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

609 سند

یادگیری ماشین برای معامله‌گری

این سند توضیح می‌دهد چگونه با استفاده از قیمت‌های پایانی تعدیل‌شده در تاریخ مشاهده و یک نشست معاملاتی بعدی، برچسب‌های روزانه بازده پیش‌نگر را برای صندوق‌های قابل معامله ساخت. یک برچسب اصلی با افق ماهانه و نسخه‌ای کوتاه‌تر با افق هفتگی ایجاد می‌کند؛ برچسب‌ها…

سهامیادگیری ماشینآمارمومنتوم
یادگیری ماشین برای معامله‌گری

این دفترچه بررسی می‌کند که آیا فعالیت دفتر سفارش بازده‌های کوتاه‌مدت NVDA را پیش‌بینی می‌کند یا نه. معیاری وزن‌دار بر اساس فاصله برای فشار دفتر سفارش از سفارش‌های افزوده‌شده، لغوشده و اجراشده در داده‌های بازار به‌ازای هر سفارش می‌سازد و سپس فعالیت علامت‌دار…

سهامریزساختار بازاراجرای سفارشآمار
یادگیری ماشین برای معامله‌گری

تحلیل مؤلفه‌های اصلی با صرف ریسک PCA ماتریس کوواریانس را با افزودن حاصل‌ضرب خارجیِ وزن‌دارِ بردار میانگین بازده آموزشی تغییر می‌دهد. بردارهای ویژه پیشرو، پرتفوی‌های عاملی ایستا را تعریف می‌کنند: با صفر بودن وزن، تحلیل مؤلفه‌های اصلی معمولی PCA به دست می‌آید؛…

سرمایه‌گذاری عاملیآماریادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه پیاده‌سازی‌های پیش‌بینی تک‌متغیره قیمت SPY را در PyTorch خام، sktime و Darts مقایسه می‌کند. هدف اصلی سنجش تلاش عملی است: طول کد، نیازهای رابط، موفقیت نصب و زمان ترکیبی برازش و پیش‌بینی. پیش‌بینی ساده آخرین قیمت مشاهده‌شده نقطه مرجعی فراهم می‌کند؛…

سهامیادگیری ماشینآمارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این فصل استدلال می‌کند که پژوهش معاملاتی بادوام به فرایندی منضبط وابسته است که با بازارهای در حال تغییر، شواهد پرنویز و هزینه‌های اجرا سازگار شود. تفاوت شکست‌های ساختاری، رژیم‌ها، رانش داده و رانش مفهوم را معرفی می‌کند؛ سپس گردش‌کاری از پژوهش تا تولید ارائه…

یادگیری ماشینآزمون گذشته‌نگرمدیریت ریسکآمار
یادگیری ماشین برای معامله‌گری

این دفترچه ارزیابی، ویژگی‌های مالی و مبتنی بر مدل را از نظر ارتباط با بازده هشت ساعت بعدِ قراردادهای آتی دائمی رمزارز غربال می‌کند. نمونه ارزیابی را از پنجره‌های اعتبارسنجی پیش‌رونده می‌سازد، دوره نهایی نگه‌داشته‌شده را بیرون از تحلیل می‌گذارد و هر ویژگی را…

رمزارزقراردادهای آتی دائمییادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این دفترچه پیش از برازش هر مدلی بررسی می‌کند که آیا یک استراتژی رتبه‌بندی روزانه سهام US داده قابل استفاده کافی برای ارزیابی منصفانه دارد یا نه. توضیح می‌دهد چگونه با استفاده از اجزای تاریخی، جهان سرمایه‌گذاری مقطع زمانی بسازیم؛ در غربال قابلیت معامله از…

سهامبازارهای آمریکاآزمون گذشته‌نگراجرای سفارش
یادگیری ماشین برای معامله‌گری

این دفترچه بررسی می‌کند منظم‌سازی چگونه بر مدل آتی CME ساخته‌شده از خانواده‌های ویژگی همبسته، از جمله معیارهای معامله انتقالی، شارپ غلتان، مومنتوم و نوسان اثر می‌گذارد. Ridge، Lasso و ElasticNet را مقایسه می‌کند: Ridge ضرایب را کوچک می‌کند و ویژگی‌ها را نگه…

قراردادهای آتییادگیری ماشینآمارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه سازگارکردن Diffusion-TS را برای تولید دنباله‌های بازده مصنوعی ETF شرح می‌دهد. مدل حذف‌کننده نویز، دنباله پاک را به‌شکل مجموع مؤلفه‌های روند چندجمله‌ای، فصلی فوریه‌ای و باقیمانده پیش‌بینی می‌کند؛ در همین حال، تابع زیان ترکیبی در حوزه زمان و فوریه،…

یادگیری ماشینآمارنوسانچنددارایی
یادگیری ماشین برای معامله‌گری

این سند توضیح می‌دهد چرا از TabM برای مدل‌سازی داده‌های پنلی تأمین مالی قراردادهای دائمی استفاده می‌شود: ستون فقرات عصبی مشترک آن همه ویژگی‌های ورودی را ترکیب می‌کند و لایه‌های غیرخطی می‌توانند برهم‌کنش‌ها را بازنمایی کنند. برخلاف درختی که در هر انشعاب یک…

رمزارزقراردادهای آتی دائمییادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه مالکیت سهام نهادی را از پرونده‌های SEC 13F به‌شکل گرافی مدل می‌کند که مدیران را به اوراق بهادار پیوند می‌دهد و روابط بخشی را برای تجمیع در نظر می‌گیرد. طرح داده هم تاریخ گزارش پایان فصل و هم تاریخ دیرترِ در دسترس قرارگرفتن پرونده را نگه می‌دارد:…

سهامآمارریزساختار بازار
یادگیری ماشین برای معامله‌گری

این گردش‌کار ارزیابی، ویژگی‌های مالی و مبتنی بر مدل را در برابر بازده‌های آتی برای یک پنل درون‌روزی NASDAQ-100 غربال می‌کند. ابتدا دوره نهایی آزمون را کنار می‌گذارد و مشاهداتی را حذف می‌کند که برچسب‌های آتی آن‌ها در آن بازه نهایی می‌شوند. برای هر ویژگی، ضریب…

سهامآماریادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این تحلیل برآورد می‌کند که آیا مومنتوم با حذف دوره اخیر با تغییری علّی در بازده‌های آتی ETFها مرتبط است یا نه؛ پرسش آن این نیست که مومنتوم تا چه اندازه بازده‌ها را پیش‌بینی می‌کند. یادگیری ماشین دوگانه با استفاده از مخدوش‌گرهای تعریف‌شده، پیامد و متغیر…

یادگیری ماشینآمارمومنتومآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این روش تولید شاخص معیار، از دارایی‌های اعلام‌شده در یک مطالعه موردی، سری بازده روزانه هم‌وزن می‌سازد. ابتدا آخرین قیمت پایانی هر نماد را برای هر نشست می‌گیرد، سپس بازده‌های پایانی تا پایانی را محاسبه و بازده‌های موجود را میان نمادها میانگین‌گیری می‌کند.…

آزمون گذشته‌نگرساخت پرتفویآمارمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این تحلیل نمایه‌ای از مجموعه ثابت 100 ETF در ۹ گروه دارایی تهیه می‌کند. پوشش صندوق‌ها و سال‌ها را بررسی می‌کند، تطابق پنل قیمت با پیکربندی گروه را تأیید می‌کند، مقادیر تهی و ترتیب OHLC را می‌سنجد و حجم معامله را میان گروه‌ها مقایسه می‌کند. همچنین توضیح…

چندداراییآمارمدیریت ریسکآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این سند هسته شبکه عصبی PatchTST را برای پیش‌بینی سری‌های زمانی چندمتغیره ارائه می‌کند. هر سری ورودی را به وصله‌های هم‌پوشان تقسیم می‌کند، هر وصله را به فضای ویژگیِ آموخته‌شده نگاشت می‌کند، کدگذاری‌های مکانی را می‌افزاید و توالی حاصل را از لایه‌های انکودر…

یادگیری ماشینآمارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این سند توضیح می‌دهد چگونه بازده پیرامون رویدادهایی مانند فعال‌شدن سیگنال، اعلام سود یا انتشار داده‌های کلان اندازه‌گیری شود. نمونه عملی آن از شکست‌های مومنتوم در ETFهای نقدشونده استفاده می‌کند. برای هر رویداد، مدلی بازار که در پنجره برآورد پیش از رویداد…

سهاممبتنی بر رویدادمومنتومشکست قیمت
یادگیری ماشین برای معامله‌گری

این دفترچه برآورد می‌کند که آیا امتیاز استانداردشده پریمیومِ یک قرارداد دائمی رمزارز بر بازده‌های هشت‌ساعته بعدی اثر دارد، وقتی سه عامل اعلام‌شده—نوسان قیمت، نرخ تأمین مالی و انحراف میانگین پریمیوم—ثابت نگه داشته شوند. چون متغیر مداخله پیوسته است، هدف شیبی…

رمزارزقراردادهای آتی دائمییادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این دفترچه با استفاده از بازده‌های روزانه ETF توضیح می‌دهد که مدل‌های GARCH چگونه خوشه‌بندی نوسان را ثبت و به ویژگی‌ای نشست‌به‌نشست تبدیل می‌کنند. ابتدا از تشخیص‌های دیداری و آزمون ARCH-LM استفاده می‌کند تا بسنجد آیا بازده‌های مجذور به وقفه‌های خود…

نوسانآمارمدیریت ریسکسهام
یادگیری ماشین برای معامله‌گری

این دفترچه چگونگی بازسازی دفتر سفارش محدود NASDAQ تک‌نمادی را از داده‌های پیام‌به‌سفارش توضیح می‌دهد. افزودن سفارش، اجرا، لغو، حذف و جایگزینی را پردازش می‌کند و اندازه باقی‌مانده هر سفارش فعال را نگه می‌دارد. جایگزینی‌ها به مدیریت ویژه نیاز دارند، زیرا مرجع…

سهامریزساختار بازاراجرای سفارشآمار
یادگیری ماشین برای معامله‌گری

این دفترچه توضیح می‌دهد چگونه کاتالوگ آزمایش مدل را از رجیستری مطالعه موردی بازسازی و محتوای آن را با MLflow مقایسه کنیم. آزمایش‌ها را در اجراهای آموزش، مجموعه‌های پیش‌بینی و اجراهای بک‌تست دنبال می‌کند و هر مرحله را به مرحله پیشین پیوند می‌دهد. مشخصات…

یادگیری ماشینآزمون گذشته‌نگرآمارمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این تحلیل اکتشافی، داده‌های ساعتی OHLCV را در کنار شاخص پریمیوم هشت‌ساعته برای قراردادهای دائمی رمزارز بررسی می‌کند. پوشش نمادها و تاریخ‌ها، تغییر ترکیب قراردادها، واحدها و توزیع پریمیوم، درستی داده‌های OHLC، مقادیر مفقود و هم‌ترازی قیمت‌های ساعتی با مشاهدات…

رمزارزقراردادهای آتی دائمیریزساختار بازارآمار
یادگیری ماشین برای معامله‌گری

این دفترچه رگرسیون حداقل مربعات معمولی را با Ridge، LASSO و Elastic Net برای پیش‌بینی بازده‌های آینده در مجموعه‌ای از ETF مقایسه می‌کند. همه مدل‌ها از فولدهای یکسان آزمون پیش‌رونده استفاده می‌کنند و فاصله حذف‌شده با افق برچسب همخوان است؛ بنابراین تفاوت‌ها را…

یادگیری ماشینسهامآمارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این فصل چگونگی ساخت پژوهش سازگار با زمان را درباره داده‌های بنیادی و جایگزین در سهام، سری‌های اقتصاد کلان، قراردادهای آتی، رمزارز و بازارهای پیش‌بینی شرح می‌دهد. روش‌های اصلی آن ذخیره‌سازی دوزمانی و پرس‌وجوهای «تا زمان»، زمان‌بندی انتشار با توجه به منبع،…

آزمون گذشته‌نگرآماریادگیری ماشینداده‌های درون‌زنجیره‌ای