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.
807 سند
این دفترچه برای استراتژی‌ای که سیگنال‌های اختیار معامله فهرست‌شده را می‌خواند و سهام پایه را معامله می‌کند، برچسب‌های بازده آتی می‌سازد. قیمت‌های روزانه سهام را برای تجزیه سهام و سود نقدی تعدیل می‌کند، از شناسه پایدار اوراق بهادار استفاده می‌کند و بازده را…
این دفترچه پایش تغییر هم‌متغیرها را برای ویژگی‌های مومنتوم ETF و ویژگی‌های قراردادهای آتی دائمی رمزارز در بازه‌های متضاد بازار نشان می‌دهد. شاخص پایداری جمعیت را که تغییر توزیع تک‌تک ویژگی‌ها را می‌سنجد، با فاصله واسرشتاین و یک طبقه‌بند دامنه مقایسه می‌کند…
این دفترچه تحلیل مؤلفه‌های اصلی ابزارمند را روشی برای وابسته‌کردن بارگذاری‌های عامل نهفته به ویژگی‌های مشاهده‌پذیر سهام توضیح می‌دهد، به‌جای آنکه برای هر سهم بارگذاری ثابتی تعیین شود. نگاشت مشترکی از ویژگی‌ها به مواجهه با عامل‌ها می‌تواند برای سهام غایب از…
این سند خانواده‌ای از مدل‌های بازده شرکت را معرفی می‌کند که فرض می‌گیرند مجموعه کوچکی از عامل‌های مشترکِ مشاهده‌نشده، بخش بزرگی از مقطع را توضیح می‌دهند. این مدل‌ها به‌جای پیش‌بینی مستقیم بازده از ویژگی‌ها، میزان مواجهه هر شرکت با عامل‌ها را از ویژگی‌هایش…
این دفترچه یک مدل عصبیِ عامل تنزیل تصادفی را روی قراردادهای آتی CME به کار می‌گیرد. از دید قیمت‌گذاری دارایی، عامل تنزیل تصادفی متغیری تصادفی است که حاصل‌ضرب آن در بازده هر دارایی، در نبود فرصت آربیتراژ، امید ریاضی یکسانی دارد. مدل این متغیر نهفته را با…
این فصل بازنمایی‌های متن مالی را از واژه‌نامه‌ها و شمارش واژه‌ها تا TF-IDF، تعبیه‌های ثابت، شبکه‌های بازگشتی و ترنسفورمرها مرور می‌کند. بده‌بستان‌ها را توضیح می‌دهد: روش‌های ساده‌تر سریع، تفسیرپذیر و سازگار با امور مالی‌اند، درحالی‌که مدل‌های زمینه‌محور…
این دفترچه نشان می‌دهد چگونه می‌توان آزمود که آیا چهار استراتژی سبد مدیریت‌شده، پس از کنترل حرکت‌های گسترده ثبت‌شده در ده مؤلفه اصلی، قدرت توضیحی بیشتری برای بازده SPY دارند. سبدهای نامزد، ETFها را بر اساس مومنتوم اخیر، نوسان‌پذیری پایین یا بازگشت کوتاه‌مدت…
این دفترچه مدل‌های پیش‌بینی را برای رتبه‌بندی سهام NASDAQ-100 بر اساس بازده 15 دقیقه بعد، با استفاده از اطلاعات ریزساختار درون‌روزی مانند فاصله قیمت خرید و فروش، عدم‌توازن عمق، حجم علامت‌دار و اثر قیمت مقایسه می‌کند. برای هر خانواده مدل، تنها زمانی یک مجموعه…
این دفترچه چهار روش بازیابی بخش‌هایی از پیکره متون گزارش‌های شرکت‌ها را مقایسه می‌کند: BM25، تعبیه‌های متراکم، ادغام متقابل رتبه‌ها (RRF) و بازرتبه‌بند رمزگذار متقاطع. RRF فهرست‌های رتبه‌بندی‌شده را به‌جای امتیازهای خام ترکیب می‌کند؛ بنابراین می‌تواند…
این دفترچه پیکربندی FX را که قبلاً با اعتبارسنجی انتخاب شده است دوباره برازش می‌کند و پیش‌بینی‌های آن را برای بک‌تستِ بعدیِ خارج از نمونه ثبت می‌کند. انتخاب را از بک‌تست‌های اعتبارسنجیِ دارای نتیجه معتبر به دست می‌آورد که به مجموعه نامزدهای ثابتی محدود…
این دفترچه سامانه‌ای برای پیش‌بینی با چهار مرحله می‌سازد: گروهی از عامل‌های پژوهشی، تجمیع احتمالات، مناظره‌ای چالشی و ناظری که اختلاف‌نظرها را شناسایی می‌کند، در پی شواهد روشنگر می‌گردد و احتمال نهایی را ارائه می‌دهد. اثر ناظر به میزان اطمینانی که اعلام…
این سند توضیح می‌دهد چگونه تجزیه موجک و برآوردهای طیفی غلتان، بازده‌های مالی را در مقیاس‌های زمانی مختلف توصیف می‌کنند. موجک‌ها بازده را به مؤلفه‌هایی تقسیم می‌کنند که بازه‌های زمانی به‌تدریج طولانی‌تری را در بر می‌گیرند و نشان می‌دهند کدام مقیاس‌ها بیشترین…
این دفترچه با یادگیری ماشین دوگانه برآورد می‌کند آیا کری معاملات آتی پس از تعدیل بابت نوسان، مومنتوم و رتبه مقطعی کری بر بازده‌های بعدی اثر دارد یا نه. میان تبیین علّی و عملکرد پیش‌بینی تمایز می‌گذارد: بک‌تستی سودآور می‌تواند نشان دهد کری بازده را پیش‌بینی…
این سند توضیح می‌دهد چگونه پیش از تخصیص سرمایه، مدل فعلی و مدل نامزد را در ارزیابی سایه مقایسه کنید. نقش‌ها و آستانه‌های ارتقا را از پیش تعیین می‌کند و سپس نامزد را در پنج بُعد می‌سنجد: بهبود شارپ سالانه‌شده، حداقل طول دوره مشاهده، همبستگی سیگنال، هم‌پوشانی…
این دفترچه نشان می‌دهد چگونه Feast را با منابع Parquet، موجودیت‌ها، نماهای ویژگی، برچسب‌های زمانی و سیاست زمان‌تا‌انقضا پیکربندی کنید و سپس ویژگی‌ها را برای نمونه‌های آموزشی و یک پرس‌وجوی شبه‌زنده در زمان مشخص بازیابی کنید. خروجی Feast را ویژگی‌به‌ویژگی با…
این دفترچه خودرمزگذاری نظارت‌شده را برای مدل‌سازی عامل سهام معرفی می‌کند. برخلاف خودرمزگذارهای بدون نظارت که با بازسازی مقطع، گلوگاه را یاد می‌گیرند، این مدل بازده‌های آتی را نیز در هدف آموزشی خود می‌گنجاند. بنابراین هدف، هم بازنمایی آموخته‌شده و هم…
این دفترچه، چارچوبی برای ارزیابی تولید تقویت‌شده با بازیابی در حوزه مالی می‌سازد که سنجه‌های جداگانه‌ای برای پوشش بازیابی، وفاداری پاسخ به منبع، خودداری به‌جا از پاسخ و رفتار امنیتی دارد. این چارچوب از شش نمونه آزمون دست‌نویس استفاده می‌کند که زمینه برخی از…
این مطالعهٔ موردی استراتژی‌های دهکی ماهانهٔ خریدوفروش استقراضی را که بر پایهٔ ویژگی‌های شرکت‌های US ساخته شده‌اند ارزیابی می‌کند و مدل‌های خطی، تقویت گرادیانی و رویکردهای عامل نهفته را در چارچوب تأخیرهای حسابداری مقطعی، اعتبارسنجی واک‌فوروارد و هزینه‌های…
این دفترچه با Optuna مدل‌های بازده LightGBM را طوری تنظیم می‌کند که هم ضریب اطلاعات مقطعی (IC) و هم گردش معاملات پیش‌بینی را در نظر بگیرد. یک جست‌وجوی تک‌هدفه برای مقایسه، IC را بیشینه می‌کند؛ جست‌وجوی چندهدفهٔ NSGA-II تنظیمات بهینهٔ پارتو را شناسایی می‌کند…
این تحلیل سه روش تبدیل پیش‌بینی‌های علامت‌دار بازده مدل به موقعیت‌های دودویی را مقایسه می‌کند: آستانهٔ ثابت صفر، صدک متحرک برای هر نماد و صدک مقطعی میان نمادها. قواعد را روی پیش‌بینی‌های اعتبارسنجی ثبت‌شده برای ETFها و قراردادهای دائمی رمزارز اعمال می‌کند و…
این دفترچه بازده‌های آتی 21روزهٔ ETF را به هدفی صعودی یا نزولی تبدیل می‌کند و رگرسیون لجستیک با منظم‌سازی L1 و L2 را در بخش‌های زمانی واک‌فوروارد ارزیابی می‌کند. ویژگی‌ها را با استفاده از داده‌های آموزشی هر بخش مقیاس‌بندی می‌کند و سپس پیش‌بینی‌ها را با دقت،…
این دفترچه Feast را به‌عنوان مخزن ویژگی برای داده‌های مالی و مبتنی بر مدل پیکربندی می‌کند و سپس بازیابی تاریخی و مقطعی آن را با اتصالی شفاف و دست‌ساز مقایسه می‌کند. موجودیت‌ها، منابع دارای مهر زمانی، نماهای ویژگی و زمان اعتبار را تعریف می‌کند و نسخه‌های موقت…
این دفترچه توابع هدف تقویت گرادیانی را روی بازده ماهانهٔ سهام US مقایسه می‌کند و ویژگی‌ها، هدف و بخش‌های واک‌فوروارد را ثابت نگه می‌دارد. خطای مربعی را با خطای قدرمطلق و زیان هوبر مقایسه می‌کند؛ زیان هوبر اثر باقیمانده‌های بزرگ را کاهش می‌دهد. انگیزه این است…
این ماژول برازش و ارزیابی واک‌فوروارد چند مدل عامل نهفته، از جمله مؤلفه‌های اصلی، مؤلفه‌های اصلی ابزارشده و خودرمزگذارهای عصبی را هماهنگ می‌کند. داده‌های تابلویی و بخش‌ها را آماده می‌سازد، اجراکننده‌های ویژهٔ هر مدل را فرا می‌خواند و پیش‌بینی‌ها، فرادادهٔ…