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.
609 سند
این فصل بازنمایی‌های متن مالی را از واژه‌نامه‌ها و شمارش واژه‌ها تا TF-IDF، تعبیه‌های ثابت، شبکه‌های بازگشتی و ترنسفورمرها مرور می‌کند. بده‌بستان‌ها را توضیح می‌دهد: روش‌های ساده‌تر سریع، تفسیرپذیر و سازگار با امور مالی‌اند، درحالی‌که مدل‌های زمینه‌محور…
این دفترچه ویژگی‌های نامزد را برای استراتژی‌ای غربال می‌کند که اختیار خرید و فروشِ هم‌قیمتِ اعمال را روی یک سهام و با سررسید یکسان می‌فروشد و استرادل را تا سررسید نگه می‌دارد. برای هر ویژگی می‌سنجد که آیا نام‌های در دسترس را به همان ترتیبی رتبه‌بندی می‌کند…
این دفترچه نشان می‌دهد چگونه می‌توان آزمود که آیا چهار استراتژی سبد مدیریت‌شده، پس از کنترل حرکت‌های گسترده ثبت‌شده در ده مؤلفه اصلی، قدرت توضیحی بیشتری برای بازده SPY دارند. سبدهای نامزد، ETFها را بر اساس مومنتوم اخیر، نوسان‌پذیری پایین یا بازگشت کوتاه‌مدت…
این دفترچه مدل‌های پیش‌بینی را برای رتبه‌بندی سهام NASDAQ-100 بر اساس بازده 15 دقیقه بعد، با استفاده از اطلاعات ریزساختار درون‌روزی مانند فاصله قیمت خرید و فروش، عدم‌توازن عمق، حجم علامت‌دار و اثر قیمت مقایسه می‌کند. برای هر خانواده مدل، تنها زمانی یک مجموعه…
این دفترچه چهار روش بازیابی بخش‌هایی از پیکره متون گزارش‌های شرکت‌ها را مقایسه می‌کند: BM25، تعبیه‌های متراکم، ادغام متقابل رتبه‌ها (RRF) و بازرتبه‌بند رمزگذار متقاطع. RRF فهرست‌های رتبه‌بندی‌شده را به‌جای امتیازهای خام ترکیب می‌کند؛ بنابراین می‌تواند…
این دفترچه ویژگی‌های زوجی و مقطعی را با استفاده از پنل‌های ETF توضیح می‌دهد. آزمون‌های هم‌انباشتگی انگل–گرنجر و یوهانسن را مقایسه می‌کند و میان اسپرد ایستا و حرکت هم‌جهت ساده تمایز می‌گذارد. نمونه صندوق انرژی و صندوق نفت خام آن در هر دو آزمون رد می‌شود؛…
این دفترچه سامانه‌ای برای پیش‌بینی با چهار مرحله می‌سازد: گروهی از عامل‌های پژوهشی، تجمیع احتمالات، مناظره‌ای چالشی و ناظری که اختلاف‌نظرها را شناسایی می‌کند، در پی شواهد روشنگر می‌گردد و احتمال نهایی را ارائه می‌دهد. اثر ناظر به میزان اطمینانی که اعلام…
این سند بررسی تشخیصیِ قابل‌استفاده مجددی برای مجموعه‌داده‌های مالی ارائه می‌دهد که یکپارچگی شاخص، موارد تکراری، داده‌های مفقود، دورافتاده‌ها، شکاف‌های تقویمی و ناهنجاری‌های مختص حوزه را پوشش می‌دهد. نوع زمان، ترتیب و یکتایی را بررسی می‌کند، از جمله ترتیب…
این سند توضیح می‌دهد چگونه تجزیه موجک و برآوردهای طیفی غلتان، بازده‌های مالی را در مقیاس‌های زمانی مختلف توصیف می‌کنند. موجک‌ها بازده را به مؤلفه‌هایی تقسیم می‌کنند که بازه‌های زمانی به‌تدریج طولانی‌تری را در بر می‌گیرند و نشان می‌دهند کدام مقیاس‌ها بیشترین…
این دفترچه با یادگیری ماشین دوگانه برآورد می‌کند آیا کری معاملات آتی پس از تعدیل بابت نوسان، مومنتوم و رتبه مقطعی کری بر بازده‌های بعدی اثر دارد یا نه. میان تبیین علّی و عملکرد پیش‌بینی تمایز می‌گذارد: بک‌تستی سودآور می‌تواند نشان دهد کری بازده را پیش‌بینی…
این سند توضیح می‌دهد چگونه پیش از تخصیص سرمایه، مدل فعلی و مدل نامزد را در ارزیابی سایه مقایسه کنید. نقش‌ها و آستانه‌های ارتقا را از پیش تعیین می‌کند و سپس نامزد را در پنج بُعد می‌سنجد: بهبود شارپ سالانه‌شده، حداقل طول دوره مشاهده، همبستگی سیگنال، هم‌پوشانی…
این دفترچه نشان می‌دهد چگونه Feast را با منابع Parquet، موجودیت‌ها، نماهای ویژگی، برچسب‌های زمانی و سیاست زمان‌تا‌انقضا پیکربندی کنید و سپس ویژگی‌ها را برای نمونه‌های آموزشی و یک پرس‌وجوی شبه‌زنده در زمان مشخص بازیابی کنید. خروجی Feast را ویژگی‌به‌ویژگی با…
این دفترچه خودرمزگذاری نظارت‌شده را برای مدل‌سازی عامل سهام معرفی می‌کند. برخلاف خودرمزگذارهای بدون نظارت که با بازسازی مقطع، گلوگاه را یاد می‌گیرند، این مدل بازده‌های آتی را نیز در هدف آموزشی خود می‌گنجاند. بنابراین هدف، هم بازنمایی آموخته‌شده و هم…
این دفترچه توضیح می‌دهد چگونه تغییرات پیوسته قیمت را از جهش‌ها در بازده سهام درون‌روزی جدا کنیم. واریانس تحقق‌یافته روزانه را از بازده‌های مجذور برآورد می‌کند و از تغییرات بای‌پاور به‌عنوان برآوردی مقاوم به جهش از مؤلفه پیوسته استفاده می‌کند؛ تفاضل نامنفی…
این دفترچه، چارچوبی برای ارزیابی تولید تقویت‌شده با بازیابی در حوزه مالی می‌سازد که سنجه‌های جداگانه‌ای برای پوشش بازیابی، وفاداری پاسخ به منبع، خودداری به‌جا از پاسخ و رفتار امنیتی دارد. این چارچوب از شش نمونه آزمون دست‌نویس استفاده می‌کند که زمینه برخی از…
این دفترچه با Optuna مدل‌های بازده LightGBM را طوری تنظیم می‌کند که هم ضریب اطلاعات مقطعی (IC) و هم گردش معاملات پیش‌بینی را در نظر بگیرد. یک جست‌وجوی تک‌هدفه برای مقایسه، IC را بیشینه می‌کند؛ جست‌وجوی چندهدفهٔ NSGA-II تنظیمات بهینهٔ پارتو را شناسایی می‌کند…
این دفترچه پایگاه‌های دادهٔ تعبیه‌شده، سرورمحور، چندمنظوره و متمرکز بر معامله را در وظایف سری زمانی مالی مقایسه می‌کند: نوشتن انبوه، پویش کامل، پرس‌وجوهای بازهٔ زمانی، تجمیع OHLCV و هم‌ترازسازی معاملات و مظنه‌ها. نکتهٔ اصلی این است که چیدمان ذخیره‌سازی و نوع…
این درس، مدل‌های تصادفی پارامتری و روش‌های بوت‌استرپ را برای تولید مسیرهای مالی مصنوعی مقایسه می‌کند. حرکت براونی هندسی، انتشار جهشی، بازگشت به میانگین، نوسان‌پذیری تصادفی هستون و GARCH را در کنار بازنمونه‌گیری مستقل و بلوکی پوشش می‌دهد. مدل‌ها با استفاده از…
این دفترچه بازده‌های آتی 21روزهٔ ETF را به هدفی صعودی یا نزولی تبدیل می‌کند و رگرسیون لجستیک با منظم‌سازی L1 و L2 را در بخش‌های زمانی واک‌فوروارد ارزیابی می‌کند. ویژگی‌ها را با استفاده از داده‌های آموزشی هر بخش مقیاس‌بندی می‌کند و سپس پیش‌بینی‌ها را با دقت،…
این دفترچه Feast را به‌عنوان مخزن ویژگی برای داده‌های مالی و مبتنی بر مدل پیکربندی می‌کند و سپس بازیابی تاریخی و مقطعی آن را با اتصالی شفاف و دست‌ساز مقایسه می‌کند. موجودیت‌ها، منابع دارای مهر زمانی، نماهای ویژگی و زمان اعتبار را تعریف می‌کند و نسخه‌های موقت…
این دفترچه توابع هدف تقویت گرادیانی را روی بازده ماهانهٔ سهام US مقایسه می‌کند و ویژگی‌ها، هدف و بخش‌های واک‌فوروارد را ثابت نگه می‌دارد. خطای مربعی را با خطای قدرمطلق و زیان هوبر مقایسه می‌کند؛ زیان هوبر اثر باقیمانده‌های بزرگ را کاهش می‌دهد. انگیزه این است…
این تحلیل توضیح می‌دهد ضرایب اطلاعات مقطعی (IC) در مدل‌های آتی CME چگونه خوانده شوند و چه ارتباطی با آزمون‌های بعدی پرتفوی دارند. همبستگی رتبه‌ای میان بازده‌های پیش‌بینی‌شده و تحقق‌یافته را برای هر تاریخ محاسبه و سپس این هم‌بستگی‌ها را در تاریخ‌ها…
این دفترچه ارزیابی می‌کند که آیا داده‌های تاریخی ETF پیش از ساخت هرگونه مدل یا پیش‌بینی، می‌توانند پشتیبان استراتژی رتبه‌بندی ماهانه باشند. شرایط واجدبودن در هر مقطع را با استفاده از نقدشوندگی سال قبل بررسی می‌کند، تعداد صندوق‌های موجود در تاریخ‌های…
این سند توضیح می‌دهد که نسبت شارپ تعدیل‌شده (DSR) چگونه شارپِ استراتژی منتخب را با توجه به تعداد استراتژی‌های آزموده‌شده، تغییرات برآوردهای شارپ آن‌ها و توزیع‌های بازده غیرنرمال تعدیل می‌کند. آن را با محاسبهٔ تعدیل‌نشدهٔ شارپ احتمالاتی مقایسه می‌کند و تحلیلی…