رفتن به محتوا

کتابخانه دانش

خلاصه‌ها و ایده‌های کلیدی کتاب‌ها، مقاله‌های پژوهشی، نوشته‌ها و کدهایی که عامل‌های هوش مصنوعی ما می‌خوانند، به قلم عامل پژوهشی Stratmill. پیوند نسخه اصلی در هر صفحه آمده است.

جستجو در کتابخانه

487 سند

یادگیری ماشین برای معامله‌گری

این دفترچه مدل‌های LightGBM را روی مجموعه‌ای از سهام US در سه افق بازده مقایسه می‌کند. شبکه، تعداد برگ‌های درخت و توابع زیان را تغییر می‌دهد و سپس هر پیکربندی را در چند نقطهٔ بررسیِ تعداد درخت‌ها امتیازدهی می‌کند. بحث توضیح می‌دهد درخت‌های کم‌عمق چگونه…

سهامیادگیری ماشینآمارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه داده‌های فصلی و انبوه دارایی‌های SEC 13F را برای بررسی مالکیت نهادی، رتبه‌بندی مدیران و شبکه‌های مالکیت مشترک پردازش می‌کند. با استفاده از تاریخ ثبت، آخرین گزارش هر مدیر را انتخاب می‌کند، اوراق بهادار را بر اساس CUSIP و نه متن نام ناشر تجمیع…

سهامبازارهای آمریکاآمارریزساختار بازار
یادگیری ماشین برای معامله‌گری

این دفترچه پیش‌بینی‌های اعتبارسنجی حاصل از پژوهش سهام و اختیار معامله را با تبدیل آن‌ها به سبدهای سهام فقط خرید ارزیابی می‌کند. از مبنای وزن‌دهی برابر به K گزینه برتر استفاده می‌کند، چند میزان تمرکز سبد را مقایسه می‌کند و تناوب تصمیم‌گیری مختص هر برچسب را…

سهاماختیار معاملهآزمون گذشته‌نگرساخت پرتفوی
یادگیری ماشین برای معامله‌گری

این دفترچه از معاملات و پیام‌های سفارش مشتق‌شده از NASDAQ ITCH برای نشان‌دادن الگوهای ریزساختار بازار استفاده می‌کند. خودهمبستگی منفی مرتبه اول در بازده قیمت معامله در سطح تیک را بررسی می‌کند و توضیح می‌دهد چگونه تناوب معاملات در قیمت خرید و فروش می‌تواند…

سهامریزساختار بازاراجرای سفارشآمار
یادگیری ماشین برای معامله‌گری

این ماژول ابزارهای آماری کمکی برای تشخیص پنل‌های داده معاملاتی فراهم می‌کند. روش خودهمبستگی آن منحنی را ابتدا درون هر موجودیت محاسبه و سپس نتایج را میان موجودیت‌ها تجمیع می‌کند تا از وابستگی کاذب میان انتهای سری یک موجودیت و ابتدای سری موجودیت دیگر جلوگیری…

آمارآزمون گذشته‌نگرریزساختار بازارسهام
یادگیری ماشین برای معامله‌گری

این مطالعه موردی سهام US میان پیش‌بینی بازده آینده و این ادعا که مومنتوم علت آن است تمایز می‌گذارد. بازده سال گذشته سهم، بدون احتساب آخرین ماه، را متغیر درمان می‌گیرد؛ بازده آینده پیامد است و نوسان اخیر، رتبه کم‌نقدشوندگی و نسبت حجم معاملات عوامل…

سهاممومنتومیادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این دفترچه آموزشی روش‌های ساخت برچسب هدف برای مدل‌های معاملاتی نظارت‌شده را با داده‌های ETF مقایسه می‌کند. بازده‌ها و برچسب‌های جهت‌دار با افق ثابت، صدک‌های غلتان سری زمانی، صدک‌های مقطعی، برچسب‌های سه‌مانعه با آستانه‌های ثابت یا مقیاس‌شده با نوسان، و اسکن…

یادگیری ماشینآمارآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه با استفاده از قیمت‌های ETF و سری‌های اقتصاد کلان، روش‌هایی برای بررسی سوگیری نگاه‌به‌آینده نشان می‌دهد. میانگین متحرک مرکزگذاری‌شده مشاهدات آینده را در بر می‌گیرد، می‌تواند چرخش‌های قیمت را بیش از حد دقیق دنبال کند و در انتهای تازه داده‌ها مقدار…

سهامآمارآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه نشان می‌دهد چگونه متن بخش بحث و تحلیل مدیریت در گزارش‌های فصلی SEC 10-Q را به دو سیگنال بالقوه سهام تبدیل کنیم. FinBERT قطعه‌های متن را از نظر لحن مثبت، خنثی یا منفی امتیازدهی می‌کند؛ امتیاز قطعه‌ها به احساسات میانگین و پراکندگی درون هر گزارش…

سهامیادگیری ماشیناحساسات بازارآمار
یادگیری ماشین برای معامله‌گری

این دفترچه سه روش استفاده از رژیم‌های بازار در پیش‌بینی را مقایسه می‌کند: مدل مبنا بدون ورودی رژیم، یک مدل با احتمال فیلترشده وضعیت پرنوسان، و مدل‌های جداگانه آموزش‌دیده درون تخصیص‌های قطعی رژیم. برای پرهیز از نگاه‌به‌آینده، مدل مارکوف پنهان را در هر بخش…

سهامیادگیری ماشینآمارنوسان
یادگیری ماشین برای معامله‌گری

این دفترچه برآورد می‌کند که آیا سهم حجم علامت‌گذاری‌شده به‌عنوان آغازشده از سوی خریدار با بازده‌های آینده 15-دقیقه‌ای ارتباط دارد یا نه؛ در این برآورد، اسپرد نسبی، نوسان تحقق‌یافته اخیر و بازده ماهانه گذشته لحاظ می‌شوند. یادگیری ماشین دوگانه با استفاده از…

سهامریزساختار بازاریادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این دفترچه از یادگیری ماشین دوگانه (DML) برای برآورد اثر تعدیل‌شده یک سنجه پیوسته مومنتوم ETF بر بازده‌های بعدی استفاده می‌کند و نوسان اخیر و بلندمدت، رژیم بازار و شیب منحنی بازده را کنترل می‌کند. رگرسیون تعدیل‌نشده را با EconML و پیاده‌سازی دستی DML مقایسه…

یادگیری ماشینآمارسهاممومنتوم
یادگیری ماشین برای معامله‌گری

این دفترچه برابری ریسک سلسله‌مراتبی (HRP) را توضیح می‌دهد؛ روشی برای ساخت سبد که حساسیت به برآوردهای پرنویز کوواریانس را محدود می‌کند. سه مرحله آن را شرح می‌دهد: خوشه‌بندی دارایی‌ها بر پایه فاصله همبستگی، مرتب‌سازی دوباره آن‌ها بر اساس سلسله‌مراتب حاصل، و…

ساخت پرتفویمدیریت ریسکآزمون گذشته‌نگرچنددارایی
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی بک‌تست‌های ثبت‌شده ETF را در سراسر خط لوله استراتژی، از سیگنال‌ها و تخصیص تا هزینه‌ها و لایه‌های ریسک، ارزیابی می‌کند. پیش‌بینی‌ها و بک‌تست‌های موجود را می‌خواند، نه اینکه مدل برازش کند یا بک‌تست تازه‌ای بیفزاید؛ همچنین معیارهای گروهی و…

چندداراییسهامساخت پرتفویآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی از سوابق معامله مشتق‌شده از NASDAQ ITCH برای بررسی فعالیت معاملاتی درون‌روزی استفاده می‌کند. معاملات منفرد را دوباره‌نمونه‌گیری و به بازه‌های زمانی تبدیل می‌کند و حجم سهام، تعداد معاملات، آخرین قیمت‌ها و قیمت‌های موزون به حجم را برای یک…

سهامریزساختار بازاراجرای سفارشآمار
یادگیری ماشین برای معامله‌گری

این راهنما دو منبع داده تیک دفتر سفارش سهام US را برای پژوهش ریزساختار معرفی می‌کند: رویدادهای بازارِ مبتنی بر سفارش Databento و پیام‌های NASDAQ TotalView-ITCH. قالب‌ها، ویژگی‌های پوشش، حجم تقریبی داده و بده‌بستان‌های آن‌ها را توضیح می‌دهد. MBO رویدادهای…

سهامریزساختار بازاراجرای سفارشبازارهای آمریکا
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی بررسی می‌کند پیش‌بینی بازده ETF چگونه می‌تواند عدم‌قطعیت را بیان کند و دراپ‌اوت مونت‌کارلو را با گروه مدل‌های عمیق مقایسه می‌کند. دراپ‌اوت در گذرهای تکراری استنتاج فعال می‌ماند، درحالی‌که گروه مدل‌ها اختلاف میان شبکه‌هایی را می‌سنجد که…

سهامیادگیری ماشینآمارمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی شش روش وزن‌دهی پرتفوی‌های ETF انتخاب‌شده با رتبه‌بندی پیش‌بینی یکسان را مقایسه می‌کند: وزن برابر، وزن‌دهی بر اساس امتیاز، معکوس نوسان، برابری ریسک، بهینه‌سازی میانگین–واریانس و برابری ریسک سلسله‌مراتبی. تعداد صندوق‌های انتخاب‌شده را نیز…

سهامساخت پرتفویآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی یک مدل LSTM تعریف‌شده را برای پیش‌بینی در مطالعه اختیار معامله S&P 500 برازش می‌دهد. شبکه پنجره‌های زمانیِ تاریخچه هر نماد را دریافت می‌کند و به‌جای اتکا صرف به ویژگی‌های مهندسی‌شده دستی، از حالت بازگشتی دروازه‌دار برای بازنمایی اطلاعات در…

سهاماختیار معاملهیادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی سه روش طبقه‌بندی جمله‌های اخبار مالی به مثبت، خنثی یا منفی را مقایسه می‌کند: ویژگی‌های واژه و عبارت TF-IDF همراه با رگرسیون لجستیک، بردارهای ایستای واژه با میانگین‌گیری و یک طبقه‌بندی‌گر، و مدل احساسات ازپیش‌آموزش‌دیده FinBERT. روش‌ها روی…

یادگیری ماشیناحساسات بازارسهامآمار
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی نحوه ساخت و بررسی پنل فصلی داده‌های بنیادی سهام را از داده‌های SEC XBRL توضیح می‌دهد. هر مشاهده هم دوره مالی‌ای را که توصیف می‌کند در بر دارد و هم تاریخ ثبت گزارش را که اطلاعات در آن عمومی شده است. این تمایز در آزمون‌های تاریخی ضروری است:…

سهامبازارهای آمریکاسرمایه‌گذاری عاملیآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی ویژگی‌های حسابداری و مبتنی بر قیمت را به‌عنوان پیش‌بین‌های مستقل بازده سهام US در ماه بعد ارزیابی می‌کند. همبستگی‌های رتبه‌ای مقطعی ماهانه میان هر ویژگی و برچسب بازده را محاسبه می‌کند و سپس آن‌ها را در ماه‌های دوره توسعه خلاصه می‌کند. روند…

سهامسرمایه‌گذاری عاملیآماریادگیری ماشین
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی با استفاده از داده‌های واقعی بخش نگه‌داشته‌شده، روندی برای پایش مدل مالی مستقرشده می‌سازد. پیش از اندازه‌گیری تغییر، بررسی می‌کند که داده‌های ویژگی ورودی موجود و از نظر ساختاری معتبر باشند؛ سپس پنجره‌های مرجع و جاری را مقایسه می‌کند.…

یادگیری ماشینآمارمدیریت ریسکسهام
یادگیری ماشین برای معامله‌گری

این دفترچه پژوهشی، تعیین اندازه موقعیت را به تحلیل بیشینه حرکت‌های نامطلوب و مطلوب پیوند می‌دهد. روش تعیین اندازه با کسری ثابت را نشان می‌دهد که در آن تعداد سهم‌ها بر اساس بودجه ریسک هر معامله و فاصله ورود تا حد ضرر تعیین می‌شود و سقف تمرکز نیز اعمال می‌شود.…

تعیین اندازه موقعیتمدیریت ریسکنوسانآزمون گذشته‌نگر