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.
487 سند
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 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…
این سند روشی مرحله‌ای برای تطبیق نام شرکت‌ها در داده‌های جایگزین، پرونده‌ها، اخبار و منابع قیمت با اوراق بهادار ارائه می‌کند. ابتدا بر اساس شناسه‌های موجود و به‌ترتیب اعتماد مشخص‌شده پیوند می‌زند، رکوردهای تطبیق‌نیافته را حفظ می‌کند و یکتایی کلیدهای مرجع را…
این سند ساخت ماتریس ویژگی مقطعی برای سهام S&P 500 را با ترکیب تاریخچه تعدیل‌شده قیمت سهام و سطوح خلاصه‌شده نوسان ضمنی اختیار معامله شرح می‌دهد. ویژگی‌ها را بر اساس نقش، ورودی، دوره بازنگری و تأخیر مشاهده‌پذیری سازمان‌دهی می‌کند. مقادیر مشتق‌شده از اختیار…
این دفترچه برچسب‌های بازده کل ماهانه را برای مطالعه مقطعی ویژگی‌های بنگاه‌های US تعریف می‌کند و انطباق این نتایج با ردیف‌های ارائه‌دهنده داده را می‌سنجد. در پنل، ویژگی‌های ماه قبل با بازده ماهی که ردیف به آن تاریخ‌گذاری شده جفت می‌شوند؛ بنابراین جلو بردن…
این دفترچه نشان می‌دهد که هزینه‌های صریح اجرا چگونه می‌توانند بازده ناخالص یک استراتژی فرضی درون‌روزی را کاهش دهند. مبنای آن، اسپرد عبوریِ میانه و وزن‌دهی‌شده با حجم در میان اجزای NASDAQ-100 است؛ سپس با افزودن اثر بازار، لغزش قیمت و کارمزدهای فرضی، سناریوهای…
این دفترچه توضیح می‌دهد که شبکه کانولوشنی زمانی (TCN) چگونه می‌تواند بازده را از داده‌های مالی مرتب‌شده پیش‌بینی کند. کانولوشن‌های علّی تضمین می‌کنند خروجی هر زمان فقط به ورودی‌های همان زمان و پیش از آن وابسته باشد. اتساع‌ها میدان دید را به‌صورت هندسی در…
این سند روشی رویدادمحور برای نگهداری تعداد محدودی موقعیت درون‌روزی ارائه می‌کند. پیش‌بینی‌ها با استفاده از تازه‌ترین امتیاز موجود و با رعایت حد اختیاری تازگی، با کندل‌های قیمت هم‌تراز می‌شوند. سیگنال‌های ورود از چندک غلتانی استفاده می‌کنند که برای هر دارایی…
این مطالعه موردی پیش‌بینی‌های ذخیره‌شده مدل برای سهام US را به سبدهای خرید-فروش استقراضی با وزن برابر تبدیل می‌کند. چند طرح ورود را می‌آزماید که هر یک برای موقعیت خرید نام‌های دارای بالاترین رتبه و برای فروش استقراضی نام‌های دارای پایین‌ترین رتبه را…
این دفترچه sklearn HistGradientBoosting، XGBoost، LightGBM و CatBoost را در یک مسئله پیش‌بینی بازده ETF مقایسه می‌کند. ضریب اطلاعات مقطعی، زمان آموزش و حافظه فرایند را در اجراهای CPU و، در صورت پشتیبانی، GPU می‌سنجد و از پیش‌تنظیم‌های مدل سبک، متوسط و سنگین…
این دفترچه پیش‌بینی‌های مقطعی سهام را با رتبه‌بندی در هر بازتنظیم سبد، به سبدهای خرید-فروش استقراضی تبدیل می‌کند: سهام برتر را می‌خرد و به همان میزان سرمایه برای هر موقعیت، سهام انتهای رتبه‌بندی را استقراض و می‌فروشد. وزن‌دهی برابر یک خط پایه فراهم می‌کند تا…
این دفترچه داده‌های اسناد 10-K و 8-K شاخص S&P 100 را که برای ساخت گراف دانش مالی در نظر گرفته شده‌اند، پیش‌نمایش می‌کند. کامل‌بودن طرح‌واره، یکتایی کلیدهای شرکت و شماره پذیرش، سازگاری نوع فرم، سال ثبت و طول متن ثبت‌شده را بررسی می‌کند. گزارش‌های سالانه شرح…
این دفترچه پیش‌بینی‌های مدل را با استفاده از یک موتور بک‌تست مشترک، به‌عنوان استراتژی‌های معاملاتی NASDAQ-100 ارزیابی می‌کند. ابتدا با سیگنال‌های تصادفی یک بررسی فنی اجرا می‌کند: اگر پس از هزینه‌ها سودها پایدار بمانند، می‌تواند نشانه مشکلاتی مانند نگاه به…
این دفترچه پیش از برازش مدل یا پیش‌بینی، بررسی می‌کند که آیا استراتژی رتبه‌بندی مقطعی سهام در بازه‌های پانزده‌دقیقه‌ای عملی است یا نه. برای بررسی مجموعه نمادهای واجد شرایط، هزینه‌های رفت‌وبرگشت معامله، افق‌های بازده، خودهمبستگی درون هر نماد و بخش‌بندی…
این سند برازش یک مدل دنباله‌ای خطی ساده را روی ویژگی‌های یک‌دقیقه‌ای NASDAQ-100 برای پیش‌بینی بازده‌های آتی در چند افق شرح می‌دهد. هر ورودی شامل ساعت پیشین برای یک سهم است که به‌شکل تغییرات نسبت به آخرین مشاهده بیان می‌شود و مدل پنجره حاصل را به پیش‌بینی…
این سند بارگذاری داده‌های بازار ETF را با فیلترهای اختیاری نماد و تاریخ و نیز محدودیتی قطعی بر تعداد نمادهای برگردانده‌شده شرح می‌دهد. نکته اصلی تحلیلی آن، تطبیق سری قیمت با کمیتی است که اندازه‌گیری می‌شود: قیمت‌های تعدیل‌شده برای محاسبه بازده مناسب‌اند، در…
این دفترچه با مدل GJR-GARCH(1,1) ویژگی‌های نوسان شرطیِ مبتنی بر مدل را برای سهام S&P 500 می‌سازد؛ سپس فاصله نوسان ضمنی اختیار معامله از نوسان تحقق‌یافته را با فاصله آن از پیش‌بینی مدل مقایسه می‌کند. چون پارامترهای برآوردشده ممکن است مشاهدات آینده را…
این دفترچه بررسی می‌کند که انتخاب‌های منظم‌سازی ریج چگونه بر ضریب اطلاعات در پنل ETF اثر می‌گذارند و جست‌وجوی ابرپارامتر چگونه می‌تواند عملکرد گزارش‌شده را بیش از واقع نشان دهد. ابتدا شبکه گسترده آلفا را در بخش‌های آزمون پیش‌رونده ارزیابی می‌کند و ویژگی‌ها…
این دفترچه ممیزی به‌روزی از VectorBT Pro و VectorBT OSS را با ML4T در بارهای کاری استراتژی مبتنی بر داده واقعی و پشتیبانی‌شده ارائه می‌کند. هر دو نسخه VectorBT در تخصیص ETF، تخصیص ارز خارجی با مظنه USD و پنل سهام US شرکت می‌کنند. Pro همچنین مورد معاملات آتی…
این دفترچه تحلیل مؤلفه اصلی ابزارمند (IPCA) را توضیح می‌دهد؛ روشی که مواجهه‌های عاملی هر ETF را تابع خطی مشترکی از ویژگی‌های مشاهده‌شده آن صندوق مدل می‌کند. کمترین مربعات متناوب، نگاشت ویژگی به مواجهه و بازده عامل‌ها را هم‌زمان در مشاهدات صندوق-تاریخ برآورد…
این دفترچه یک مدل عامل نهفته PCA را روی پنل بازده سهام برازش می‌کند، بدون آنکه از ویژگی‌های سطح اختیار معامله، مشخصه‌ها یا اطلاعات هدف استفاده کند. PCA جهت‌های اصلی هم‌حرکتی مقطعی تاریخی را استخراج می‌کند، مواجهه هر سهم را برآورد می‌کند و بر پایه میانگین…
این دفترچه وزن‌دهی برابر را با دو قاعده تخصیص برای استراتژی‌های ویژگی شرکت‌های US مقایسه می‌کند: وزن‌دهی امتیازی که سرمایه بیشتری به پیش‌بینی‌های مدل با امتیاز بالاتر اختصاص می‌دهد، و وزن‌دهی کنفورمال که سرمایه اختصاص‌یافته به پیش‌بینی‌هایی با بازه خطای…
این تحلیل سیگنال‌های آموخته‌شده برای بازده مقطعی ماهانه سهام US را با استفاده از ویژگی‌های حسابداری و بازار مقایسه می‌کند و بازده ماه بعد را هدف می‌گیرد. مدل‌های خطی، درخت‌های تقویت‌شده، روش‌های عمیق جدولی، برآوردگرهای عامل نهفته و برآورد اثر علّی را مرور…