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.
173 سند
این دفترچه روش تجمیع جنگل تصادفی را در برابر XGBoost، LightGBM و CatBoost برای پیش‌بینی بازده سهام از ویژگی‌های ناشناس شرکت‌ها محک می‌زند. از تقسیم‌بندی‌های زمانی ازپیش‌تعیین‌شده برای آموزش، اعتبارسنجی و آزمون استفاده می‌کند، ضریب اطلاعات رتبه‌ای اسپیرمن را…
این دفترچه توضیح می‌دهد چگونه پنل فصلی بنیادهای سهام US را از داده‌های SEC XBRL بسازید و بررسی کنید، درحالی‌که هم دوره‌ای را که واقعیت توصیف می‌کند و هم تاریخ عمومی‌شدن آن حفظ می‌شود. در یک بک‌تست معتبر تاریخی، تاریخ ثبت گزارش یا اعلام عمومی تعیین می‌کند که…
این دفترچه از تحلیل مؤلفه‌های اصلی مبتنی بر همبستگی روی بازده‌های بخش‌های ETF استفاده می‌کند تا عوامل ریسک مشترک و چرخش بخشی را توصیف کند. استانداردسازی بازده‌ها پیش از تجزیه به هر بخش واریانس واحد می‌دهد و احتمال چیرگی بخش‌های پرنوسان‌تر بر مؤلفه‌ها را کاهش…
این سند مطالعه‌ای پیش‌رونده را توصیف می‌کند که در آن شبکه‌های عصبی تب‌ام بازده ماهانه را از ویژگی‌های شرکت پیش‌بینی می‌کنند. چون اجراکننده مشترک آموزش، تابع هدف را برای رگرسیون روی خطای مربعی و برای طبقه‌بندی روی آنتروپی متقاطع ثابت می‌کند، آزمایش به‌جای…
این دفترچه معیار پایه‌ای مبتنی بر مؤلفه‌های اصلی را برای پیش‌بینی بازده قراردادهای آتی CME توضیح می‌دهد. PCA روی پنل بازده محصولات در فولد آموزش برازش می‌شود؛ بنابراین مؤلفه‌های آن جهت‌های هم‌حرکتی میان قراردادها را نشان می‌دهند، نه ویژگی‌های فشرده حمل،…
این دفترچه خودرمزگذاری نظارت‌شده را شرح می‌دهد که ردیف‌های ویژگی ETF را به بازنمایی کم‌بعد فشرده می‌کند و بازده‌های آتی را مستقیماً از آن بازنمایی پیش‌بینی می‌کند. برخلاف خودرمزگذار شرطی، فرض نمی‌کند که بازده‌ها از مجموعه کوچکی از حرکات عامل مشترک ناشی…
این دفترچه مدل‌های ریج، لاسو و الاستیک‌نت را روی مجموعه گسترده‌ای از ویژگی‌های شناخته‌شده سهام US برازش می‌کند؛ از جمله سنجه‌های ارزش، سودآوری، سرمایه‌گذاری، مومنتوم، اندازه، ریسک و نقدشوندگی. بازده‌های ماهانه خام، هدف بازده وینسورایزشده در مقطع عرضی و یک…
این تحلیل، تحلیل مؤلفه‌های اصلی مبتنی بر همبستگی را روی بازده صندوق‌های قابل‌معامله بورسیِ بخشی اعمال می‌کند. استانداردسازی بازده‌ها پیش از تجزیه، واریانس هر بخش را یک می‌کند؛ بنابراین مؤلفه‌های نخست، حرکت مشترک را توصیف می‌کنند و تحت سلطه پرنوسان‌ترین بخش…
این سند خودرمزگذار نظارت‌شده را به‌عنوان یک مدل مرجع برای مقایسه با مدل‌های عامل نهفته شرطی معرفی می‌کند. این مدل ویژگی‌های شرکت را مستقیماً به بازده‌های آتی نگاشت می‌کند و هم‌زمان 57 ورودی را از طریق یک گلوگاه باریک فشرده می‌سازد. مقایسه آن با خودرمزگذار…
این راهنما مجموعه‌داده‌های عمومی بازده عوامل از کتابخانه داده کن فرنچ و AQR را معرفی می‌کند؛ ازجمله عوامل بازار، اندازه، ارزش، سودآوری، سرمایه‌گذاری، مومنتوم، کیفیت و بتای پایین. نحوه دریافت و بارگذاری مشاهدات ماهانه یا روزانه، فیلترکردن بر اساس تاریخ، بررسی…
این پژوهش می‌آزماید که آیا برازش ضعیف مدل خطی به بازده‌های ماهانه سهام US از تابع هدف خطای مربعی آن ناشی می‌شود. هدف بازده آتی بدون وینزورکردن، ویژگی‌ها و فولدهای پیش‌رونده را ثابت نگه می‌دارد و مدل‌های درختی تقویتیِ آموزش‌دیده با خطای مربعی، خطای مطلق و…
این سند PCA ابزارمند را نشان می‌دهد که در آن بارهای عاملی دارایی به‌صورت توابع خطیِ ویژگی‌های مشاهده‌شده پیش از بازده مدل‌سازی می‌شوند. برای برآورد نگاشت ویژگی به بار عاملی و عوامل تحقق‌یافته از حداقل مربعات متناوب استفاده می‌کند و سپس بازیابی بارهای عاملی…
این سند یک مجموعه‌داده معیارِ بازتولیدپذیر از سهام US را توصیف می‌کند که از آرشیو بازتولید پژوهش قیمت‌گذاری دارایی Chen، Pelger و Zhu گرفته شده است. این مجموعه تقریباً 1.2 میلیون مشاهده ماهانه سهام از 1967 تا 2016 دارد و شامل 46 ویژگی شرکت، شاخص‌های اقتصاد…
این دفترچه طرح عامل تنزیل تصادفی رقابتی را برای سهام روزانه آمریکا اقتباس می‌کند. شبکه وزن‌دهی سبد از بازده‌های مازاد روز بعد یک عامل می‌سازد، درحالی‌که شبکه گشتاور رقیب به آموزش هسته قیمت‌گذاری کمک می‌کند؛ شبکه بتای جداگانه، حاصل‌ضرب بازده و عامل را در سطح…
این دفترچه جنگل تصادفی را با XGBoost، LightGBM و CatBoost روی پنلی از ویژگی‌ها و بازده‌های ناشناس‌سازی‌شده شرکت‌ها مقایسه می‌کند. مجموعه داده، بخش‌های زمانی آموزش، اعتبارسنجی و آزمون را فراهم می‌کند. مدل‌ها با ضریب اطلاعات رتبه اسپیرمن به‌عنوان سنجه اصلی و…
این دفترچه خودرمزگذار شرطی‌ای ارائه می‌کند که ساختار یک مدل عاملی نهفته ابزارگذاری‌شده را حفظ می‌کند، اما نگاشت خطی از ویژگی‌های شرکت به مواجهه‌های عاملی را با شبکه عصبی جایگزین می‌سازد. بازده‌های ماهانه به‌صورت مواجهه‌های مبتنی بر ویژگی ضرب‌در بازده‌های…
این دفترچه برای مطالعه ویژگی‌های شرکت‌های US، از یک پنل منتشرشده ماتریس ماهانه مدل می‌سازد که ویژگی‌های آن از پیش میان شرکت‌ها رتبه‌بندی شده‌اند. ترکیب‌ها و برهم‌کنش‌ها را با مقادیر همان ردیف شرکت‌ـ‌ماه می‌افزاید، بدون برازش تبدیل یا محاسبه پنجره‌های غلتان.…
این دفترچه منظم‌سازی مدل خطی را برای پیش‌بینی بازده جفت‌ارزها بررسی می‌کند. هم‌خطی میان ویژگی‌های ورودی را از وابستگی میان دارایی‌ها جدا می‌کند: جفت‌ارزها ارزهای مشترکی دارند، پس بازده و رتبه‌بندی آن‌ها مستقل نیست. Ridge ضرایب را کوچک می‌کند و ویژگی‌ها را…
این دفترچه یک خودرمزگذار نظارت‌شده را برای پیش‌بینی بازده‌های آتی از ویژگی‌های شرکت بررسی می‌کند. گلوگاه باریک شبکه عصبی را حفظ می‌کند، اما تفسیر عامل شرطی و محدودیت قیمت‌گذاریِ مدل‌های مرتبط را حذف می‌کند. شبکه ویژگی‌ها را مستقیماً به بازده نگاشت می‌کند،…
این تحلیل امکان‌پذیری بررسی می‌کند که آیا می‌توان استراتژی ماهانه خرید و فروش استقراضی مبتنی بر ویژگی‌های شرکت‌های US را با پنل موجود ارزیابی کرد. بررسی می‌کند که آیا سنجه‌ها به‌صورت رتبه‌ای کدگذاری شده‌اند، شرکت‌ها چه مدت قابل مشاهده‌اند، در هر تاریخ…
این دفترچه خط لوله‌ای برای تبدیل تیترهای مالی به سیگنال‌های سطح سهام ارائه می‌کند. مجموعه اخبار را پاک‌سازی و استاندارد می‌کند، موارد تکراری کاملاً یکسان یا دارای پیشوند مشترک را در گروه‌های نماد-تاریخ حذف می‌کند و از تعبیه‌های جمله برای بازنمایی معنای تیتر…
این دفترچه پیش‌بینی‌های ازپیش‌انتخاب‌شده مبتنی بر ویژگی‌های شرکت و یک پیکربندی ثابت سبد را در دوره نگه‌داشته‌شده یک‌ساله اعمال می‌کند. برای حفظ ارزیابی برون‌نمونه، هیچ انتخاب تازه‌ای درباره پیش‌بینی‌ها، تخصیص، تمرکز، بازمتعادل‌سازی یا هزینه‌های تراکنش انجام…
این یادداشت، تحلیل مؤلفه‌های اصلی ابزارمند (IPCA) را برای یک پنل متغیر از سهام US توضیح می‌دهد. در PCA سنتی، برای هر سهم یک بار عاملی برازش‌شده تعیین می‌شود؛ این روش به‌طور طبیعی سهامی را که در نمونه آموزشی حضور نداشته‌اند پوشش نمی‌دهد و با تغییر ویژگی‌های…
این دفترچه نتایج اعتبارسنجی ثبت‌شده پنج برآوردگر عامل نهفته—PCA، IPCA، CAE، SDF و SAE—را در ۹ مطالعه موردی جمع‌بندی می‌کند. ابتدا گزارش می‌دهد کدام برآوردگرها در هر پنل نتیجه دارند، سپس بالاترین ضریب اطلاعات رتبه اسپیرمن روزانه میانگین را برای هر مطالعه…