけることで平均スコアは下がるが、スコアの標準偏差も下げることで結果を安定させるこ とができる(Sharpe ratioの向上につながる) *1: https://yaakublog.com/numerai-feature-neutralization

19.

後処理:高リスク特徴量の同定 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル Numeraiが提供するいくつかの特徴量は危険なことが知られている*1 (元々は非常に高い相関を示したものの、今は相関がほぼゼロの特徴など) 【実際のソースコード】 Corr 【相関が非常に悪くなっている特徴量の例】 青:Training data 橙:Validation data Era → Example Scriptでは、学習データの前半期間と後半期間の平均値差分が大きいものを抽出 【Tips】高リスク特徴量は学習からそもそも除外する戦略もある(*1でも除外を推奨している) *1: https://forum.numer.ai/t/removing-dangerous-features/5627 19

20.

検証:Feature Neutralization 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル ・どの特徴量に対しFNを適用するかは非常に難しい問題 ・Example ScriptsではTop50の高リスク特徴量に対してFNを適用している ・全特徴量(変数)に対してFNを適用した際と、高リスク変数に対しFNを適用した際のSharpe を比較した (Sharpe ratio) 学習用データの CVスコア Validationデータのスコア 全変数 全変数 高リスク変数 高リスク変数 nomi_20 0.88 1.76 1.10 0.99 nomi_60 1.03 1.82 0.95 0.98 jerome_20 0.86 1.66 0.96 0.90 学習用データでは高リスク特徴量に対してFNする方がよさそうだが、Validationデータで は同等程度となる → 20

21.

評価 学習 後処理 評価 LightGBM Feature Neutralization アンサンブル これまで行ったことの結果を比較 Target 学習用データの CVスコア Validationデータのスコア mean mean FN sharpe sharpe アンサンブル o 0.044 1.941 0.027 0.993 アンサンブル x 0.047 1.803 0.028 0.879 target x 0.041 1.708 0.027 0.860 target o 0.037 1.760 0.027 0.989 jerome_20 x 0.039 1.527 0.026 0.833 jerome_20 o 0.036 1.662 0.023 0.904 nomi_60 x 0.045 1.766 0.026 0.848 nomi_60 o 0.042 1.820 0.026 0.977 → targetのアンサンブル+FNありが最も好成績を出す 21

22.

まとめ - Numerai Example Scriptは比較的シンプル a. 特定の特徴量に依存しない仕組みが複数ある - colsample_bytreeを下げる - Feature Neutralization b. ターゲットのアンサンブルによる精度ブースト - Example scriptは3ターゲットのアンサンブルを利用している が、他の変数も相当使えそう 22

23.

23 Thank you!