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.
1,290 سند
این دفتر گردش‌کاری برای توصیف سری‌های بازار پیش از مدل‌سازی ارائه می‌کند. با نمودار قیمت‌ها و بازده‌های SPY، سطوح VIX و توزیع بازده آغاز می‌شود تا روندها، خوشه‌بندی نوسان و دنباله‌های سنگین شناسایی شوند. سپس توضیح می‌دهد چگونه آزمون‌های دیکی-فولر افزوده و…
این دفتر با استفاده از بازده‌های روزانه SPY تحلیل حوزه فرکانس و محدودیت‌های آن را به‌عنوان منبع ویژگی‌های معاملاتی توضیح می‌دهد. تجزیه موجک تغییرات را در باندهایی با مقیاس‌های زمانی پیوسته کندتر جدا می‌کند، در حالی که برآوردهای طیفی توزیع تغییرات بازده میان…
این دفتر سه روش استفاده از رژیم‌های بازار در مدل پیش‌بینی را مقایسه می‌کند: حذف اطلاعات رژیم، افزودن احتمال پالایش‌شده حالت پرنوسان به‌عنوان ویژگی، یا برازش متخصصان جداگانه برای رژیم‌های تخصیص‌یافته قطعی. احتمال‌های رژیم را با مدل مارکوف پنهان درون هر بخش…
این مطالعه موردی از مدل‌های خطی به‌عنوان خط مبنا برای پیش‌بینی بازده‌های آتی در پنل گسترده سهام US استفاده می‌کند. توضیح می‌دهد چرا ویژگی‌های هم‌پوشان قیمت و حجم هم‌خطی ایجاد می‌کنند و ضرایب حداقل مربعات معمولی را ناپایدار می‌سازند؛ سپس انقباض ریج را با…
این تحلیل اثرهای درمانی ثبت‌شده از یادگیری ماشین دوگانه را در نه مطالعه موردی معاملاتی مقایسه می‌کند. نتایج جاری را از دفتر ثبت هر مطالعه بارگیری می‌کند، یکپارچگی دفترها و برچسب‌های تکراری را بررسی می‌کند و پوشش را شفاف می‌سازد. اثرها و بازه‌های اطمینان در…
این دفتر چارچوبی برای ارزیابی بک‌تست تخصیص ETF با استفاده از بازده روزانه سبد و معیار مرجع متناظر SPY ارائه می‌کند. معیارهای ریسک و بازده مانند شارپ، سورتینو، کالمار و حداکثر افت سرمایه، معیارهای غلتان، بازیابی افت سرمایه، آلفا و بتای نسبی به معیار مرجع،…
این دفتر توضیح می‌دهد که عدم‌قطعیت مدل می‌تواند فراتر از یک برآورد نقطه‌ای، اطلاعاتی بیفزاید. در آن، یک مدل نوسان تصادفی برازش می‌شود که در آن لگاریتم نوسان نهفته در طول زمان تغییر می‌کند و بازده‌ها از توزیع تی‌استیودنت پیروی می‌کنند. پراکندگی پسین، پهنای…
این چارچوب ارزیابی، چهار نوع خطا را در یک خط لوله تولید تقویت‌شده با بازیابی مالی از هم جدا می‌کند: بازیابی شواهد مرتبط، مستندکردن پاسخ‌ها بر پایه آن شواهد، امتناع از پاسخ‌گویی به پرسش‌های بی‌پاسخ و مقاومت در برابر دستورهای ناامن در متن بازیابی‌شده. این…
این دفترچه مناظره‌ای چندمرحله‌ای میان دیدگاه صعودی و نزولی را برای یک پیش‌بینی احتمالیِ مورد اختلاف ارائه می‌کند. هر طرف بر اساس خلاصه‌های مشترک عامل پژوهشی استدلال می‌کند، موضع قبلی طرف دیگر را می‌بیند و احتمال خود را بازبینی می‌کند. فرایند وقتی متوقف…
این تحلیل اکتشافی قراردادهای اختیار و ساختار زنجیره را معرفی می‌کند و سپس نمونه‌ای از اختیارهای 2020 اس‌اندپی 500 را در هشت دارایی پایه بررسی می‌کند. درون‌بودن، ارزش ذاتی و زمانی، نوسان ضمنی، یونانی‌ها و شکل‌گیری زنجیره چندبعدی از قیمت اعمال، سررسید و نوع…
این دفترچه از تاریخچه قیمت ارز خارجی، ویژگی‌های حاصل از مدل برازش‌شده می‌سازد تا شاخص‌هایی را که مستقیماً از قیمت‌های گذشته محاسبه شده‌اند تکمیل کند. سه رویکرد را شرح می‌دهد: فیلتر فضای حالت برای برآورد سطح قیمتی که به‌آرامی تغییر می‌کند و کمیت‌های مرتبط،…
این دفترچه روندی را شرح می‌دهد که افشاگری‌های فصلی MD&A شرکت‌های اس‌اندپی 500 را به ویژگی‌های معاملاتی تبدیل می‌کند. تاریخ پذیرش گزارش را مبنای زمانی قرار می‌دهد، برای چند گزارش یک شرکت در یک تاریخ، آخرین دوره را نگه می‌دارد و دو سیگنال استخراج می‌کند:…
این فصل یادگیری عمیق برای سری‌های زمانی را با پرسشی کاربردی بررسی می‌کند: ترتیب مشاهدات چه زمانی اطلاعاتی دارد که پیش‌بینی مقطعی از دست می‌دهد و کدام طراحی‌های مدل می‌توانند از آن استفاده کنند؟ فصل شبکه‌های بازگشتی و بار آموزش ترتیبی آن‌ها، مدل‌های تجزیه…
این تحلیل فقط‌خواندنی، پیش‌بینی‌های اعتبارسنجی چند خانواده مدل را کنار هم می‌آورد تا کامل‌بودن آن‌ها، کیفیت رتبه‌بندی سهام، پایداری مهارت رتبه‌بندی میان فولدها و اطلاعات متمایزی را که مدل‌های ظاهراً مشابه ارائه می‌کنند بسنجد. از ضریب اطلاعاتی، یعنی همبستگی…
این دفترچه تاب‌ام را به کار می‌گیرد؛ معماری شبکه عصبی جدولی که شبکه ویژگی دو‌لایه‌ای را میان اعضای مجموعه یادگیری مشترک می‌کند. هر عضو بازنمایی مشترک را با بردار یادگرفته‌شده خودش مقیاس می‌کند و لایه خروجی جداگانه‌ای دارد؛ میانگین‌گیری پیش‌بینی اعضا می‌کوشد…
این دفترچه تحلیل مؤلفه‌های اصلی PCA را توضیح می‌دهد؛ روشی که ماتریس کوواریانس بازده را با افزودن حاصل‌ضرب خارجیِ وزن‌دار میانگین بازده دوره آموزش تغییر می‌دهد. بردارهای ویژه پیشرو، پرتفوی‌های عاملی ایستا را تعریف می‌کنند؛ افزایش وزن، عوامل را به سمت جهت‌هایی…
این دفترچه از SHAP برای توضیح پیش‌بینی‌های رگرسیون ریج درباره بازده ETF استفاده می‌کند. در یک مدل خطی، انتساب ویژگی رابطه‌ای بسته با ضرایب برازش‌شده و انحراف از مقادیر ویژگی پس‌زمینه دارد؛ این امکان را می‌دهد که تحلیل، توضیح‌دهنده را با یک تجزیه دقیق بررسی…
این دفترچه فیلتر کالمن را به‌عنوان روشی برای استخراج ویژگی از قیمت‌های مالی شرح می‌دهد. حالت روند خطی محلی هم سطح نهفته قیمت و هم شیب آن را دنبال می‌کند و مدل مشاهده، بسته‌شدن‌های پرنویز را لحاظ می‌کند. هر به‌روزرسانی سطح فیلترشده، شیب، نوآوری و برآورد…
این دفترچه تحلیل مؤلفه‌های اصلی ابزارشده (IPCA) را معرفی می‌کند؛ رویکردی مبتنی بر عوامل نهفته برای پیش‌بینی بازده از ویژگی‌های شرکت. به‌جای اختصاص وزن مستقیم بازده به هر ویژگی، IPCA مواجهه‌های عاملی هر شرکت را به‌صورت تابعی خطی از ویژگی‌های آن مدل می‌کند.…
این ابزار روشی برای توضیح بازده راهبرد با مدل‌های سه‌عاملی یا پنج‌عاملی فاما–فرنچ، با امکان افزودن مومنتوم، شرح می‌دهد. داده‌های روزانه عوامل را با بازده راهبرد هم‌تراز می‌کند، بسامد بازده را تشخیص می‌دهد و اگر راهبرد کمتر از روزانه مشاهده شود، بازده عوامل…
این دفترچه پیام‌های NASDAQ TotalView-ITCH را تحلیل می‌کند تا فعالیت کل بازار را توصیف کند و داده‌های معاملاتی قابل استفاده مجدد بسازد. پیام‌ها را بر اساس نوع می‌شمارد و سپس پیام‌های اجرای سفارش را با نگاشت شناسه‌های محل سهام به نمادها و ارجاع‌های سفارش به…
این دفترچه ویژگی‌های مبتنی بر قیمت را برای رتبه‌بندی مجموعه گسترده‌ای از سهام US می‌سازد. خانواده‌های مومنتوم، نوسان‌پذیری، میانگین متحرک و شاخص‌های فنی را شرح می‌دهد و سپس آن‌ها را در برابر برچسب بازده آتی یک‌جلسه‌ای ارزیابی می‌کند. قاعده اصلی طراحی این است…
این مطالعه از داده‌های بازار بر اساس سفارش NVDA طی ده روز معاملاتی استفاده می‌کند تا بررسی کند فعالیت روزانه معاملات چگونه بر نمونه‌برداری میله‌ای اثر می‌گذارد. معاملات را به ساعات عادی بازار US محدود می‌کند، سمت آغازگر را از برچسب‌های محل معامله طبقه‌بندی…
این تحلیل پیش‌بینی‌های اعتبارسنجی چند خانواده مدل را برای فاندینگ قراردادهای آتی دائمی مقایسه می‌کند. توضیح می‌دهد که ضریب اطلاعات رتبه بازده‌های بعدی را می‌سنجد، AUC ترتیب نتایج صعودی و نزولی را اندازه می‌گیرد و زیان لگاریتمی کیفیت احتمال را ارزیابی و…