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.
108 سند
این سند یک مدل عاملی خودرمزگذار نظارت‌شده را برای پیش‌بینی بازده سهام در محیط پژوهشی تحلیل اختیار معامله سهام توضیح می‌دهد. برخلاف PCA، IPCA و خودرمزگذار شرطیِ بدون نظارت، هدف آموزش آن بازسازی مقطع و پیش‌بینی بازده آتی را ترکیب می‌کند. بنابراین هدف بر نمایش…
این دفترچه مدل‌های پیش‌بینی خطی را برای مقطع محصولات آتی CME با استفاده از ستون‌های ویژگی گروه‌بندی‌شده در خانواده‌های مرتبط، از جمله کری، مومنتوم، نوسان و سنجه‌های ریسک غلتان بررسی می‌کند. چون ستون‌های درون یک خانواده اغلب همبسته‌اند، جریمه‌های ریج، لاسو و…
این دفترچه خودرمزگذار شرطی برای بازده سهام ارائه می‌کند که در آن یک شبکه عصبی ویژگی‌های سهام را به بارهای عاملی غیرخطی نگاشت می‌کند و شبکه‌ای دیگر عوامل نهفته هم‌زمان را از بازده پرتفوی‌های مدیریت‌شده بر اساس ویژگی‌ها استخراج می‌کند. پرتفوی‌های مدیریت‌شده با…
این دفترچه بررسی می‌کند که آیا عوامل سرمایه‌گذاری منتشرشده، صرف بازده معتبر ارائه می‌کنند و یکدیگر را متنوع می‌سازند یا نه. از سری‌های بلندمدت و میان‌دارایی AQR در کنار عوامل سهام فاما-فرنچ استفاده می‌کند و برای درنظرگرفتن تعداد زیاد عوامل نامزدِ بررسی‌شده…
این دفترچه، اقتباسی آموزشی و روزانه از مدل ضریب تنزیل تصادفیِ خصمانه را پیاده‌سازی می‌کند. شبکه وزن‌دهی پرتفوی با استفاده از ویژگی‌ها و وضعیت بازارِ در دسترس تا پایان روز قبل، عاملی از بازده مازاد روز بعد می‌سازد. شبکه لحظه‌ای خصمانه به آموزش هسته قیمت‌گذاری…
این دفترچه یک استراتژی ثابت مبتنی بر ویژگی‌های سهام را در دوره نگه‌داشته‌شده رزروشده، با استفاده از پیش‌بینی‌ها و تخصیص‌دهنده سبدی که پیش‌تر انتخاب شده‌اند، اجرا می‌کند. پیکربندی، اندازه موقعیت، تمرکز، تناوب تجدید توازن و فرض هزینه را بدون تغییر نگه می‌دارد…
این راهنمای مجموعه‌داده، پنل ماهانه سهام US را توصیف می‌کند که شامل شرکت‌های ناشناس و ویژگی‌های آن‌هاست و در پژوهش قیمت‌گذاری دارایی با یادگیری ماشین به کار می‌رود. داده‌ها شامل ویژگی‌های حسابداری و فنی، بازده‌ها و دوره‌های ازپیش‌تعریف‌شده آموزش و آزمون…
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 توضیح می‌دهد عامل تنزیل تصادفی (SDF) چگونه مقطع سیگنال‌های اختیار معامله سهام را قیمت‌گذاری می‌کند. برخلاف مدل‌های عاملی که مواجهه‌ها و بازده عوامل را برآورد می‌کنند، رویکرد SDF یک متغیر تصادفی برآورد می‌کند که قیمت‌گذاری بازده دارایی‌ها را…
این نمایه عوامل نهفته را به‌عنوان الگوهای مشترکی معرفی می‌کند که از حرکت هم‌زمان بازده سهام استخراج می‌شوند؛ بار عاملی هر سهم میزان مواجهه آن با یک الگو را نشان می‌دهد. تحلیل مؤلفه‌های اصلی را، که عوامل و بارهای سهام را فقط از بازده‌ها برآورد می‌کند، با…
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 از TreeSHAP برای توضیح پیش‌بینی بازده LightGBM استفاده می‌کند؛ از جمله اهمیت کلی ویژگی‌ها، توضیح پیش‌بینی‌های منفرد، نمودارهای وابستگی و مقادیر برهم‌کنش دوتایی. رتبه‌بندی‌های SHAP را با اهمیت جایگشتی و اهمیت ناخالصی مبتنی بر درخت مقایسه می‌کند تا…
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 دفترچه روندی برای انتخاب ویژگی در پژوهش ETF ارائه می‌کند که هدفش محدودکردن تعداد زیادی تبدیل و پنجره گذشته‌نگرِ نامزد به مجموعه‌ای کوچک‌تر برای مدل‌سازی بعدی است. ضریب اطلاعات اسپیرمن مقطعی میان ویژگی‌ها و بازده‌های آینده را محاسبه می‌کند و روابط روزانه…
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 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 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 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 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 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 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 پیاده‌سازی، مدل عصبی عامل تنزیل تصادفی و شبکه‌ای خصمانه برای آزمودن روابط قیمت‌گذاری دارایی را شرح می‌دهد. شبکه SDF ویژگی‌های دارایی را، در صورت نیاز همراه با بازنمایی رژیم کلان‌اقتصادی از یک LSTM، به وزن‌های دارایی نگاشت می‌کند. آن وزن‌ها و بازده‌ها،…