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 سه روش طبقه‌بندی جمله‌های خبری مالی به مثبت، خنثی یا منفی را مقایسه می‌کند: ویژگی‌های واژه و جفت‌واژه TF-IDF با رگرسیون لجستیک، بردارهای میانگین GloVe ازپیش‌آموزش‌دیده با رگرسیون لجستیک و طبقه‌بند احساسات FinBERT ازپیش‌آموزش‌دیده. از تقسیم‌بندی…
این دفترچه با سه روش از داده‌های دقیقه‌ای NASDAQ-100 ویژگی می‌سازد: رگرسیون خودرگرسیو ناهمگنِ غلتان برای پیش‌بینی واریانس کوتاه‌مدت، تبدیل فوریه برای توصیف ساختار تناوبی فعالیت اخیر، و امضاهای مسیر با عمق دو برای ثبت ترتیب تغییرات قیمت، جریان سفارش و شدت…
این دفترچه نشان می‌دهد چگونه گراف رویدادهای مالی را تحلیل کنید، بی‌آنکه زمان وقوع رویداد، زمان عمومی‌شدن آن و زمان استخراجش توسط خط لوله گراف با هم اشتباه شوند. روابط 8-K دارای مهر زمانی را بارگیری می‌کند، تأخیرهای افشا و استخراج را می‌سنجد و با استفاده از…
این سند عوامل نهفته را به‌عنوان محرک‌های مشترک بازده معرفی می‌کند که از هم‌حرکتی میان قراردادهای آتی استنباط می‌شوند، نه اینکه به‌صورت پیش‌بین‌های نام‌گذاری‌شده در اختیار باشند. دو رویکرد را که در هر فولد آموزشی برازش شده‌اند مقایسه می‌کند. تحلیل مؤلفه‌های…
این سند توضیح می‌دهد یادگیری ماشین دوگانه (DML) چگونه برآورد می‌کند که آیا سهم حجم آغازشده از سوی خریدار، پس از درنظرگرفتن اسپرد، نوسان کوتاه‌مدت و بازده‌های گذشته، بر بازده‌های آتی اثر دارد یا نه. با استفاده از برازش متقاطع، اثر هر دو متغیر مداخله و پیامد…
این دفترچه توضیح می‌دهد فروشگاه‌های ویژگی چگونه داده آموزشی و ورودی‌های زنده مدل را هم‌راستا نگه می‌دارند. نماهای ویژگی را از طریق کلید موجودیت، مُهر زمانی رویداد، مدت اعتبار و ستون‌های ویژگی شرح می‌دهد و سپس پیوندهای مبتنی بر اطلاعات در دسترس در هر زمان را…
این سند فرایند پنج‌دروازه‌ای ارزیابی نه مطالعه موردی معاملاتی را توضیح می‌دهد؛ از کیفیت سیگنال تا اعتبارسنجی، هزینه‌های معامله، عملکرد داده نگه‌داشته‌شده و کیفیت شواهد. دروازه‌ها تجمعی‌اند، بنابراین استراتژی فقط زمانی به مرحله آخر می‌رسد که همه مراحل پیشینِ…
این دفترچه تمرین استقرار یک مدل جهت نرخ تأمین مالی رمزارز را شرح می‌دهد. مدل سه‌کلاسه لایت‌جی‌بی‌ام را با داده تاریخی قراردادهای دائمی برگرفته از بایننس آموزش می‌دهد، سپس کندل‌های ساعتی زنده و نرخ‌های تأمین مالی را از OKX دریافت می‌کند، داده‌ها را با تناوب…
این دفترچه برازش شبکهٔ حافظهٔ بلندمدت کوتاه‌مدت (LSTM) را روی ویژگی‌های ریزساختار یک‌دقیقه‌ای NASDAQ-100 برای پیش‌بینی بازده‌های آتی در چند افق توضیح می‌دهد. مدل، توالیِ مشاهدات گذشته را گام‌به‌گام پردازش می‌کند و می‌آموزد کدام مشاهدات پیشین را نگه دارد.…
این دفترچه خودرمزگذار شرطی‌ای را معرفی می‌کند که تحلیل مؤلفه‌های اصلی ابزارمند را گسترش می‌دهد: نگاشت خطی از ویژگی‌های سهام به مواجهه‌های عاملی را با یک شبکه عصبی جایگزین می‌کند. ساختار حاصل‌ضرب مواجهه‌ها در بازده عوامل را حفظ می‌کند و در عین حال روابط…
این سند معماری یک شبکه سیاست عصبی را شرح می‌دهد که سری‌های زمانی و زمینه هر دارایی را به وزن‌های ریسک محدودشده سبد تبدیل می‌کند. ستون فقرات هر دارایی، جاسازی‌های زمینه، تعدیل ویژگی‌محور، انتخاب متغیر، یک LSTM و توجه زمانی علّی را ترکیب می‌کند. سپس روابط میان…
این سند پیش‌بینی چندمرحله‌ایِ افزایش نرخ بهره فدرال رزرو در سال 2026 را ثبت می‌کند. سه عامل برای یافتن شواهد جست‌وجو می‌کنند و احتمال‌هایی می‌سازند؛ سپس گفت‌وگو و به‌روزرسانی ناظر انجام می‌شود. دیدگاه‌ها متفاوت‌اند: دو عامل احتمال افزایش را کم می‌دانند و…
این دفترچه عضو NLinear را در جمعیت سه‌مدلیِ ازپیش‌تعریف‌شده برای یادگیری دنباله‌های اختیار معامله S&P 500 اجرا می‌کند. درخواست‌ها و نقاط کنترل کل جمعیت را پیش از برازش این عضو نهایی می‌کند تا دفترچه‌های بعدی بتوانند مدل‌های LSTM و PatchTST را با همان تصویر…
این دفترچه مرحله پیش‌بینی دوره نگه‌داشته‌شده را در مطالعه ویژگی‌های شرکت‌های US شرح می‌دهد. پیکربندی مدلِ انتخاب‌شده با نتایج اعتبارسنجی را می‌گیرد، مشخصات آموزش و نقطه کنترل آن را بازسازی می‌کند و سپس با داده‌هایی که پیش از پنجره نگه‌داشته‌شده پایان…
این یادداشت پیکربندی توضیح می‌دهد چرا رگرسیون لجستیک سه‌کلاسه با جریمه L1 به‌جای حل‌گر liblinear در scikit-learn از SAGA استفاده می‌کند. به سازگاری چندکلاسه در نسخه‌های جدیدتر scikit-learn اشاره می‌کند و گزارش می‌دهد که SAGA در آزمایش‌های ریزساختار…
این دفترچه خط لوله‌ای برای استخراج رویدادهای ساختاریافته شرکتی از پرونده‌های SEC 8-K و بارگذاری آن‌ها در گراف دانش Neo4j ارائه می‌کند. یک مدل زبانی پرونده‌ها را دسته‌ای پردازش می‌کند تا رکورد رویدادهایی با فاعل، رابطه، مفعول و زمان‌مهر بسازد. گردش‌کار از…
این دفترچه جست‌وجوهای ابرپارامتر Optuna را برای XGBoost، LightGBM و CatBoost روی مجموعه‌داده ویژگی‌های شرکت‌ها مقایسه می‌کند. هر کتابخانه مطالعه جست‌وجوی جداگانه‌ای دارد که از برآوردگر پارزنِ ساختاریافته با درخت، هرس میانه، توقف زودهنگام و ذخیره‌سازی پایدار…
این دفترچه تقلید رفتار و یادگیری تقویتی معکوس (IRL) را با نمایش‌هایی از قاعده اجرای میانگین موزون زمانی قیمت (TWAP) مقایسه می‌کند. تقلید رفتار، حالت‌های مشاهده‌شده بازار را مستقیماً به کنش‌ها نگاشت می‌کند، درحالی‌که IRL پاداش خطی را بر ویژگی‌های اجرا برازش…
این دفترچه با یادگیری ماشین دوگانه بررسی می‌کند که آیا فاصله نوسان ضمنی منهای نوسان تحقق‌یافته، پس از تعدیل عوامل مخدوش‌گر مشاهده‌شده، با بازده‌های بعدی سهام ارتباط دارد یا خیر. نوسان تحقق‌یافته، مومنتوم سهام و چولگی بازگشت ریسک را به‌عنوان متغیرهای کنترلی…
این ابزار آموزش، حلقه بهینه‌سازی یک مدل به سبک DeePM را شرح می‌دهد. برای به‌روزرسانی پارامترهای مدل از AdamW و تابع زیانی با رویکرد شارپ مقاوم استفاده می‌کند و بازده‌های آتی، مقیاس‌بندی نوسان، ماسک‌ها، هزینه‌های معامله و تنظیمات دوره گرم‌شدن و کمینه نرم را…
این دفترچه مدل‌های ریج، لاسو و الاستیک‌نت را با ویژگی‌های منتشرشده شرکت‌ها برای سهام منفرد US برازش می‌دهد. ویژگی‌ها ارزش، سودآوری، سرمایه‌گذاری، اندازه، مومنتوم، بازگشت، ریسک و نقدشوندگی را دربر می‌گیرند. بخش‌های آزمون پیش‌رونده پیکربندی‌ها را قابل‌مقایسه…
این مطالعه موردی درخت‌های تقویت‌شده گرادیانی را با برچسب‌های بازده ETF برازش می‌دهد و آن‌ها را با یک مبنای خطی مقایسه می‌کند که تحت منظم‌سازی ریج قوی عملکرد خوبی داشته است. توضیح می‌دهد چرا درخت‌ها می‌توانند تعامل‌ها را کشف کنند؛ برای مثال، مومنتوم ممکن است…
این سند مفاهیم مخزن ویژگی را مستقیماً با داده‌های Parquet یک مطالعه موردی نشان می‌دهد. نمای ویژگی، کلید موجودیت، زمان رویداد، مدت اعتبار و ستون‌های ویژگی را مشخص می‌کند. برای آموزش مدل، مقادیر تاریخی به زمان تصمیمی وصل می‌شوند که در آن قابل دانستن بوده‌اند؛…
این سند روش‌های پاک‌سازی داده‌های مالی را ارائه می‌کند و توضیح می‌دهد چگونه پیش‌پردازش را با بخش‌بندی آموزش و آزمون هم‌راستا نگه داریم. نکته محوری این است که تبدیل‌هایی مانند مقیاس‌بندی و وینسورایز کردن فقط با داده‌های آموزش برآورد شوند؛ استفاده از کل…