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 ممیزی Backtrader و Zipline را با ML4T در نمونه‌های واقعی استراتژی مقایسه می‌کند و فقط ترکیب‌های دارایی و قراردادهایی را به کار می‌گیرد که هر موتور و بسته داده ثابت بتوانند به‌صورت بومی بازنمایی کنند. این بررسی تخصیص ETF و یک پنل سهام US را برای هر دو…
این دفترچه برچسب‌های بازده ماهانه را برای مطالعه مقطعی ویژگی‌های شرکت‌های US تعریف و اعتبارسنجی می‌کند. بررسی می‌کند که ارائه‌دهنده داده چگونه ویژگی‌های هر ردیف را با پیامد بازده جفت می‌کند و تأکید دارد که پنل از پیش هم‌تراز شده است و نباید دوباره جابه‌جا…
این دفترچه یک تخصیص‌دهنده سبد سرمایه‌گذاری سرتاسری می‌سازد که شبکه انتخاب ویژگی به سبک Temporal Fusion Transformer را پیش از یک LSTM قرار می‌دهد. شبکه‌های باقیمانده دروازه‌دار جداگانه، ویژگی‌ها را جاسازی می‌کنند و وزن‌های نرمِ یادگرفته‌شده این جاسازی‌ها را…
این دفترچه بازمتوازن‌سازی روزانه، هفتگی، دوهفتگی و ماهانه را برای سبد مومنتوم با رتبه بالا و مبتنی بر جهان ثابت ETF مقایسه می‌کند. گردش معاملات و عملکرد ناخالص تعدیل‌شده با ریسک را از قیمت‌های تاریخی می‌سنجد و سپس آلفای سربه‌سر را با ضرب گردش سالانه یک‌طرفه…
این مرور خانواده‌ای از مدل‌ها را برای پیش‌بینی بازده بر پایه ویژگی‌های شرکت شرح می‌دهد. این مدل‌ها به‌جای درنظرگرفتن هر ویژگی به‌عنوان پیش‌بینی‌کننده مستقیم بازده، فرض می‌کنند بازده‌ها از تعداد کمی عامل مشترک مشاهده‌نشده ناشی می‌شوند و میزان مواجهه هر شرکت…
این سند پیکربندی، خط لوله پژوهش هفتگی سهام 500 را تعریف می‌کند که ویژگی‌های بازار اختیار معامله را در کنار سیگنال‌های مبتنی بر قیمت به کار می‌گیرد. جهان مجاز، زمان تصمیم‌گیری و اجرا، و تناوب‌های بازمتوازن‌سازی متفاوت برای برچسب‌هایی با افق‌های پیش‌بینی مختلف…
این سند یک مدل آموزشی فضای حالت گزینشی به سبک Mamba را برای پیش‌بینی بازده ETF از توالی ویژگی‌های مومنتوم ارائه می‌کند. برخلاف توجه و ترکیب‌سازی متراکم زمانی، مدل فضای حالت، حالتی با اندازه ثابت را در طول توالی حمل می‌کند و میزان محاسبات آن با طول توالی…
این سند خودرمزگذار شرطی را شرح می‌دهد که مواجهه شرکت‌ها با عوامل بازده نهفته را به‌صورت تابعی غیرخطی از ویژگی‌های شرکت مدل‌سازی می‌کند. این مدل مانند IPCA ساختار عاملی‌ای برآورد می‌کند که در آن بازده‌های پیش‌بینی‌شده ترکیبی از مواجهه‌های ویژه هر شرکت و بازده…
این سند شبکه عصبی TabM را برای رتبه‌بندی ETFها بر پایه ویژگی‌های جدولی شرح می‌دهد. ستون فقرات مشترک دولایه آن چند عضو را تغذیه می‌کند که هرکدام بردار مقیاس‌بندیِ آموخته‌شده و لایه خروجی خود را دارند؛ هدف از میانگین‌گیری پیش‌بینی‌هایشان کاهش نویز مقداردهی…
این دفترچه توضیح می‌دهد محدودیت‌های مشارکت حجمی چگونه سهمی از حجم بازار را که یک سفارش می‌تواند در هر بازه مصرف کند محدود می‌کنند. وقتی سفارش مادر از مقدار مجاز بیشتر باشد، کارگزار بخشی از آن را اجرا می‌کند و باقیمانده را به بازه بعد منتقل می‌کند. آستانه…
این مرور فصل توضیح می‌دهد که درخت‌های تقویت‌شده با گرادیان چگونه برای پیش‌بینی جدولی مالی، بر درخت‌های تصمیم و جنگل‌های تصادفی بنا می‌شوند. روش تقویت، یادگیرنده‌ها را به‌ترتیب اضافه می‌کند تا خطاهای پیشین را اصلاح کند و به شناسایی روابط غیرخطی و اثرهای…
این سند مجموعه‌داده ماهانه سهام US را توصیف می‌کند که برای پژوهش یادگیری ماشین در قیمت‌گذاری دارایی طراحی شده است. این مجموعه در کنار بازده‌ها، شامل 94 ویژگی شرکتِ تبدیل‌شده به رتبه، از جمله سنجه‌های حسابداری و ویژگی‌های فنی است. هویت شرکت‌ها ناشناس‌سازی شده…
این دفترچه بررسی می‌کند که اثر بازار چگونه نتایج بک‌تست یک استراتژی مومنتوم را در سهام با نقدشوندگی‌های متفاوت تغییر می‌دهد. اندازه سفارش و استراتژی را ثابت نگه می‌دارد، نقدشوندگی و نوسان را از یک دوره شکل‌گیری برآورد می‌کند و در دوره ارزیابی بعدی چند سطح از…
این دفترچه پنل منتشرشده‌ای را برای پژوهش یادگیری ماشین روی سهام US معرفی می‌کند. این پنل مشاهدات ماهانه با 46 ویژگی شرکت و بازده مازاد ماه بعد را در بر می‌گیرد و چندین دهه را پوشش می‌دهد. ویژگی‌ها بر اساس معنای اقتصادی گروه‌بندی و در هر ماه به‌صورت رتبه‌ای…
این فصل توضیح می‌دهد چگونه گراف‌های دانش مالی را بسازید و به کار ببرید، وقتی پرسش‌ها به رابطه‌هایی مانند مالکیت، زنجیره تأمین یا سرایت وابسته‌اند. هویت موجودیت، طرح‌واره روابط نوع‌دار، منشأ داده و استخراج با کمک LLM از پرونده‌ها را پوشش می‌دهد. Graph RAG…
این دفترچه دو طراحی ترنسفورمر را برای پیش‌بینی بازده 21روزه ETF بر پایه هشت ویژگی مومنتوم گذشته مقایسه می‌کند. PatchTST روزهای متوالی را در وصله‌ها گروه‌بندی می‌کند، تعداد توکن‌های توجه را کاهش می‌دهد و الگوهای زمانی محلی را بازنمایی می‌کند. iTransformer…
این دفترچه سبدی از ETFهای سهامی را با رگرسیون‌های CAPM و عوامل فاما-فرنچ تحلیل می‌کند و سپس تحلیل را به مواجهه‌های غلتان، انتساب بازده و وابستگی باقیمانده گسترش می‌دهد. از بازده‌های روزانه و داده‌های عواملِ هم‌تراز استفاده می‌کند، عدم‌قطعیت رگرسیون را با…
این نمایش، یک استراتژی تقاطع دو میانگین متحرک را هم در موتور بک‌تست تاریخی و هم در موتور زنده‌ای اجرا می‌کند که همان میله‌های روزانه ETF را بازپخش می‌کند. استراتژی، ورودی‌ها، پارامترها و قاعده فرض‌شده اجرای سفارش را ثابت نگه می‌دارد و سپس جریان سیگنال‌های…
این دفترچه مدل عامل تنزیل تصادفی (SDF) را برای قیمت‌گذاری مقطعی بازده شرکت‌های US توضیح می‌دهد. وزن‌هایی می‌آموزد که بازده‌های تنزیل‌شده دارایی را با شرایط گشتاوریِ نبود آربیتراژ سازگار می‌کنند، نه اینکه زیان پیش‌بینی بازده را بهینه کنند. آموزش با مرحله‌ای…
این سند مطالعه حذف مؤلفه‌ای را شرح می‌دهد که می‌سنجد آیا تعبیه‌های گرافِ آموخته‌شده، پیش‌بینی بازده سهام را فراتر از ویژگی‌های جدولی معمول بهبود می‌دهند یا خیر. شبکه‌ای از همبستگی بازده تاریخی سهام می‌سازد، ویژگی‌های مومنتوم، نوسان و روند را فقط با اطلاعات…
این دفترچه روش تجمیع جنگل تصادفی را در برابر XGBoost، LightGBM و CatBoost برای پیش‌بینی بازده سهام از ویژگی‌های ناشناس شرکت‌ها محک می‌زند. از تقسیم‌بندی‌های زمانی ازپیش‌تعیین‌شده برای آموزش، اعتبارسنجی و آزمون استفاده می‌کند، ضریب اطلاعات رتبه‌ای اسپیرمن را…
این آموزش توضیح می‌دهد که چگونه داده‌های بازار را فراتر از دانلودهای یک‌باره سازمان‌دهی کنید. یک مدیر یکپارچه برای دریافت نمادهای تکی یا دسته‌ای، مجموعه‌نمادهای ازپیش‌تعریف‌شده و سفارشی، و ذخیره‌سازی Parquet با پارتیشن‌بندی Hive معرفی می‌کند. همچنین جست‌وجوی…
این دفترچه، قواعد ریسک در سطح موقعیت و سبد را روی ترکیب‌های برتر تخصیص ETF در یک استراتژی ماهانه می‌آزماید. پیش‌بینی ثبت‌شده، تمرکز و تخصیص‌گر هر مورد را ثابت نگه می‌دارد و سپس نتایج پس از اعمال پوشش را با خط مبنای همان مورد در مرحله تخصیص مقایسه می‌کند. این…
این دفترچه هر پنجره بازده را یک توزیع تجربی در نظر می‌گیرد و پنجره‌ها را بر اساس فاصله یک‌بعدی Wasserstein خوشه‌بندی می‌کند. برای نمونه‌های هم‌اندازه، مرتب‌سازی تطبیق بهینه چندک‌ها را به دست می‌دهد؛ بنابراین فاصله تفاوت‌های سراسر توزیع بازده، از جمله جایگاه…