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.
629 سند
این دفترچه نشان می‌دهد چگونه گراف رویدادهای مالی را تحلیل کنید، بی‌آنکه زمان وقوع رویداد، زمان عمومی‌شدن آن و زمان استخراجش توسط خط لوله گراف با هم اشتباه شوند. روابط 8-K دارای مهر زمانی را بارگیری می‌کند، تأخیرهای افشا و استخراج را می‌سنجد و با استفاده از…
این سند عوامل نهفته را به‌عنوان محرک‌های مشترک بازده معرفی می‌کند که از هم‌حرکتی میان قراردادهای آتی استنباط می‌شوند، نه اینکه به‌صورت پیش‌بین‌های نام‌گذاری‌شده در اختیار باشند. دو رویکرد را که در هر فولد آموزشی برازش شده‌اند مقایسه می‌کند. تحلیل مؤلفه‌های…
این دفترچه، بک‌تست‌های ریزساختار NASDAQ-100 ثبت‌شده را بدون آموزش مدل یا اجرای دوباره بک‌تست به ارزیابی استراتژی تبدیل می‌کند. سنجه‌ها و تبار را از رجیستری می‌خواند، در صورت نیاز جدول‌های مشتق‌شده گروهی و مقایسه جفت‌شده می‌سازد و استراتژی‌ها را در تاریخ‌های…
این دفترچه پیکربندی ازپیش‌انتخاب‌شده قراردادهای آتی CME را با استفاده از پیش‌بینی‌های داده نگه‌داشته‌شده، تخصیص‌گر تثبیت‌شده، برنامه بازتوازن، قواعد تمرکز و فرض‌های هزینه معامله به‌کار می‌گیرد. نکته روش‌شناختی اصلی آن ثابت‌نگه‌داشتن این انتخاب‌ها پیش از…
این دفترچه توضیح می‌دهد فروشگاه‌های ویژگی چگونه داده آموزشی و ورودی‌های زنده مدل را هم‌راستا نگه می‌دارند. نماهای ویژگی را از طریق کلید موجودیت، مُهر زمانی رویداد، مدت اعتبار و ستون‌های ویژگی شرح می‌دهد و سپس پیوندهای مبتنی بر اطلاعات در دسترس در هر زمان را…
این دفترچه می‌سنجد استراتژی FX انتخاب‌شده با اعتبارسنجی چگونه به تغییر هزینه‌های معاملهٔ متناسب با ارزش معامله واکنش نشان می‌دهد. برای هر برچسب پیش‌بینی، استراتژی مادر را از نتایج سیگنال، تخصیص و لایه تعدیل ریسک انتخاب می‌کند و سپس آن را در شبکه‌ای از…
این دفترچه توضیح می‌دهد چگونه پیکربندی مطالعه موردی قراردادهای آتی CME را از بک‌تست‌های اعتبارسنجی ثبت‌شده انتخاب کنید. نامزدها را از مراحل سیگنال، تخصیص و مدیریت ریسک تجمیع می‌کند و سپس پیکربندی دارای قوی‌ترین شارپ اعتبارسنجی را برمی‌گزیند. هر دو افق بازده…
این دفترچه یک استراتژی ماهانه مومنتوم ETF و رژیم منحنی بازده را به دو روش اجرا می‌کند: محاسبه برداری بازده و شبیه‌سازی متوالی حساب. هر دو از وزن‌های هدف، دارایی‌ها، تاریخ‌ها و هزینه کل معامله یکسان استفاده می‌کنند تا مقایسه بر انتخاب‌های اجرا متمرکز شود؛…
این سند فرایند پنج‌دروازه‌ای ارزیابی نه مطالعه موردی معاملاتی را توضیح می‌دهد؛ از کیفیت سیگنال تا اعتبارسنجی، هزینه‌های معامله، عملکرد داده نگه‌داشته‌شده و کیفیت شواهد. دروازه‌ها تجمعی‌اند، بنابراین استراتژی فقط زمانی به مرحله آخر می‌رسد که همه مراحل پیشینِ…
این دفترچه برازش شبکهٔ حافظهٔ بلندمدت کوتاه‌مدت (LSTM) را روی ویژگی‌های ریزساختار یک‌دقیقه‌ای NASDAQ-100 برای پیش‌بینی بازده‌های آتی در چند افق توضیح می‌دهد. مدل، توالیِ مشاهدات گذشته را گام‌به‌گام پردازش می‌کند و می‌آموزد کدام مشاهدات پیشین را نگه دارد.…
این دفترچه سنجه‌های نوسان را مقایسه می‌کند، یک مدل خودرگرسیو ناهمگن (HAR) برازش می‌دهد و زبری را با نماهای هرست تخمین می‌زند. ابتدا واریانس تحقق‌یافته درون‌روزی را با برآوردگرهای روزانه مقایسه می‌کند، بازده‌های شبانه را از فعالیت جلسه جدا می‌کند و دام‌هایی…
این دفترچه خودرمزگذار شرطی‌ای را معرفی می‌کند که تحلیل مؤلفه‌های اصلی ابزارمند را گسترش می‌دهد: نگاشت خطی از ویژگی‌های سهام به مواجهه‌های عاملی را با یک شبکه عصبی جایگزین می‌کند. ساختار حاصل‌ضرب مواجهه‌ها در بازده عوامل را حفظ می‌کند و در عین حال روابط…
این دفترچه کاری، روشی برای دریافت و نگهداری سری‌های زمانی مالی با یک مدیر یکپارچه، مجموعه نمادهای ازپیش‌تعریف‌شده یا سفارشی و ذخیره‌سازی پارتیشن‌بندی‌شده پارکت ارائه می‌کند. دریافت تک‌نمادی و موازی چندنمادی، بارگذاری داده در ذخیره‌سازی، خواندن بازه‌های تاریخ…
این فصل رویکردهای کلاسیک تولید داده‌های مالی مصنوعی را توضیح می‌دهد و فرایندهای قیمت در زمان پیوسته، نوسان GARCH، بازنمونه‌گیری بوت‌استرپ و مقایسه مدل‌ها را پوشش می‌دهد. همچنین توضیح می‌دهد مدل‌هایی مانند حرکت براونی هندسی، انتشار جهشی، بازگشت به میانگین و…
این تحلیل اکتشافی می‌آزماید که آیا سیگنال مومنتوم دوازده‌ماهه، با کنارگذاشتن ماه اخیر، در جهان 100-ETF دارایی با بازده ماه بعد ارتباط دارد یا نه. پنلی ماهانه از قیمت‌های پایانی تعدیل‌شده می‌سازد، ETFهای واجد شرایط را هر ماه به پنجک‌ها رتبه‌بندی می‌کند و…
این دفترچه عضو NLinear را در جمعیت سه‌مدلیِ ازپیش‌تعریف‌شده برای یادگیری دنباله‌های اختیار معامله S&P 500 اجرا می‌کند. درخواست‌ها و نقاط کنترل کل جمعیت را پیش از برازش این عضو نهایی می‌کند تا دفترچه‌های بعدی بتوانند مدل‌های LSTM و PatchTST را با همان تصویر…
این دفترچه مرحله پیش‌بینی دوره نگه‌داشته‌شده را در مطالعه ویژگی‌های شرکت‌های US شرح می‌دهد. پیکربندی مدلِ انتخاب‌شده با نتایج اعتبارسنجی را می‌گیرد، مشخصات آموزش و نقطه کنترل آن را بازسازی می‌کند و سپس با داده‌هایی که پیش از پنجره نگه‌داشته‌شده پایان…
این دفترچه جست‌وجوهای ابرپارامتر Optuna را برای XGBoost، LightGBM و CatBoost روی مجموعه‌داده ویژگی‌های شرکت‌ها مقایسه می‌کند. هر کتابخانه مطالعه جست‌وجوی جداگانه‌ای دارد که از برآوردگر پارزنِ ساختاریافته با درخت، هرس میانه، توقف زودهنگام و ذخیره‌سازی پایدار…
این نمایش بررسی می‌کند که آیا یک پیاده‌سازی تقاطع دو میانگین متحرک، در موتورهای بک‌تست و زنده سیگنال‌های یکسانی تولید می‌کند. هر دو موتور همان کندل‌های آماده‌شده ETF را دریافت می‌کنند و از پارامترهای استراتژی و قرارداد اجرای یکسان استفاده می‌کنند؛ بنابراین…
این ابزار آموزش، حلقه بهینه‌سازی یک مدل به سبک DeePM را شرح می‌دهد. برای به‌روزرسانی پارامترهای مدل از AdamW و تابع زیانی با رویکرد شارپ مقاوم استفاده می‌کند و بازده‌های آتی، مقیاس‌بندی نوسان، ماسک‌ها، هزینه‌های معامله و تنظیمات دوره گرم‌شدن و کمینه نرم را…
این مطالعه موردی درخت‌های تقویت‌شده گرادیانی را با برچسب‌های بازده ETF برازش می‌دهد و آن‌ها را با یک مبنای خطی مقایسه می‌کند که تحت منظم‌سازی ریج قوی عملکرد خوبی داشته است. توضیح می‌دهد چرا درخت‌ها می‌توانند تعامل‌ها را کشف کنند؛ برای مثال، مومنتوم ممکن است…
این تحلیل اکتشافی، پنل تاریخی سهام US را بررسی می‌کند، فیلدهای قیمت خام و تعدیل‌شده آن را توضیح می‌دهد و پوشش نمادها را در گذر زمان می‌سنجد. شمار سالانه نمادهای فعال با نخستین و آخرین مشاهده مقایسه می‌شود تا روشن شود چرا برای فهم توانایی یک مجموعه‌داده در…
این دفترچه با استفاده از مدل GJR-GARCH، ویژگی‌های نوسان شرطی را برای مطالعه سهام و اختیار معامله S&P 500 می‌سازد. برخلاف قواعد ثابتی که بر قیمت‌های گذشته تکیه دارند، ویژگی‌های برازش‌شده به پنجره برآوردشان وابسته‌اند. بنابراین روش، برنامه بازبرازش را مشخص…
این سند مفاهیم مخزن ویژگی را مستقیماً با داده‌های Parquet یک مطالعه موردی نشان می‌دهد. نمای ویژگی، کلید موجودیت، زمان رویداد، مدت اعتبار و ستون‌های ویژگی را مشخص می‌کند. برای آموزش مدل، مقادیر تاریخی به زمان تصمیمی وصل می‌شوند که در آن قابل دانستن بوده‌اند؛…