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

956 سند

یادگیری ماشین برای معامله‌گری

این دفترچه تحلیل مؤلفه‌های اصلی PCA را توضیح می‌دهد؛ روشی که ماتریس کوواریانس بازده را با افزودن حاصل‌ضرب خارجیِ وزن‌دار میانگین بازده دوره آموزش تغییر می‌دهد. بردارهای ویژه پیشرو، پرتفوی‌های عاملی ایستا را تعریف می‌کنند؛ افزایش وزن، عوامل را به سمت جهت‌هایی…

سرمایه‌گذاری عاملیآمارساخت پرتفویآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه از SHAP برای توضیح پیش‌بینی‌های رگرسیون ریج درباره بازده ETF استفاده می‌کند. در یک مدل خطی، انتساب ویژگی رابطه‌ای بسته با ضرایب برازش‌شده و انحراف از مقادیر ویژگی پس‌زمینه دارد؛ این امکان را می‌دهد که تحلیل، توضیح‌دهنده را با یک تجزیه دقیق بررسی…

سهامیادگیری ماشینآمارمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه فیلتر کالمن را به‌عنوان روشی برای استخراج ویژگی از قیمت‌های مالی شرح می‌دهد. حالت روند خطی محلی هم سطح نهفته قیمت و هم شیب آن را دنبال می‌کند و مدل مشاهده، بسته‌شدن‌های پرنویز را لحاظ می‌کند. هر به‌روزرسانی سطح فیلترشده، شیب، نوآوری و برآورد…

سهامشاخص‌های تکنیکالآمارمعاملات زوجی
یادگیری ماشین برای معامله‌گری

این دفترچه تحلیل مؤلفه‌های اصلی ابزارشده (IPCA) را معرفی می‌کند؛ رویکردی مبتنی بر عوامل نهفته برای پیش‌بینی بازده از ویژگی‌های شرکت. به‌جای اختصاص وزن مستقیم بازده به هر ویژگی، IPCA مواجهه‌های عاملی هر شرکت را به‌صورت تابعی خطی از ویژگی‌های آن مدل می‌کند.…

سهامسرمایه‌گذاری عاملییادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این دفترچه تولید مجموعه پیش‌بینی خارج از نمونه را برای یک مدل اختیار اس‌اندپی 500 که قبلاً انتخاب شده است شرح می‌دهد. پیکربندی را با نتایج اعتبارسنجی ثابت می‌کند، آن را روی داده‌های پیش از مجموعه نگه‌داشته‌شده دوباره برازش می‌دهد و پیش‌بینی‌ها را برای بازه…

اختیار معاملهآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این ابزار روشی برای توضیح بازده راهبرد با مدل‌های سه‌عاملی یا پنج‌عاملی فاما–فرنچ، با امکان افزودن مومنتوم، شرح می‌دهد. داده‌های روزانه عوامل را با بازده راهبرد هم‌تراز می‌کند، بسامد بازده را تشخیص می‌دهد و اگر راهبرد کمتر از روزانه مشاهده شود، بازده عوامل…

سرمایه‌گذاری عاملیآمارمدیریت ریسکساخت پرتفوی
یادگیری ماشین برای معامله‌گری

این دفترچه یک طراحی خروج دو‌مدلی را روی داده‌های ساعتی قراردادهای دائمی BTC، ETH و SOL می‌آزماید. یک طبقه‌بند ورود، بازده‌های آتیِ به‌طور غیرمعمول قوی را شناسایی می‌کند؛ سپس احتمال پیش‌بینی‌شده آن همراه با ویژگی‌های فنی وارد مدلی جداگانه می‌شود که برآورد…

رمزارزقراردادهای آتی دائمییادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه پیام‌های NASDAQ TotalView-ITCH را تحلیل می‌کند تا فعالیت کل بازار را توصیف کند و داده‌های معاملاتی قابل استفاده مجدد بسازد. پیام‌ها را بر اساس نوع می‌شمارد و سپس پیام‌های اجرای سفارش را با نگاشت شناسه‌های محل سهام به نمادها و ارجاع‌های سفارش به…

سهامبازارهای آمریکاریزساختار بازاراجرای سفارش
یادگیری ماشین برای معامله‌گری

این سند ابزارهای مجموعه‌داده را برای آماده‌سازی پنل‌های سری زمانی جهت آموزش مدل و استنباط غلتان شرح می‌دهد. مجموعه‌داده آموزشی توالی‌های لغزان ویژگی‌ها، بازده‌های آتی، مقیاس‌های نوسان‌پذیری و ماسک‌ها را با طول توالی، محدوده تاریخ و گام قابل‌تنظیم…

یادگیری ماشینآزمون گذشته‌نگرساخت پرتفویاجرای سفارش
یادگیری ماشین برای معامله‌گری

این دفترچه ویژگی‌های مبتنی بر قیمت را برای رتبه‌بندی مجموعه گسترده‌ای از سهام US می‌سازد. خانواده‌های مومنتوم، نوسان‌پذیری، میانگین متحرک و شاخص‌های فنی را شرح می‌دهد و سپس آن‌ها را در برابر برچسب بازده آتی یک‌جلسه‌ای ارزیابی می‌کند. قاعده اصلی طراحی این است…

سهامبازارهای آمریکاشاخص‌های تکنیکالمومنتوم
یادگیری ماشین برای معامله‌گری

این فصل مدیریت ریسک را بخشی از طراحی استراتژی و عملیات زنده معرفی می‌کند. سنجش ریسک دنباله‌ای با ارزش در معرض ریسک و ارزش در معرض ریسک شرطی، عمق و بازیابی افت سرمایه، تجزیه مواجهه، آزمون تنش، کنترل‌های تطبیقی و حاکمیت را پوشش می‌دهد. روش‌های شرح‌داده‌شده…

مدیریت ریسکنوسانآزمون گذشته‌نگرساخت پرتفوی
یادگیری ماشین برای معامله‌گری

این مطالعه از داده‌های بازار بر اساس سفارش NVDA طی ده روز معاملاتی استفاده می‌کند تا بررسی کند فعالیت روزانه معاملات چگونه بر نمونه‌برداری میله‌ای اثر می‌گذارد. معاملات را به ساعات عادی بازار US محدود می‌کند، سمت آغازگر را از برچسب‌های محل معامله طبقه‌بندی…

سهامریزساختار بازاراجرای سفارششاخص‌های تکنیکال
یادگیری ماشین برای معامله‌گری

این تحلیل پیش‌بینی‌های اعتبارسنجی چند خانواده مدل را برای فاندینگ قراردادهای آتی دائمی مقایسه می‌کند. توضیح می‌دهد که ضریب اطلاعات رتبه بازده‌های بعدی را می‌سنجد، AUC ترتیب نتایج صعودی و نزولی را اندازه می‌گیرد و زیان لگاریتمی کیفیت احتمال را ارزیابی و…

رمزارزقراردادهای آتی دائمییادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این مطالعه موردی داده ارزش کل قفل‌شده DeFi Llama را به‌عنوان ورودی احتمالی برای خط لوله پژوهش معاملاتی اتر ارزیابی می‌کند. قدرت سیگنال، کیفیت داده، تناسب حقوقی و ارزش تجاری را جداگانه بررسی می‌کند و مسائل حقوقی و نبود نسخه‌های تاریخیِ قابل‌بازسازی را شرط‌های…

رمزارزدیفایداده‌های درون‌زنجیره‌ایآمار
یادگیری ماشین برای معامله‌گری

این دفترچه بازده عوامل منتشرشده را به‌عنوان اجزای بالقوه ساخت پرتفوی ارزیابی می‌کند. سه پرسش را از هم جدا می‌سازد: آیا میانگین بازده یک عامل از آستانه آماری سخت‌گیرانه عبور می‌کند، آیا عوامل به دلایلی که ممکن است پایدار بمانند یکدیگر را متنوع می‌کنند و در…

سرمایه‌گذاری عاملیآمارساخت پرتفویمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه خروج از موقعیت را برای موقعیت‌های قرارداد آتی دائمی رمزارز ارزیابی می‌کند که در مرحله تخصیص قبلی انتخاب شده‌اند. حد توقف زیان ثابت، حد توقف متحرک وابسته به بهترین قیمت هر موقعیت و خروج زمانی پس از دوره نگهداری مشخص را تعریف می‌کند. شبکه اعلام‌شده…

رمزارزقراردادهای آتی دائمیمدیریت ریسکآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این مطالعه موردی یک مدل LSTM را برای پیش‌بینی برچسب‌های جفت‌ارز FX پیکربندی می‌کند. حالت پنهانِ حفظ‌شده در مدل بازگشتی را با تبدیل‌های مبتنی بر پنجره ثابت گذشته و میدان‌های پذیرش کانولوشنی مقایسه می‌کند، اما مقایسه با مدل‌های دیگر را به تحلیلی جداگانه موکول…

فارکسیادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه پوشش‌های ریسک را در بک‌تست‌های مطالعات موردی مقایسه می‌کند؛ از جمله قواعد حد توقف، حد توقف متحرک، محدودیت زیان، قطع‌کننده افت سرمایه و هدف‌گذاری نوسان‌پذیری. نتایج پوشش هر مطالعه را بارگذاری می‌کند، هرجا موجود باشد مبنایی را از بک‌تست مرحله تخصیص…

مدیریت ریسکآزمون گذشته‌نگرساخت پرتفویآمار
یادگیری ماشین برای معامله‌گری

این مطالعه موردی درخت‌های تقویت‌شده با گرادیان را بر ویژگی‌های ریزساختار NASDAQ-100 به‌کار می‌گیرد تا بازده و جهت را در چند افق درون‌روزی پیش‌بینی کند. درخت‌ها را با مدل‌های خطی مقایسه می‌کند: درخت‌ها می‌توانند روابط شرطی را کشف کنند، مثلاً اینکه عدم‌توازن…

یادگیری ماشینریزساختار بازارسهامآمار
یادگیری ماشین برای معامله‌گری

این دفترچه بازیابی رابطه‌ای قطعی را با جست‌وجوی تعبیه‌ای روی مجموعه‌ای از دارایی‌های نهادی 13F مقایسه می‌کند. با نگه‌داشتن آخرین موقعیت گزارش‌شده هر نهاد پیش از یک نقطه برش ثابت، تصویری در مقطع زمانی مشخص می‌سازد و سپس پرسش‌هایی درباره دارندگان عمده، مالکیت…

یادگیری ماشینسهامآمارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه برآورد می‌کند که هزینه‌های اجرا چگونه می‌توانند بازده فرضی استراتژی درون‌روزی را کاهش دهند. ابتدا اسپردهای مظنه‌شده با وزن‌دهی بر اساس حجم را میان مؤلفه‌های شاخص NASDAQ-100 با استفاده از مظنه‌های میله‌ای دقیقه‌ای اندازه‌گیری می‌کند، سپس میانه…

سهاماجرای سفارشریزساختار بازارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه آموزش یک شبکه مولد تخاصمی را بر ویژگی‌های مهندسی‌شده ETF با حریم خصوصی تفاضلی نشان می‌دهد. پارامترهای حریم خصوصی اپسیلون و دلتا را معرفی می‌کند، توضیح می‌دهد چرا DP-SGD پیش از تجمیع، گرادیان هر رکورد را برش می‌دهد و نویز کالیبره‌شده می‌افزاید، و…

یادگیری ماشینآمارمدیریت ریسکسهام
یادگیری ماشین برای معامله‌گری

این دفترچه استنباط کلاسیک حداقل مربعات معمولی را برای ویژگی‌ها و بازده‌های آتی ETF به‌کار می‌برد. برآورد ضرایب، خطاهای استاندارد، آماره‌های t، مقادیر p و آزمون‌های ناهمسانی واریانس، خودهمبستگی باقیمانده‌ها، نرمال‌نبودن و هم‌خطی چندگانه را بررسی می‌کند.…

سهامآمارمدیریت ریسکیادگیری ماشین
یادگیری ماشین برای معامله‌گری

این سند ابزارهایی را برای بارگذاری پیام‌های تجزیه‌شده NASDAQ ITCH و بازسازی دفتر سفارش محدود از افزوده‌شدن، حذف، لغو، اجرا و جایگزینی سفارش‌ها شرح می‌دهد. تعداد سهام باقی‌مانده در هر سفارش پیگیری می‌شود تا به‌روزرسانی‌های بعدی دفتر از مقدار جاری استفاده…

سهامریزساختار بازاراجرای سفارشمعاملات پربسامد