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 دفترچه جریان کار تیترهای ESG را پیاده‌سازی می‌کند: خبرها را با کلیدواژه‌ها انتخاب می‌کند، هر تیتر منتخب را به دسته محیط‌زیست، اجتماعی یا حاکمیت شرکتی اختصاص می‌دهد و تیترهای نمونه‌گیری‌شده را با تحلیل احساسات FinBERT امتیازدهی می‌کند. ترکیب دسته‌های…
این دفترچه ویژگی‌های مالی و مبتنی بر مدل را از نظر رابطه‌شان با بازده هشت‌ساعته بعدی قراردادهای دائمی رمزارز غربال می‌کند. برای هر تسویه، همبستگی‌های اسپیرمن مقطعی میان قراردادهای واجد شرایط را محاسبه و سپس امتیازها را در تاهای اعتبارسنجی آزمون پیش‌رونده…
این دفترچه نتایج موجود مدل‌ها در آزمون پیش‌رونده را در مطالعات موردی مالی گردآوری می‌کند تا LSTM، NLinear، TSMixer، TCN و PatchTST را با خط‌مبناهای خطی، تقویت گرادیانی و شبکه عصبی جدولی مقایسه کند. معیار اصلی آن میانگین ضریب اطلاعات اسپیرمن روزانه است که با…
این دفترچه بررسی می‌کند که آیا عوامل سرمایه‌گذاری منتشرشده، صرف بازده معتبر ارائه می‌کنند و یکدیگر را متنوع می‌سازند یا نه. از سری‌های بلندمدت و میان‌دارایی AQR در کنار عوامل سهام فاما-فرنچ استفاده می‌کند و برای درنظرگرفتن تعداد زیاد عوامل نامزدِ بررسی‌شده…
این دفترچه ارزش کل قفل‌شده را داده‌ای جایگزین در نظر می‌گیرد و این فرضیه را می‌سنجد که شرایط سرمایه‌ای دیفای می‌توانند به پیش‌بینی بازده اتر کمک کنند. TVL را ارزش دلاری دارایی‌های رمزارزی سپرده‌گذاری‌شده در پروتکل‌ها تعریف می‌کند و سپس تأکید می‌کند که این یک…
این دفترچه بررسی می‌کند چرا ضریب اطلاعات مدل، نسبت شارپ استراتژی ساخته‌شده از پیش‌بینی‌های آن را تعیین نمی‌کند. در مجموعه‌ای از مطالعات موردی، رتبه‌بندی سیگنال‌ها را با نتایج بک‌تست مقایسه می‌کند و می‌سنجد قواعد ورود، اندازه موقعیت، تناوب بازمتعادل‌سازی و…
این دفترچه، اقتباسی آموزشی و روزانه از مدل ضریب تنزیل تصادفیِ خصمانه را پیاده‌سازی می‌کند. شبکه وزن‌دهی پرتفوی با استفاده از ویژگی‌ها و وضعیت بازارِ در دسترس تا پایان روز قبل، عاملی از بازده مازاد روز بعد می‌سازد. شبکه لحظه‌ای خصمانه به آموزش هسته قیمت‌گذاری…
این تحلیل با مقایسه شواهد ضریب اطلاعات (IC) و نسبت‌های شارپ حاصل از تبدیل پیش‌بینی‌ها به موقعیت، می‌سنجد آیا سیگنال‌های معاملاتی منتخب قابل‌اتکا به نظر می‌رسند یا نه. نتایج خانواده‌های مدل را در طبقات دارایی گردآوری می‌کند، میانگین IC و میانه شارپ سیگنال را…
این دفترچه نتایج آزمون پیش‌رونده‌ای را که پیش‌تر اجرا شده‌اند گردآوری می‌کند تا LSTM، NLinear، TSMixer، TCN و PatchTST را در مطالعات موردی، در کنار خط‌مبناهای خطی، تقویت گرادیانی و TabM مقایسه کند. میانگین ضرایب اطلاعات اسپیرمن روزانه را با بازه‌های اطمینان…
این دفترچه اکتشافی، داده‌های ساعتی قراردادهای آتی CME را در محصولات و طبقات دارایی بررسی می‌کند و از E-mini S&P 500 به‌عنوان نمونه استفاده می‌کند. سلسله‌مراتب محصول، قرارداد سررسیدشونده و سری پیوسته را توضیح می‌دهد، بازه‌های پوشش را خلاصه می‌کند و ناورداهای…
این دفترچه، پیش‌نمایشی از پرونده‌های 100 10-K و 8-K ارائه می‌دهد که قرار است ورودی گراف دانش مالی باشند. این دفترچه بررسی‌های طرح‌واره برای فیلدهای الزامی، کلیدهای یکتای شرکت و شماره پذیرش، برچسب‌های فرم سازگار، هم‌ترازی سال و فراداده طول متن را شرح می‌دهد.…
این سند رابطی برای خوانندگان توصیف می‌کند که امکان بررسی نتایج بک‌تست ذخیره‌شده در یک رجیستری را فراهم می‌کند. این رابط خلاصه‌ای از تعداد اجراها ارائه می‌دهد، مشخصات و اجراهای منفرد را بررسی می‌کند، نتایج را رتبه‌بندی می‌کند، روش‌های تخصیص را مقایسه می‌کند،…
این دفترچه یال‌های رویداد مالی زمان‌مهرخورده را از یک گراف دانش تحلیل می‌کند و زمان وقوع رویداد، زمان عمومی شدن آن و زمان ایجاد یال به‌دست خط لوله استخراج را از هم جدا می‌سازد. تأخیر افشا و استخراج را محاسبه می‌کند، با استفاده از برش‌های زمانی افشای عمومی…
این مرور فصل، فرایندی فرضیه‌محور برای تعریف استراتژی‌های معاملاتی پیش از بک‌تست را شرح می‌دهد. فرض‌های مستند داده و پیکربندی تغییرناپذیر را به تحلیل اکتشافی، مطالعه رویداد و برگه مشخصات ساختاریافته استراتژی پیوند می‌دهد. برگه پیشنهادی، فرضیه ابطال‌پذیر، طرح…
این دفترچه یک خودرمزگذار ساده را روی بازده‌های ساعتی سبدی از بازارهای پرپچوال رمزارز آموزش می‌دهد. بازده‌ها با استفاده از دوره آموزش استاندارد می‌شوند و شبکه عصبی ورودی چنددارایی را پیش از بازسازی به بازنمایی نهفته دوبعدی فشرده می‌کند. مدل برای کمینه‌سازی…
این سند روند کاری مشترکی برای مقایسه پیکربندی‌های مدل در مطالعات موردی توصیف می‌کند. ابتدا یک پیکربندی را برای هر مطالعه موردی انتخاب می‌کند و سپس خلاصه‌های سطح فولد و میان‌مطالعه‌ای را از همان انتخاب استخراج می‌کند تا تحلیل‌های بعدی از انتخابی یکدست استفاده…
این ماژول منبع، جدول‌های کاتالوگ را از ثبت‌های آزمایش برای پیش‌بینی‌های مدل و بک‌تست‌ها می‌سازد. فیلدهای رزروشده برای منشأ، هویت، وضعیت تکمیل، دسترس‌پذیری آرتیفکت و سنجه‌ها را تعریف می‌کند. کاتالوگ چندین سنجه برای پاسخ به پرسش‌های مختلف دارد، از جمله ضرایب…
این پروژه پایانی توضیح می‌دهد چگونه پیش‌بینی‌های احتمالی را با امتیاز بریر، امتیاز لگاریتمی، خطای کالیبراسیون مورد انتظار و میزان تفکیک‌پذیری ارزیابی کنیم و نمودارهای پایایی چگونه نشان می‌دهند پیش‌بینی‌ها کجا بیش‌ازحد مطمئن یا کمتر از حد مطمئن‌اند. همچنین…
این دفترچه پیکربندی‌های دنباله‌ای LSTM و NLinear را روی محصولات آتی CME ارزیابی می‌کند. مدل‌های دنباله‌ای پنجره‌های مرتب‌شده‌ای از مشاهدات را می‌گیرند تا بررسی کنند آیا مسیر اخیر، فراتر از ویژگی‌های خلاصه مهندسی‌شده، اطلاعاتی دارد. LSTM در طول پنجره حالت…
این دفترچه SHAP را در سطح توکن روی نسخه‌ای مشخص و تثبیت‌شده از مدل FinBERT به‌کار می‌گیرد که متن مالی را منفی، خنثی یا مثبت طبقه‌بندی می‌کند. استنتاج مدل را طوری پوشش می‌دهد که ترتیب برچسب‌های نقطه بازرسی حفظ شود؛ سپس احتمال‌های کلاس را با سنجش تغییر آن‌ها…
این دفترچه TSMixer را برای پیش‌بینی بازده آتی ETF بر پایه ویژگی‌های مومنتوم تاریخی به‌کار می‌گیرد. معماری آن یک تبدیل خطی مشترک را در محور زمان با یک ترکیب‌کننده ویژگی MLP ترکیب می‌کند که جداگانه در هر تاریخ اعمال می‌شود. پیش‌نرمال‌سازی و اتصالات باقیمانده…
این دفترچه توضیح می‌دهد چرا نسبت شارپ مشاهده‌شده یک استراتژی، هنگام گزینش آن از میان آزمون‌های متعدد، به تعدیل نیاز دارد. نسبت شارپ تعدیل‌شده (DSR) را معرفی می‌کند که نتیجه منتخب را با معیاری مقایسه می‌کند که با تعداد و پراکندگی استراتژی‌های آزموده‌شده…
این دفترچه تنظیم دقیق ترنسفورمر برای شناسایی موجودیت‌های نام‌دار مالی را توضیح می‌دهد؛ کاری که بازه‌هایی مانند سازمان‌ها، افراد، مبالغ، تاریخ‌ها و درصدها را در متن مشخص می‌کند. تمرکز آن بر برچسب‌های مرزی BIO و مسئله هم‌ترازی میان حاشیه‌نویسی‌های واژه‌ای و…
این دفترچه یک خودرمزگذار نظارت‌شده را با سهام روزانه US سازگار می‌کند. مدل ویژگی‌های رتبه‌بندی‌شده قیمت و حجم را بازسازی می‌کند، درحالی‌که سرهای طبقه‌بندی کمکی و اصلی، بازنمایی نهفته مشترکی را آموزش می‌دهند تا مثبت‌بودن بازده را در چند افق آتی پیش‌بینی کند.…