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 مقایسه‌های درستی و زمان اجرا را برای VectorBT Pro و VectorBT OSS در برابر ML4T روی استراتژی‌های مطالعه موردیِ پشتیبانی‌شده ارائه می‌دهد. هر دو نسخه را در تخصیص ETF، ارز خارجی با مظنه USD و پنل سهام US بررسی می‌کند؛ VectorBT Pro همچنین در مقایسه…
این دفترچه پیش‌بینی‌های سطح سهام را به سبدهای اعتبارسنجی تبدیل می‌کند. در هر تاریخ تجدید توازن، سهام را بر اساس بازده پیش‌بینی‌شده مرتب می‌کند، گروه بالایی را می‌خرد و گروه پایینی را فروش استقراضی می‌کند و به هر موقعیت سرمایه‌ای برابر اختصاص می‌دهد. این خط…
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 دفترچه نشان می‌دهد که یک سفارش با مبلغ ثابت دلاری، به‌دلیل تفاوت اندازه‌اش نسبت به حجم معاملات موجود، می‌تواند هزینه‌های بسیار متفاوتی در سهام گوناگون ایجاد کند. در آن، مدلی از اثر بازار با ریشه دوم برای یک استراتژی مومنتومِ خرید هنگام مثبت بودن، با…
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 روند کاری مشترکی را برای برازش شبکه‌های کانولوشنی زمانی روی داده‌های روزانه جفت FX شرح می‌دهد. مدل به‌جای درنظرگرفتن هر تاریخ به‌عنوان ردیفی مستقل از ویژگی‌ها، از پنجره‌ای ثابت از مشاهدات متوالی استفاده می‌کند. اجراکننده تاریخ‌های مجاز برای…
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 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.…
این دفترچه روندی برای کاهش مجموعه بزرگی از ویژگی‌های ETF به نامزدهایی برای مدل‌سازی بعدی ارائه می‌کند. ویژگی‌ها را با ضرایب اطلاعاتی اسپیرمنِ مقطعی در برابر بازده‌های آتی رتبه‌بندی می‌کند؛ این ضرایب برحسب تاریخ محاسبه و سپس میانگین‌گیری می‌شوند. آماره‌های…
این دفترچه TabM، طرحی از شبکه عصبی برای داده‌های جدولی، را روی ویژگی‌های ماهانه شرکت‌ها بررسی می‌کند. سه پیش‌تنظیم را مقایسه می‌کند که با ثابت‌ماندن دیگر تنظیمات آموزش، عرض لایه پنهان و تعداد مدل‌های مجموعه را افزایش می‌دهند. اجراکننده مشترک هدف یادگیری را…
این دفترچه استراتژی سهام و اختیار معامله S&P 500 را که پیش‌تر انتخاب شده، روی پیش‌بینی‌های یک دوره نگه‌داشته‌شده جداگانه در 2021 اعمال می‌کند. پیکربندی منتخب، از جمله تخصیص‌دهنده، قواعد تمرکز، پوشش ریسک و هزینه‌های معاملاتی، بدون تغییر حفظ می‌شود و…
این تحلیل توضیح می‌دهد که چگونه ضرایب اطلاعاتی را برای مجموعه‌ای از مدل‌های پیش‌بینی آتی CME بخوانیم. در آن، IC هر تاریخ به‌صورت همبستگی رتبه‌ای میان بازده‌های پیش‌بینی‌شده و تحقق‌یافته در محصولات تعریف می‌شود؛ سپس مقادیر روزانه در میان بخش‌ها میانگین‌گیری…
این دفترچه سه عامل پژوهشی را با تنظیماتی یکسان درباره پرسشی پیرامون رکود به کار می‌گیرد؛ یا با بازپخش یک ثبت ذخیره‌شده، یا با اجرای هم‌زمان مدل‌های زنده و جست‌وجو. احتمال، میزان اطمینان، فعالیت گردآوری شواهد و خط زمانی گفت‌وگوی هر عامل را ثبت می‌کند و سپس…
این دفترچه، بک‌تست‌های ثبت‌شدهٔ یک مطالعهٔ موردی ETF را در ارزیابی استراتژی با درنظرگرفتن عدم‌قطعیت گرد هم می‌آورد. معیارهای عملکرد را همراه با بازه‌های اطمینان بوت‌استرپ بلوکی می‌خواند و از بوت‌استرپ‌های جفت‌شده برای مقایسهٔ مراحل پیاپی خط لوله، گونه‌های…
این دفترچه توضیح می‌دهد چگونه پنل کلانی که با دوره مورد سنجش تاریخ‌گذاری شده است می‌تواند اطلاعات آینده را به بک‌تست معاملاتی نشت دهد. تاریخ انتشار را با افزودن طول دوره به تاریخ ثبت‌شده برآورد می‌کند و سپس با تکیه بر برنامه نهادها، تأخیر انتشار…
این دفترچه DeePM را پیاده‌سازی می‌کند؛ یک سیاست سرتاسری پرتفوی برای مجموعه متنوعی از ETF. مدل آن ویژگی‌های زمانی، فراداده دارایی‌ها، توجه مقطعی و پیشین گراف کلان را ترکیب می‌کند؛ پیشین گراف اجازه توجه درون طبقات دارایی و میان پیوندهای منتخب با انگیزه اقتصادی…
این دفترچه تیترهای مالی را به سیگنال‌های سطح سهام تبدیل می‌کند و آن‌ها را در برابر بازده‌های آتی می‌سنجد. تیترها را تعبیه می‌کند، غافلگیری خبری را به‌صورت فاصله معنایی از مبنای متحرک تعبیه‌ها می‌سنجد و آن را با جهت احساسات ترکیب می‌کند تا خبرهای صعودیِ…
این سند توضیح می‌دهد چگونه یک استراتژی سهام US را که پیش‌تر انتخاب شده، با پیکربندی ثابت روی داده‌های نگه‌داشته‌شده ارزیابی کنیم. مجموعه پیش‌بینی درست را از هویت آموزشی مدل منتخب و نقطه وارسی آن به دست می‌آورد؛ سپس تخصیص‌گر، قواعد تمرکز، تناوب بازتوازن، لایه…
این سند توضیح می‌دهد چگونه از سه مدل سری زمانی برازش‌شده، ویژگی‌هایی برای جفت‌ارزها بسازیم: فیلتر فضای حالت برای برآورد سطح قیمتی که به‌آرامی تغییر می‌کند، مدل مارکوف پنهان دوحالته برای رژیم‌های نوسان دلار و مدل ARIMA که خطاهای پیش‌بینی یک‌گام آن بیانگر…
این دفترچه می‌سنجد که هزینه‌های معامله چگونه بر استراتژی‌هایی اثر می‌گذارند که پیش‌تر در مراحل انتخاب سیگنال، تخصیص و لایه کنترل ریسک انتخاب شده‌اند. پیش از تغییر هزینه‌ها، برای هر برچسب یک پیکربندی منتخبِ اعتبارسنجی را ثابت نگه می‌دارد؛ بنابراین منحنی‌ها…
این دفترچه می‌پرسد آیا مدل‌های دنباله‌ای می‌توانند از خلاصه‌های دست‌سازِ تاریخچه پریمیوم تأمین مالی دائمی بهتر عمل کنند یا نه. مدل خطی ساده NLinear را که یک پنجره مرتب‌شده می‌خواند، با یک LSTM دو‌لایه مقایسه می‌کند. هر دو از ترتیب ویژگی، بخش‌های آزمون…
این سند توضیح می‌دهد چرا نمی‌توان حد ضرر، حد ضرر متحرک و خروج زمانی را در مطالعه‌ای ارزیابی کرد که بک‌تست آن وزن‌ها را در طول یک ماه نگه می‌دارد و فقط بازده آتی تحقق‌یافته ماهانه را مشاهده می‌کند. این قواعد به مسیر قیمت میان ورود و خروج وابسته‌اند؛ بدون…
این سند فرایندی برای ارزیابی بک‌تست‌های ریزساختارِ ثبت‌شده NASDAQ-100 شرح می‌دهد. اجراهای موجود را می‌خواند، نه اینکه مدل‌ها را آموزش دهد یا بک‌تست‌ها را دوباره اجرا کند؛ تبار استراتژی‌های منتخب را دنبال می‌کند، نامزدها را با معیار وزن‌دهی یکسان مقایسه…