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

629 سند

یادگیری ماشین برای معامله‌گری

این دفترچه استراتژی هفتگی استرادل اختیارهای S&P 500 را با بک‌تست‌های ثبت‌شده و فرایند انتخاب ثابتی ارزیابی می‌کند. پس از اعمال محدودیت مجموعه دارایی‌های نقدشونده، پیکربندی منتخب را از ثبت بازیابی می‌کند و نتایج اعتبارسنجی و دوره آزمون را بدون استفاده از دوره…

اختیار معاملهسهامآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این سند توضیح می‌دهد چگونه برای دوره آزمون کنارگذاشته‌شده ریزساختار NASDAQ-100، با استفاده از پیکربندی انتخاب‌شده روی داده‌های اعتبارسنجی، پیش‌بینی بسازید. مدل منتخب را فقط با تاریخچه‌ای بازبرازش می‌کند که پیش از دوره آزمون پایان می‌یابد؛ بافر برچسب نیز…

آزمون گذشته‌نگرمدیریت ریسکریزساختار بازار
یادگیری ماشین برای معامله‌گری

این مطالعه موردی مدل‌های خطی منظم‌شده را روی بازده استرادل‌های فروش در قیمت اعمال فعلی که تا سررسید نگه داشته می‌شوند برازش می‌دهد. درآمد پرمیوم، سود را محدود می‌کند، درحالی‌که زیان می‌تواند نامحدود رشد کند؛ بنابراین چند زیان شدید بر تابع هدف رگرسیون با خطای…

اختیار معاملهنوسانیادگیری ماشینمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه از داده‌های واقعی ETF استفاده می‌کند تا بسنجد سیگنال مومنتوم با تغییرات معقول در بازه بازنگری، رژیم بازار و پیاده‌سازی همچنان مفید می‌ماند یا نه. ضرایب اطلاعات مقطعی میان مومنتوم و بازده‌های آتی را محاسبه می‌کند، سپس هر بار یک پارامتر بازنگری را…

قراردادهای آتیمومنتومآزمون گذشته‌نگرآمار
یادگیری ماشین برای معامله‌گری

این دفترچه برای مطالعه ویژگی‌های شرکت‌های US، از یک پنل منتشرشده ماتریس ماهانه مدل می‌سازد که ویژگی‌های آن از پیش میان شرکت‌ها رتبه‌بندی شده‌اند. ترکیب‌ها و برهم‌کنش‌ها را با مقادیر همان ردیف شرکت‌ـ‌ماه می‌افزاید، بدون برازش تبدیل یا محاسبه پنجره‌های غلتان.…

سهامسرمایه‌گذاری عاملیساخت پرتفویآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه چهار ویژگی مبتنی بر مدل را برای پژوهش اختیارهای S&P 500 می‌سازد: پیش‌بینی‌های نوسان روز بعد از GJR-GARCH و نوسان تصادفی، به‌علاوه تفاوت هر پیش‌بینی با نوسان ضمنی بازار اختیار. توضیح می‌دهد مدل‌ها چگونه فقط با داده‌های موجود در هر تاریخ بازبرازش…

اختیار معاملهنوسانقیمت‌گذاری مشتقه‌هاآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این سند TabM، یک مجموعه عصبی با اشتراک وزن، را روی ویژگی‌های برگرفته از اختیار معامله برازش می‌دهد تا بازده آتی سهام و بازده‌های تعدیل‌شده با ریسک را پیش‌بینی کند. اعضای آن از یک شبکه مشترک دولایه با مقیاس‌دهی جداگانه فعال‌سازی و سرهای خروجی مجزا استفاده…

سهاماختیار معاملهیادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این سند برای عامل‌های پژوهشی، سابقه‌ای ساختاریافته از وضعیت ارائه می‌دهد که از رونوشت گفت‌وگوی آن‌ها جداست. سابقه پرسش و برش زمانی، شواهد گردآوری‌شده، پرسش‌های حل‌نشده، تاریخچه فراخوانی ابزار، نتایج دروازه‌ها و وضعیت ترکیب را ذخیره می‌کند. نگه‌داشتن شواهد و…

یادگیری ماشینآمارآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این سند خروج‌های سطح موقعیت را که به یک استراتژی موجود قرارداد دائمی رمزارز افزوده شده‌اند بررسی می‌کند: حد ضرر ثابت، حد ضرر متحرک و خروج زمان‌محور. توضیح می‌دهد این کنترل‌ها فقط موقعیت‌هایی را می‌بندند که استراتژی پایه انتخاب کرده است و آن‌ها را با همان…

رمزارزقراردادهای آتی دائمیمدیریت ریسکآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این سند توضیح می‌دهد رابط جست‌وجوی عامل پیش‌بینی چگونه می‌تواند شواهد آن را محدود و فعالیتش را قابل‌ممیزی کند. پروتکلی مستقل از ارائه‌دهنده، نتایج نوع‌دار شامل منبع، تاریخ انتشار، امتیاز ارتباط و محتوا برمی‌گرداند؛ فیلتر برش زمانی نیز نتایج تاریخ‌داری را که…

آزمون گذشته‌نگراجرای سفارشیادگیری ماشین
یادگیری ماشین برای معامله‌گری

این دفترچه منظم‌سازی مدل خطی را برای پیش‌بینی بازده جفت‌ارزها بررسی می‌کند. هم‌خطی میان ویژگی‌های ورودی را از وابستگی میان دارایی‌ها جدا می‌کند: جفت‌ارزها ارزهای مشترکی دارند، پس بازده و رتبه‌بندی آن‌ها مستقل نیست. Ridge ضرایب را کوچک می‌کند و ویژگی‌ها را…

فارکسیادگیری ماشینآمارسرمایه‌گذاری عاملی
یادگیری ماشین برای معامله‌گری

این ماژول بررسی‌هایی را شرح می‌دهد که مشخص می‌کنند ورودی‌های پیش‌بینی و بک‌تست، نشست‌ها و بخش‌های تعیین‌شده در یک مطالعه را پوشش می‌دهند یا نه. بررسی‌های نسبی مدل‌های نامزد را با یکدیگر مقایسه می‌کنند و ممکن است یک خطای مشترک را نبینند: مرزهای قدیمی بخش‌ها…

آزمون گذشته‌نگرمدیریت ریسکآمارریزساختار بازار
یادگیری ماشین برای معامله‌گری

این دفترچه یک خودرمزگذار نظارت‌شده را برای پیش‌بینی بازده‌های آتی از ویژگی‌های شرکت بررسی می‌کند. گلوگاه باریک شبکه عصبی را حفظ می‌کند، اما تفسیر عامل شرطی و محدودیت قیمت‌گذاریِ مدل‌های مرتبط را حذف می‌کند. شبکه ویژگی‌ها را مستقیماً به بازده نگاشت می‌کند،…

سهامیادگیری ماشینسرمایه‌گذاری عاملیآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه پیش‌بینی‌های جفت‌ارزهای FX را به نتایج معاملاتی مبنا تبدیل می‌کند. در هر زمان تصمیم‌گیری، جفت‌ها را رتبه‌بندی می‌کند، بخش‌های خرید و فروش استقراضی هم‌اندازه می‌گیرد و پیکربندی‌ها و نقاط کنترل منتخب پیش‌بینی را از طریق موتور بک‌تست موجود اجرا…

فارکسآزمون گذشته‌نگرساخت پرتفویتعیین اندازه موقعیت
یادگیری ماشین برای معامله‌گری

این تحلیل امکان‌پذیری بررسی می‌کند که آیا می‌توان استراتژی ماهانه خرید و فروش استقراضی مبتنی بر ویژگی‌های شرکت‌های US را با پنل موجود ارزیابی کرد. بررسی می‌کند که آیا سنجه‌ها به‌صورت رتبه‌ای کدگذاری شده‌اند، شرکت‌ها چه مدت قابل مشاهده‌اند، در هر تاریخ…

سهامسرمایه‌گذاری عاملیآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه دو شبیه‌سازی از یک استراتژی مومنتوم ماهانه ETF را مقایسه می‌کند. وزن‌های هدف، مجموعه دارایی‌ها، تاریخ‌ها و کل هزینه معاملات در هر دو یکسان است. یکی بازده را از وزن‌های با وقفه و بازده دارایی‌ها محاسبه می‌کند؛ دیگری سفارش‌ها را به‌ترتیب پردازش…

سهاممومنتومآزمون گذشته‌نگراجرای سفارش
یادگیری ماشین برای معامله‌گری

این دفترچه PatchTST را به‌عنوان عضوی از جمعیت تعریف‌شده مدل‌های دنباله‌ای برای اختیار معامله S&P 500 برازش می‌دهد. PatchTST پنجره نگاه‌به‌عقب را به قطعه‌هایی با اندازه ثابت تقسیم می‌کند، آن‌ها را به‌صورت توکن تعبیه می‌کند و با توجه، رابطه میان بخش‌های…

اختیار معاملهیادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه نتایج LightGBM را در چند مطالعه موردی معاملاتی تجمیع و با خط مبناهای خطی و TabM مقایسه می‌کند. پیکربندی با بالاترین IC را برای هر مطالعه بررسی می‌کند، بازه‌های سازگار با ناهمسانی و خودهمبستگی را گزارش می‌دهد و ارتباط تابع زیان، عمق درخت و…

یادگیری ماشینآمارآزمون گذشته‌نگرسهام
یادگیری ماشین برای معامله‌گری

این ابزار روندی تشخیصی برای مصنوعات داده‌ایِ تولیدشده در خط لوله‌های پژوهش کمی توصیف می‌کند. ستون‌های عددی را از نظر مقادیر تهی، مقادیر غیرمتناهی، صفرها، مقادیر متمایز، چندک‌ها و رفتار دنباله بررسی می‌کند، سپس ستون‌هایی را که از آستانه‌های راهنمای تنظیم‌پذیر…

آمارمدیریت ریسکآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه می‌آزماید که آیا تعبیه‌های گرافیِ آموخته‌شده، اطلاعات پیش‌بینی‌کننده‌ای به مدل جدولیِ سهام US اضافه می‌کنند. شبکه را بر پایه همبستگی‌های مطلق بازده که پیش از دوره هدف اندازه‌گیری شده‌اند می‌سازد، ویژگی‌های مومنتوم، نوسان و روند را با همان تاریخچه…

سهامیادگیری ماشینآزمون گذشته‌نگرمومنتوم
یادگیری ماشین برای معامله‌گری

این سند مدل دنباله‌ای LSTM را برای مطالعه اختیار معامله S&P 500 توصیف می‌کند. برخلاف مدل‌های مقطعی که برای خلاصه‌کردن تاریخچه نماد به ویژگی‌های مهندسی‌شده تکیه می‌کنند، LSTM پنجره‌های زمانی را به‌ترتیب دریافت می‌کند و می‌آموزد کدام بخش‌های دنباله اهمیت…

اختیار معاملهسهامیادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه چرخه عمر داده بازارِ روزانه OHLCV را توضیح می‌دهد: بارگذاری تاریخچه اولیه، دریافت تغییرات کوچکِ هم‌پوشان، تشخیص نشست‌های مفقود و خلاصه‌سازی تازگی و مشکلات اعتبارسنجی هر نماد. توضیح می‌دهد چرا بازه به‌روزرسانی باید در آخرین میله کامل ارائه‌دهنده…

سهامآمارآزمون گذشته‌نگرمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این دفترچه DQN، PPO و A2C را در محیط شبیه‌سازی‌شده معامله ارز دیجیتال مقایسه می‌کند. فرایند نوسان GARCH(1,1) را بر بازده‌های ساعتی قراردادهای دائمی آتی بیت‌کوین کالیبره می‌کند، سپس مسیرهایی را شبیه‌سازی می‌کند که خوشه‌بندی نوسان را حفظ می‌کنند، اما جهت بازده…

یادگیری ماشینرمزارزقراردادهای آتی دائمیآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه عملکرد یک خط مبنای ثابتِ مومنتومِ خریدِ صرفِ ETF را در شرایط بازار از 2010 تا 2024 بررسی می‌کند. هر بازده روزانه را با معیارهای نوسان و روندی برچسب می‌زند که پیش از آغاز همان بازده معلوم بوده‌اند؛ میانه‌های تاریخیِ گسترش‌یابنده، وضعیت‌های بالا و…

سهاممومنتومدنبال‌کردن روندنوسان