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

821 سند

یادگیری ماشین برای معامله‌گری

این سند تحلیل حساسیت هزینه را برای یک استراتژی مومنتوم ثابت ETF ارائه می‌کند. جهان سرمایه‌گذاری، وزن‌ها، زمان‌بندی و شبیه‌ساز را ثابت نگه می‌دارد و بک‌تست را با مجموعه‌ای از کارمزدهای هر سوی معامله دوباره اجرا می‌کند. منحنی حاصل تغییر نسبت شارپ و رشد مرکب را…

سهاممومنتومآزمون گذشته‌نگراجرای سفارش
یادگیری ماشین برای معامله‌گری

این دفترچه مالکیت سهام نهادی را از پرونده‌های SEC 13F به‌شکل گرافی مدل می‌کند که مدیران را به اوراق بهادار پیوند می‌دهد و روابط بخشی را برای تجمیع در نظر می‌گیرد. طرح داده هم تاریخ گزارش پایان فصل و هم تاریخ دیرترِ در دسترس قرارگرفتن پرونده را نگه می‌دارد:…

سهامآمارریزساختار بازار
یادگیری ماشین برای معامله‌گری

این دفترچه پیکربندی ETF انتخاب‌شده قبلی را بر پنجره نگه‌داشته‌شده آن اعمال می‌کند. پیش‌بینی‌های متناظر این دوره را از هویت آموزش و نقطه بازبینیِ انتخاب‌شده استخراج می‌کند، سپس تمرکز، تخصیص، پوشش ریسک، تناوب بازمتوازن‌سازی و فرض‌های هزینه موجود استراتژی را…

سهامآزمون گذشته‌نگرساخت پرتفویمدیریت ریسک
یادگیری ماشین برای معامله‌گری

این گردش‌کار ارزیابی، ویژگی‌های مالی و مبتنی بر مدل را در برابر بازده‌های آتی برای یک پنل درون‌روزی NASDAQ-100 غربال می‌کند. ابتدا دوره نهایی آزمون را کنار می‌گذارد و مشاهداتی را حذف می‌کند که برچسب‌های آتی آن‌ها در آن بازه نهایی می‌شوند. برای هر ویژگی، ضریب…

سهامآماریادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این سند مجموعه‌داده روزانه سهام US را توصیف می‌کند که از آرشیو Wiki Prices متعلق به NASDAQ Data Link گرفته شده است. این مجموعه هزاران شرکت را از 1962 تا مارس 2018 پوشش می‌دهد و شرکت‌های حذف‌شده را نیز دربر می‌گیرد؛ ازاین‌رو برای پژوهش تاریخیِ نیازمند کاهش…

سهامبازارهای آمریکاآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این سند توضیح می‌دهد چگونه بازده پیرامون رویدادهایی مانند فعال‌شدن سیگنال، اعلام سود یا انتشار داده‌های کلان اندازه‌گیری شود. نمونه عملی آن از شکست‌های مومنتوم در ETFهای نقدشونده استفاده می‌کند. برای هر رویداد، مدلی بازار که در پنجره برآورد پیش از رویداد…

سهاممبتنی بر رویدادمومنتومشکست قیمت
یادگیری ماشین برای معامله‌گری

این دفترچه با استفاده از بازده‌های روزانه ETF توضیح می‌دهد که مدل‌های GARCH چگونه خوشه‌بندی نوسان را ثبت و به ویژگی‌ای نشست‌به‌نشست تبدیل می‌کنند. ابتدا از تشخیص‌های دیداری و آزمون ARCH-LM استفاده می‌کند تا بسنجد آیا بازده‌های مجذور به وقفه‌های خود…

نوسانآمارمدیریت ریسکسهام
یادگیری ماشین برای معامله‌گری

این دفترچه چگونگی بازسازی دفتر سفارش محدود NASDAQ تک‌نمادی را از داده‌های پیام‌به‌سفارش توضیح می‌دهد. افزودن سفارش، اجرا، لغو، حذف و جایگزینی را پردازش می‌کند و اندازه باقی‌مانده هر سفارش فعال را نگه می‌دارد. جایگزینی‌ها به مدیریت ویژه نیاز دارند، زیرا مرجع…

سهامریزساختار بازاراجرای سفارشآمار
یادگیری ماشین برای معامله‌گری

این دفترچه رابط OHLCV مشترکی را میان Yahoo Finance، آرشیو بلندمدت سهام آمریکا و سری‌های اقتصاد کلان FRED نشان می‌دهد. برای مطالعه موردی چرخش بعدی، مجموعه‌ای از ETF می‌سازد، ترکیب منابع تاریخی و جاری را نشان می‌دهد و رویکرد جایگزینِ اولویت‌بندی‌شده را شرح…

چندداراییسهامبازارهای آمریکااجرای سفارش
یادگیری ماشین برای معامله‌گری

این مطالعه موردی ویژگی‌هایی برای بررسی این پرسش می‌سازد که آیا واریانس ضمنیِ در قیمت اعمال برابر، از واریانس تحقق‌یافته بعدی برای نمادهای S&P 500 بیشتر است و آیا این تفاوت میان اوراق بهادار تغییر می‌کند. مظنه‌های استرادل را با قیمت دارایی پایه ترکیب می‌کند…

اختیار معاملهنوسانسهامآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه رگرسیون حداقل مربعات معمولی را با Ridge، LASSO و Elastic Net برای پیش‌بینی بازده‌های آینده در مجموعه‌ای از ETF مقایسه می‌کند. همه مدل‌ها از فولدهای یکسان آزمون پیش‌رونده استفاده می‌کنند و فاصله حذف‌شده با افق برچسب همخوان است؛ بنابراین تفاوت‌ها را…

یادگیری ماشینسهامآمارآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این فصل چگونگی ساخت پژوهش سازگار با زمان را درباره داده‌های بنیادی و جایگزین در سهام، سری‌های اقتصاد کلان، قراردادهای آتی، رمزارز و بازارهای پیش‌بینی شرح می‌دهد. روش‌های اصلی آن ذخیره‌سازی دوزمانی و پرس‌وجوهای «تا زمان»، زمان‌بندی انتشار با توجه به منبع،…

آزمون گذشته‌نگرآماریادگیری ماشینداده‌های درون‌زنجیره‌ای
یادگیری ماشین برای معامله‌گری

این دفترچه پیکربندی‌های برتر تخصیص ETF را در دو شبکه هزینه بازقیمت‌گذاری می‌کند، در حالی که پیش‌بینی‌ها، تمرکز و قواعد تخصیص ثابت نگه داشته می‌شوند. مدل کارمزد به‌ازای هر سهم و نصف اسپردِ مطالعه موردی را، که نشان می‌دهد هزینه معاملات ETF چگونه به تعداد سهم…

سهاماجرای سفارشآزمون گذشته‌نگرساخت پرتفوی
یادگیری ماشین برای معامله‌گری

این دفترچه مدل‌های خطی را برای پیش‌بینی بازده ETF از ویژگی‌های هم‌پوشانِ مشتق‌شده از قیمت مقایسه می‌کند. ازآنجاکه افق‌های متعدد بازده و خانواده‌های شاخص می‌توانند اطلاعات مشابهی رمزگذاری کنند، کمترین مربعات معمولی ممکن است به ضرایب ناپایدار و متضادی برای…

سهامچنددارایییادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این پیکربندی، سبدهای ماهانه لانگ-شورت سهام US را توصیف می‌کند که بر اساس ویژگی‌های شرکت رتبه‌بندی می‌شوند. جهان دارای داده کامل با 46 ویژگی، تصمیم‌گیری در پایان ماه، اجرا در قیمت بازشدن بعدی، وزن‌دهی برابر در بخش‌های لانگ و شورت و هزینه‌های معامله قابل‌توجه…

سهامسرمایه‌گذاری عاملیمومنتومآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این راهنما پرسش‌های علّی را به کتابخانه‌های پایتون پیوند می‌دهد و تفاوت میان برآورد اثرها با فرض یک ساختار علّی و کشف ساختارهای احتمالی از داده را روشن می‌کند. یادگیری ماشین دوگانه برای اثرهای تعدیل‌شده درمان، شناسایی و رد مبتنی بر گراف با DoWhy، و روش‌های…

یادگیری ماشینآمارسهامرمزارز
یادگیری ماشین برای معامله‌گری

این چارچوب، بررسی کیفیت داده را روی داده‌های روزانه US سهام OHLCV نشان می‌دهد. اعتبارسنجی ساختاری، روابط قیمت، قیمت‌های مثبت، حجم نامنفی، مقادیر گمشده، تاریخ‌های تکراری، ترتیب زمانی، قیمت‌های راکد و بازده‌های حدی را می‌آزماید. دفترچه با واردکردن خطاهای…

سهامآمارمدیریت ریسکبازارهای آمریکا
یادگیری ماشین برای معامله‌گری

این دفترچه مدل عامل تنزیل تصادفی را برای قیمت‌گذاری مقطعی ETFها معرفی می‌کند. به‌جای برآورد جداگانه مواجهه صندوق‌ها و بازده عوامل، شبکه‌ها را آموزش می‌دهد تا سری مشترکی از عوامل تنزیل بیابند که هم‌تغییری آن با بازده صندوق‌ها، بازده‌های میانگین را توضیح دهد.…

یادگیری ماشینسرمایه‌گذاری عاملیآمارسهام
یادگیری ماشین برای معامله‌گری

این دفترچه بهترین قیمت خرید و فروش جاری را برای هر معامله AAPL در یک جلسه معاملاتی در مارس 2020 بازسازی می‌کند و سپس از روش Lee–Ready برای استنباط آغازگر معامله، خریدار یا فروشنده، بهره می‌گیرد. رویدادهای مظنه و معامله را به ترتیب زمان‌مهر در هم می‌آمیزد،…

سهامریزساختار بازاراجرای سفارشآمار
یادگیری ماشین برای معامله‌گری

این دفترچه ویژگی‌های مالی و مشتق‌شده از مدل را از نظر توان رتبه‌بندی ETFها بر اساس بازده‌های بعدی غربال می‌کند. ضریب اطلاعاتی روزبه‌روز را با مقایسه رتبه‌های مقطعی هر ویژگی با رتبه‌های بازده آتی محاسبه می‌کند و سپس سری زمانی حاصل را بررسی می‌کند. تحلیل،…

سهامآماریادگیری ماشینآزمون گذشته‌نگر
یادگیری ماشین برای معامله‌گری

این دفترچه بررسی می‌کند که آیا انتساب ویژگی‌های SHAP برای پشتیبانی از هرس مدل، تصمیم‌های ریسک یا گزارش‌دهی به‌اندازه کافی پایدار هستند یا نه. ابتدا در یک مسئله پیش‌بینی ETF، نمونه‌های آزمونی را پیدا می‌کند که پیش‌بینی‌هایشان نزدیک اما پروفایل‌های SHAP آن‌ها…

یادگیری ماشینآمارسهام
یادگیری ماشین برای معامله‌گری

این پیکربندی، استراتژی روزانه لانگ-شورت سهام US را توصیف می‌کند که جهان گسترده‌ای از سهام را بر اساس پیش‌بینی‌های مدل رتبه‌بندی می‌کند، دهک برتر را می‌خرد و دهک پایین را با وزن‌های برابر در هر گروه فروش استقراضی می‌کند. اجرای سفارش در قیمت بازشدن جلسه بعد،…

سهامبازارهای آمریکاساخت پرتفویاجرای سفارش
یادگیری ماشین برای معامله‌گری

این ابزار داده‌ای از کار با مجموعه‌داده قیمت‌گذاری دارایی Chen، Pelger و Zhu پشتیبانی می‌کند؛ مجموعه‌ای شامل بازده سهام، ویژگی‌های شرکت، سری‌های اقتصاد کلان و تانسورهای ویژگی پیش از تفکیک. روش تبدیل آن از تانسورهای آموزش، اعتبارسنجی و آزمون منتشرشده،…

سهامسرمایه‌گذاری عاملییادگیری ماشینآمار
یادگیری ماشین برای معامله‌گری

این دفترچه بررسی می‌کند که آیا ویژگی‌های مالی به توضیح برچسب بازده اختیار معامله پوشش‌یافته با دلتا در بازه 10 جلسه کمک می‌کنند یا نه. مدل‌های Ridge را با استفاده از یک ویژگی نوسان ضمنی، گروه‌هایی از ویژگی‌های وابسته و مستقل از نوسان ضمنی، و مجموعه کامل…

اختیار معاملهسهامآماریادگیری ماشین