Saltar al contenido

Biblioteca de conocimiento

Resúmenes e ideas clave, redactados por el agente de investigación de Stratmill, de los libros, artículos académicos, artículos y código que leen nuestros agentes de IA. Cada página enlaza al original.

Buscar en la biblioteca

210 documentos

Machine Learning for Trading

Este análisis de viabilidad comprueba si es posible evaluar con el panel disponible una estrategia mensual long-short basada en características de empresas US. Verifica que las medidas estén codificadas como rangos, describe durante cuánto tiempo se puede…

Renta variableInversión por factoresPruebas retrospectivasGestión del riesgo
Machine Learning for Trading

Este cuaderno presenta un flujo de trabajo para convertir titulares financieros en señales por acción. Limpia y estandariza un corpus de noticias, elimina duplicados exactos y por prefijo dentro de grupos de fecha y ticker, y utiliza embeddings de frases…

Renta variableAprendizaje automáticoSentimiento del mercadoInversión por factores
Machine Learning for Trading

Este cuaderno explica el análisis de componentes principales instrumentado (IPCA) para un panel cambiante de acciones de US. El PCA tradicional asigna a cada acción una carga estimada, que no puede abarcar de forma natural valores ausentes de la muestra de…

Renta variableInversión por factoresAprendizaje automáticoEstadística
Machine Learning for Trading

Este cuaderno sintetiza resultados de validación registrados para cinco estimadores de factores latentes —PCA, IPCA, CAE, SDF y SAE— en nueve estudios de caso. Primero indica qué estimadores tienen resultados en cada panel y luego identifica el mayor…

Inversión por factoresAprendizaje automáticoEstadísticaRenta variable
Machine Learning for Trading

Este cuaderno aplica análisis de componentes principales a un panel de rendimientos de acciones US para representar movimientos compartidos amplios con un conjunto menor de factores. Cada factor es una dirección de variación común, y la carga de cada acción…

Renta variableEstadísticaAprendizaje automáticoInversión por factores
Machine Learning for Trading

El documento describe un estudio walk-forward de redes neuronales TabM para predecir rendimientos mensuales a partir de características de empresas. Como el proceso de entrenamiento compartido fija el objetivo en error cuadrático para regresión y entropía…

Renta variableAprendizaje automáticoEstadísticaPruebas retrospectivas
Machine Learning for Trading

Este cuaderno presenta una perspectiva por familias de cinco métodos de factores latentes aplicados a un estudio de caso de análisis de opciones sobre acciones. PCA estima directamente los movimientos comunes a partir del panel de rendimientos; IPCA asigna…

OpcionesAprendizaje automáticoInversión por factoresEstadística
Machine Learning for Trading

Este cuaderno presenta el análisis de componentes principales instrumentado como modelo de rendimientos transversales. En vez de asignar ponderaciones directas de rendimiento a las características de cada empresa, IPCA estima un mapa lineal compartido de…

Renta variableInversión por factoresAprendizaje automáticoEstadística
Machine Learning for Trading

Este cuaderno explica el análisis de componentes principales instrumentado como una forma de hacer que las cargas de factores latentes dependan de características observables de las acciones, en vez de asignar una carga fija a cada acción. Una…

Renta variableAprendizaje automáticoEstadísticaInversión por factores
Machine Learning for Trading

Este documento presenta una familia de modelos de rentabilidad de empresas que supone que un pequeño conjunto de factores comunes no observados explica gran parte de la sección transversal. En lugar de predecir directamente las rentabilidades a partir de…

Renta variableInversión por factoresAprendizaje automáticoEstadística
Machine Learning for Trading

El cuaderno presenta un autoencoder supervisado para modelar factores de acciones. A diferencia de los autoencoders no supervisados, que aprenden un cuello de botella reconstruyendo la sección transversal, este modelo también incluye rentabilidades futuras…

Renta variableAprendizaje automáticoInversión por factoresEstadística
Machine Learning for Trading

Este cuaderno aplica un modelo neuronal de factor de descuento estocástico a futuros CME. En términos de valoración de activos, un factor de descuento estocástico es una variable aleatoria cuyo producto por la rentabilidad de cada activo tiene el mismo valor…

FuturosAprendizaje automáticoInversión por factoresPruebas retrospectivas
Machine Learning for Trading

Este cuaderno presenta un inventario comparativo de características financieras diseñadas para nueve clases de activos. Cuenta las características y las familias basadas en nombres de cada panel disponible, compara el tamaño de los espacios de…

MultiactivoEstadísticaInversión por factores
Machine Learning for Trading

Este cuaderno explica cómo construir y examinar un panel trimestral de fundamentales de renta variable a partir de datos SEC XBRL. Cada observación incluye tanto el periodo fiscal que describe como la fecha de presentación en que la información se hizo…

Renta variableMercados de EE. UU.Inversión por factoresPruebas retrospectivas
Machine Learning for Trading

Este cuaderno explica cómo un autoencoder condicional amplía un modelo de componentes principales instrumentado: una red neuronal transforma las características de las acciones en exposiciones factoriales, mientras el modelo conserva la misma estructura de…

Renta variableInversión por factoresAprendizaje automáticoPruebas retrospectivas
Machine Learning for Trading

El documento explica el análisis de componentes principales instrumentado para modelar los rendimientos de ETF. A diferencia del PCA ordinario, que asigna exposiciones factoriales fijas a cada fondo, IPCA hace que las exposiciones de cada fondo sean una…

Renta variableInversión por factoresAprendizaje automáticoEstadística
Machine Learning for Trading

Este cuaderno utiliza el análisis de componentes principales en un subconjunto líquido de acciones de US para extraer factores latentes y formar eigencarteras largas y cortas. Explica cómo los vectores estandarizados de PCA se convierten en ponderaciones en…

Renta variableInversión por factoresEstadísticaGestión del riesgo
Machine Learning for Trading

Este cuaderno presenta el análisis de componentes principales como una referencia de factores latentes sin condicionamiento para pronosticar rendimientos de acciones en un estudio de análisis de opciones. PCA usa el panel histórico de rendimientos para…

Renta variableAprendizaje automáticoEstadísticaInversión por factores
Machine Learning for Trading

Este cuaderno evalúa un factor de momentum transversal usando coeficientes de información, rendimientos por cuantiles, spreads entre extremos y diagnósticos de clasificación. Presenta Spearman IC como la correlación de rangos entre una señal y los…

ImpulsoInversión por factoresEstadísticaPruebas retrospectivas
Machine Learning for Trading

Este cuaderno usa el análisis de componentes principales para representar los movimientos comunes en un amplio panel de acciones US. PCA extrae direcciones que explican la variación compartida de los rendimientos; la carga de cada acción mide su exposición a…

Renta variableMercados de EE. UU.Aprendizaje automáticoEstadística