AIの上昇とSaaSの下落を、
保有量の調整で利益につなぐ

• 一時間ごとに、確定済みのデータから軽い線形回帰の予測値を更新する。係数の再推定は月次とする。係数を縮めるridge回帰を使い、銘柄ごとに推定する。
• 予測対象は将来1・24・120・480時間の価格変化率。480時間は20暦日であり、20営業日ではない。四つの時間幅は短期から数週を比較する研究上の初期範囲で、最適値ではない。
• 過去を測る窓と、未来を予測する窓は別。過去4・24・120時間の対数リターン、120時間の一時間リターン標準偏差、外部価格有効フラグを入力する。将来の目的変数は単純リターン P(t+H)/P(t)−1。
• 標準化は学習期間だけ。平均二乗誤差＋α×係数二乗和を最小化し、切片は罰しない。α候補は0.1・1・10。定数予測と価格状態モデルの両方を基準にする。
• 予測時間Hとαは過去の検証期間で選ぶ。最初の口座全体のモデルでは共通Hを使い、異なる時間幅の収益をそのまま足さない。AI/SaaSの時間別結果は別々に残す。両側で別Hにする拡張には、時間を揃える配分仕様を別途置く。
• 一時間より短い取引はこの初回比較では識別しない。先に超短期と決めたわけでも、数週以上の保有を禁じたわけでもない。

• xは口座評価額に対する保有額の絶対値、sはAIで+1、SaaSで−1、Dはsを対角に並べた行列。μは将来H時間の価格変化率予測。Fはロングの支払いを正とする同期間のfunding予測。売買方向の符号はsだけで付け、Fをショート用に再反転しない。
• funding予測の出発点は直近24回の確定率平均×H。oracle/mid換算も行う。将来の確定費用ではないため、実績検証では各時刻の実際の支払いで置き換える。
• Σ_HはH時間リターンの共分散。学習時点までに確定したリターンから推定し、対角外を50%縮小する。相関を測る目的は口座リスクの把握であり、市場中立にすることではない。
• 比較上の上限は総保有額を口座評価額の1倍、単一銘柄を0.5倍とする。本人のリスク上限として決めた数字ではない。同じ上限で売買方式を比べ、レバレッジ増加を改善と呼ばない。
• λは1・4・16の小さな比較集合。リスクへの重みの違いで収益・下落幅・回復期間がどう変わるかを示す。利益最大と損失最小が両立しないとき、万能の最適値を作らない。
• 将来決済費用は「その保有をいずれ閉じる費用」の見積り。H到達時に強制決済する命令ではなく、再計算のたび実損益へ重複請求する費用でもない。
• 数量刻み・最低注文額・証拠金を満たす実行可能な量へ調整する。同点は売買量が小さい方、その次に保有額が小さい方を選ぶ。
• これは毎回見直す有限期間の近似。将来の状態遷移まで解く動的最適化論文の厳密な最適解を、そのまま再現したものではない。

• 取得できる履歴と欠損を先に確認し、結果を見る前に暦期間を固定する。古い順に60%を学習、20%を方式選択、20%を最後の評価に使い、暦週単位で区切る。
• 将来H時間のラベルが次の期間へまたがる学習例を除く。最大H=480時間の重複に対処し、最終期間を何度も選択に使わない。標準化・共分散も過去だけで作る。
• 主要指標は、主候補と継続保有の「最終評価期間の純資産対数成長」の差。資産がゼロ以下になれば破綻として扱い、対数を都合よく欠損除外しない。
• 単なる資金量の差を除くため、同一の上限に加え、学習期間で合わせたリスク尺度の比較も出す。評価期間の未来の変動率を使ってレバレッジを調整しない。1倍上限に当たれば、同一リスクに揃わなかった範囲を示す。
• 採用の支持には、現金より正の費用後成長、継続保有より正の差、コストを厳しくした場合にも改善が残ることを見る。差の95%ブロック区間がゼロを上回るかを、最終判断で確認する。λごとの複数の確認はHolm法で扱い、最終期間の勝者だけを選ばない。
• 区間のブロック幅は最低でもmax(7日,H)。最終期間に独立ブロック12個を確保できない場合は、探索上の比較にとどめる。この数は研究上の最低条件であり、充分な精度の保証ではない。一時間足5,000本だけの60/20/20分割では、この確認条件を満たせない。最初の短い履歴は探索比較とし、長い履歴の取得可否と、その後の固定期間による確認を別に扱う。
• 手数料・スプレッド・滑りを2倍にしたケースと、支払fundingを増やし受取メリットを除いたケースを分けて見る。実際のfundingを毎時精算し、売りなら必ず受け取れるとはしない。
• 期間や銘柄を除くと成績が消える場合は、その依存を示す。利益・下落・回復で優劣が割れれば複数の選択肢を残す。細かな好みを先に質問する代わりに、具体的な差が出てから推奨する。

• 最初は同じ時間パネルから価格状態の予測、継続保有、目標量調整を計算する。命題ごとに取得・学習をやり直さず、予測値・注文・保有・日次損益を再利用する。
• 退出の比較は、共通の開始時刻で「Hまで持つ」と「状態で早く閉じるが最長H」を比べる。その後、独自の再参入を許した全経路で、機会の増減を確認する。
• 残件は、正確な履歴期間、過去の気配値とfunding、当時の手数料・証拠金・取引時間。設定をユーザーへ投げ返すのではなく、取得監査で決める。
• 過去の板が足りなければ、出来高等を使う条件付き執行推計と、これから収集する実気配の検証を分ける。現物株履歴で長いテーマを調べても、上場前からperpで売買できたとはしない。
• 基本案の効果が費用で消えるなら、高速化・大量の特徴量・全銘柄展開へ進む前に、その原因を切り分ける。高精度化は、判断を変える具体的な理由があるときに行う。

• trade.xyz / Perpetuals：契約・USDC決済。公開API POST /info {type: meta, dex: xyz}で現在のsymbol/margin設定を照合。
• Oracle Price：外部と内部価格の切替。時間外のbasis回帰が儲かるという意味ではない。
• Funding：毎時精算、符号、oracle建て支払額。現在値を将来一定と保証しない。
• Hyperliquid info API：ローソク履歴制限、dex付き銘柄名など。取引ローソクは気配値mid履歴ではない。
• Moskowitz・Ooi・Pedersen, Time Series Momentum（2012）／著者所属先の要約：自分自身の過去リターンを使う着想の根拠。研究対象・時間尺度は本案と違い、一時間のAI/SaaS perpやここでのパラメータを検証した論文ではない。
• Gârleanu・Pedersen, Dynamic Trading with Predictable Returns and Transaction Costs（2012年3月版）：予測・費用・現在保有から売買を決める理論。本案は方向制約と実費用を持つ簡略化した再計算方式で、原論文の厳密解や実証成績を移植したものではない。

次の判断で再度保有する価値が費用を上回れば、前より高くても買う。上回らなければ見送る。取り逃しをゼロにするため常時持つ方がよかったかも、継続保有との比較で測る。

テーマは対象と売買方向を決める。価格モデルは、その方向をいつ・どれだけ持つかを決める。利益が出てもAIによる利益移転を証明したことにはならない。テーマ以外の市場上昇や循環で説明できるかは、収益の内訳として分ける。

口座からの出金は、ポジションの利確とは別。今回の比較は含み損益を含む資産成長を対象にし、定期出金や利益額ノルマを勝手に追加しない。

まだ成績を比較していない。時間幅や資金上限は研究の開始設定であり、稼働用の推奨値ではない。履歴・費用を確定して比較し、実運用時には実口座の証拠金方式と発注条件を別途反映する。