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.
956 سند
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 کد شرح می‌دهد که تنظیمات بک‌تست چگونه از پیکربندی مطالعه موردی تعیین می‌شوند و هویت اجرا چگونه تغییرات در مجموعه نمادهای معامله‌شده و عمر پیش‌بینی را در نظر می‌گیرد. نکته محوری این است که هر فیلتری که سبد یا مجموعه پیش‌بینی‌ها را تغییر می‌دهد باید در…
این سند روش‌هایی را برای مقایسه بازده استراتژی با دو معیار مرجع بیرونی شرح می‌دهد: بازده کل روزانه SPY و بازده بازار فاما–فرنچ که از جمع صرف ریسک بازار و نرخ بدون ریسک به دست می‌آید. ابزارهایی برای فیلترکردن تاریخ‌ها و هم‌ترازسازی ارائه می‌کند؛ از جمله پیوند…
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 گردش‌کار پژوهش معاملاتی یادگیری ماشین را از ایده‌پردازی درباره داده و ساخت ویژگی تا آموزش مدل، بک‌تست، هزینه‌های معامله، تصمیم‌های سبد و ریسک، استقرار و پایش پیش می‌برد. بر مرز شواهد میان تنظیم اکتشافی و ارزیابی نهایی، اعتبارسنجی آزمون پیش‌رونده و…
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 مطالعه معاملات آتی CME ظرفیت درخت‌های تقویت گرادیانی و تابع زیان را تغییر می‌دهد و پیش‌بینی‌ها را در چند نقطه کنترل آموزش ثبت می‌کند. تعداد برگ‌های درخت تعیین می‌کند مدل فضای ویژگی را تا چه اندازه دقیق بخش‌بندی کند؛ زیان‌های مربعی، مطلق و هابر نیز از نظر…
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 نحوه ساخت بازده‌های نقدی آتی یک، پنج و 21 جلسه‌ای را برای مجموعه ثابتی از جفت‌های FX شرح می‌دهد. ابتدا با استفاده از تقویم تغییر روز نیویورک، کندل‌های چهارساعته را به نشست‌های معاملاتی نگاشت می‌کند و سپس بدون حذف ردیف‌ها پیش از جابه‌جایی، بازده‌ها…
این دفترچه مشخصات ازپیش‌منتخب استراتژی FX را با پیش‌بینی‌های ثبت‌شده مجموعه نگه‌داشته‌شده اجرا می‌کند. سیگنال، تخصیص، کنترل‌های ریسک، قاعده بازمتوازن‌سازی، هزینه‌ها و تنظیمات حساب استراتژی را حفظ می‌کند؛ مجموعه پیش‌بینی و شناسه چارچوب قیمت برای بازتاب…
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 شش روش تخصیص را روی پیکربندی‌های منتخب استراتژی‌های دائمی رمزارز بررسی می‌کند. رتبه‌بندی‌ها و قواعد ورود ثابت می‌مانند و فقط سرمایه اختصاص‌یافته به هر موقعیت تغییر می‌کند. روش‌ها از امتیازهای مدل، نوسان قراردادهای منفرد، کوواریانس میان قراردادها…
این دفترچه گردش‌کاری خودکار برای پژوهش ارائه می‌کند که در آن یک مدل زبانی از ابزارهای همه‌منظوره برای بررسی فایل‌ها، اجرای فرمان‌ها، پرس‌وجو از ثبت‌کننده بک‌تست و وارسی داده‌ها استفاده می‌کند. اپراتور به‌جای کدنویسی ثابت برای اقدامات پژوهشی، در صورت نیاز…
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 ماژول مشترک مهندسی ویژگی، قواعد ساخت و ممیزی پیش‌بین‌های مالی مورداستفاده در چندین مطالعه موردی را تعریف می‌کند. هر خانواده ویژگی را همراه با فرضیه، ورودی‌ها، بازه گذشته‌نگر غلتان، وقفه اطلاعاتی، نقش و حالت شکست احتمالی ثبت می‌کند. می‌توان فهرست را با…
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…
این فصل گردش‌کارهای عاملی را برای پژوهش مالی معرفی می‌کند؛ جایی که گردآوری، پالایش و ترکیب شواهد ناهمگون چالش اصلی است. این گردش‌کارها را با مدل‌های متداولی مقایسه می‌کند که با ورودی‌های ساختاریافته و پایدار خوب کار می‌کنند و مرزی فقط‌خواندنی تعیین می‌کند:…
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…