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.
821 سند
این دفترچه تحلیل مؤلفه‌های اصلی را به‌عنوان مبنای عامل نهفته بدون شرط‌گذاری برای پیش‌بینی بازده سهام در مطالعه تحلیل اختیار معامله ارائه می‌کند. PCA از پنل بازده‌های تاریخی برای برآورد حرکت‌های مشترک و میزان مواجهه هر سهم با آن‌ها استفاده می‌کند و سپس با…
این مطالعه موردی توضیح می‌دهد چرا حد ضرر، حد ضرر متحرک و دیگر پوشش‌های سطح موقعیت را نمی‌توان برای سبدهای ویژگی‌محور شرکت‌های US که با مشاهدات ماهانه ساخته شده‌اند، آزمود. بک‌تست برداری یک بردار وزن را بر بازده آتی تحقق‌یافته ماه اعمال می‌کند، بنابراین هیچ…
این تحلیل خط لوله بک‌تست ثبت‌شده برای استراتژی ماهانه سهام US مبتنی بر ویژگی‌های شرکت را می‌خواند. عدم‌قطعیت شارپ، سنجه‌های احتمال و شارپ تعدیل‌شده، مقایسه زوجی استراتژی‌ها، افت عملکرد در داده نگه‌داشته‌شده و تحلیل هزینه متناسب با نقدشوندگی پایین شرکت‌های…
این تحلیل خانواده‌های مدل ثبت‌شده را با نتایج اعتبارسنجی آزمون پیش‌رونده روی پنل ETF چنددارایی مقایسه می‌کند. مدل‌ها بازده 21روزه معاملاتی را پیش‌بینی می‌کنند و با ضریب‌های اطلاعاتی مقطعی سنجیده می‌شوند؛ این ضریب‌ها نشان می‌دهند پیش‌بینی‌ها در هر تاریخ تا چه…
این سند روش مقایسه پیش‌بینی‌های اعتبارسنجی مدل‌های خطی، تقویت گرادیانی، یادگیری عمیق جدولی و دنباله‌ای را برای اختیارهای S&P 500 شرح می‌دهد. پیش از گزارش تشخیص‌ها بررسی می‌کند که هر جمعیت پیش‌بینی ثبت‌شده با قرارداد واجدشرایط‌بودن خود کامل باشد و همه…
این دفترچه روش‌های تعیین اندازه سبد را برای پیکربندی‌های برتر سیگنال سهام S&P 500 مقایسه می‌کند. ابتدا قوی‌ترین نقطه وارسی با پوشش کامل هر پیکربندی را بر اساس شارپ اعتبارسنجی انتخاب می‌کند و سپس تخصیص‌دهندگان جایگزین، ازجمله وزن‌دهی امتیازی، وزن‌دهی…
این دفترچه تحلیلی با پنجره گسترش‌یابنده، یادگیری ماشین دوگانه را برای بررسی این موضوع شرح می‌دهد که آیا مومنتوم 12 تا -2 ماه، پس از تعدیل بتا، نوسان ویژه، ارزش بازار و واریانس، بازده ماه بعد شرکت‌های US را پیش‌بینی می‌کند یا نه. مدل‌های مزاحم را با استفاده…
این دفترچه تحلیلی توضیح می‌دهد چگونه یک استراتژی سهام US مبتنی بر ویژگی‌های شرکت را با نتایج ثبت‌شده ارزیابی کنیم، نه با بک‌تست‌های جدید. آمار عملکرد همراه با عدم‌قطعیت را می‌خواند، پیکربندی‌ها را بر اساس مجموعه داده مشترک رتبه‌بندی می‌کند و با مقایسه‌های…
این دفترچه با استفاده از تحلیل مؤلفه‌های اصلی روی بخشی نقدشونده از سهام US، سبدهای ویژه نرمال‌شده بر مبنای مواجهه ناخالص می‌سازد و نقش آن‌ها را به‌عنوان عوامل ریسک نهفته بررسی می‌کند. واریانس تبیین‌شده را می‌سنجد، مؤلفه‌ها را با همبستگی‌های بخشی ETF تفسیر…
این دفترچه از گشت مطلوب حداکثری (MFE) و گشت نامطلوب حداکثری (MAE) استفاده می‌کند تا عرض برچسب‌های سه‌مانعی را به مسیرهای مشاهده‌شده قیمت پیوند دهد. برای موقعیتی که در قیمت پایانی یک کندل وارد شده، بهترین حرکت مطلوب و بدترین حرکت نامطلوب را در پنجره نگهداری…
این دفترچه چرخه عملیاتی یک استراتژی سهام ETF را نشان می‌دهد: به‌روزرسانی داده بازار، محاسبه ویژگی‌های مالی، آموزش دوباره مدل Ridge، تولید پیش‌بینی‌های مقطعی جاری، بازپخش آن‌ها از طریق موتور بک‌تست و آماده‌سازی سبدی با رتبه‌های برتر برای کارگزار آزمایشی.…
این سند GReaT را معرفی می‌کند؛ چارچوبی که ردیف‌های داده مالی عددی و طبقه‌ایِ آمیخته را به شکل متن درمی‌آورد، مدل زبانی را با آن رکوردها تنظیم دقیق می‌کند و متن تولیدشده را دوباره به جدول تبدیل می‌کند. نمونه آن ویژگی‌های ETF را از بازده‌های تاریخی، نوسان، حجم…
این دفترچه از تحلیل مؤلفه‌های اصلی برای نمایش حرکات مشترک در پنل گسترده سهام US استفاده می‌کند. PCA جهت‌هایی را استخراج می‌کند که تغییرات مشترک بازده را توضیح می‌دهند؛ بارگذاری هر سهم میزان مواجهه آن با هر جهت را می‌سنجد. پیش‌بینی بازسازی‌شده از مجموعه…
این دفترچه شبکه کانولوشنی زمانی (TCN) را برای پیش‌بینی بازده‌های آتی ETF از دنباله ویژگی‌های بازده گذشته معرفی می‌کند. کانولوشن‌های علّی تضمین می‌کنند هر خروجی فقط از مشاهدات تا تاریخ خودش استفاده کند، درحالی‌که گشادگیِ با افزایش نمایی، میدان پذیرش را در…
این دفترچه کندل‌های عدم‌تعادل تیک و حجم را توضیح می‌دهد و سپس روش‌های تطبیقی، آستانه ثابت و پنجره‌لغزان را روی داده معاملات NVDA مقایسه می‌کند. عدم‌تعادل تیک جهت‌های علامت‌دار معاملات را تا رسیدن به آستانه انباشته می‌کند؛ آستانه مورد انتظار به تعداد معاملات…
این دفترچه دو طراحی Transformer را برای پیش‌بینی بازده ETF-روزه 21 بر اساس ویژگی‌های مومنتوم گذشته‌نگر مقایسه می‌کند. PatchTST روزهای پیاپی را در بسته‌هایی گروه‌بندی می‌کند و توالی‌های کوتاهی از شکل محلی را در هر توکن قرار می‌دهد. در مقابل، iTransformer…
این دفترچه روشی توصیفی برای تبدیل بازده ناخالص به عملکرد خالص ارائه می‌کند که اصطکاک‌های معامله، تأمین مالی و هزینه‌های صندوق را جداگانه مدل می‌کند. ساختار هزینه پارامتری آن هزینه‌های معامله را بر اساس گردش سبد و اندازه معامله، تأمین مالی را بر اساس اهرم و…
این دفترچه دفترهای سفارش بازسازی‌شده NASDAQ را تحلیل می‌کند تا اسپردهای درون‌روزی و عمق در بهترین مظنه خرید و فروش را توصیف کند؛ سپس بررسی می‌کند آیا عدم‌تعادل جریان سفارش با بازده بازه بعدی ارتباط دارد یا نه. اسپردها را بر حسب واحد پایه بیان می‌کند تا…
این دفترچه توضیح می‌دهد خودرمزگذار شرطی چگونه تحلیل مؤلفه‌های اصلی ابزارمند PCA را برای مدل‌سازی بازده ETF گسترش می‌دهد. هر دو روش ویژگی‌های صندوق را به مواجهه‌های عاملی نگاشت می‌کنند و آن مواجهه‌ها را با بازده عوامل ترکیب می‌کنند؛ خودرمزگذار نگاشت خطی ویژگی…
این دفترچه از رگرسیون خطی به‌عنوان مبنا برای پیش‌بینی بازده NASDAQ-100 با استفاده از ویژگی‌های ریزساختار در سطح دقیقه استفاده می‌کند. چون سنجه‌های اسپرد و عدم‌تعادل سفارش در پنجره‌های زمانی مختلف هم‌پوشانی دارند، ماتریس ویژگی‌ها هم‌خطی زیادی دارد: حداقل…
این دفترچه روندکاری برای تصمیم‌گیری درباره مدل‌سازی سری‌های زمانی مالی ارائه می‌کند. کار با نمودارهای قیمت و بازده SPY، سطوح VIX و توزیع بازده آغاز می‌شود تا روند سطوح، حرکت‌های خوشه‌ای و دنباله‌های سنگین شناسایی شوند. سپس آزمون دیکی–فولر تعمیم‌یافته را که…
این پیکربندی، آزمایشی برای رتبه‌بندی و متعادل‌سازی دوباره ETF با موقعیت‌های صرفاً خرید را مشخص می‌کند. مجموعه گسترده‌ای شامل 100-ETF تعریف می‌کند که سهام، اوراق قرضه، کالاها و مواجهه‌های منطقه‌ای را دربرمی‌گیرد؛ تصمیم‌ها ماهانه‌اند و اجرا در بازگشایی بعدی…
این مطالعه پنل سهام US، مدل خطی جریمه‌دار را مبنایی برای پیش‌بینی بازده‌های آتی از روی ویژگی‌های مشاهده‌شده در زمان بسته‌شدن بازار قرار می‌دهد. مجموعه ویژگی‌ها شامل سنجه‌های هم‌پوشان مومنتوم و نوسان است که هم‌خطی چندگانه ایجاد می‌کنند و می‌تواند ضرایب حداقل…
این بنچمارک، CSV، Parquet، Feather (IPC از Arrow) و HDF5 را با استفاده از یک پنل قطعی OHLCV مقایسه می‌کند. زمان نوشتن، زمان خواندنِ داده‌های بارگذاری‌شده، اندازه فایل و اثر خواندن ستون‌های منتخب را می‌سنجد. سیاست زمان‌گیری شامل یک بار نوشتن و میانگین‌گیری…