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 مقاله روشی دومرحله‌ای برای شناسایی و معامله فرصت‌های آربیتراژ آماری در اختیار معامله پیشنهاد می‌کند. ابتدا هدفی برای پیش‌بینی تعریف می‌کند که قرار است با استفاده از اوراق قرضه مصنوعی آربیتراژ خالص را جدا کند؛ سپس از RNConv، معماری یادگیری گرافی دارای…
این پژوهش چارچوبی بدون مدل مبتنی بر یادگیری تقویتی برای آربیتراژ آماری میان سهام جفت‌شده ارائه می‌کند. ابتدا با انتخاب ضرایب دارایی که سنجه‌ای تجربی از مدت‌زمان لازم برای بازگشت اسپرد را کمینه می‌کنند، اسپردی بازگشت‌گر به میانگین می‌سازد. این رویکرد معیار…
این سند CREDIT را توصیف می‌کند؛ رویکردی مبتنی بر یادگیری تقویتی برای معامله جفتی که از واحد بازگشتی دروازه‌دار دوسویه و توجه زمانی استفاده می‌کند. این معماری برای ثبت روابط زمانی در حرکت قیمت دو دارایی طراحی شده است، از جمله الگوهایی که ممکن است با بررسی…
این مقاله مدل یادگیری عمیق میان‌مدت LSTM را برای پیش‌بینی قیمت سهام با درنظرگرفتن ناهنجاری‌های بازار پیشنهاد می‌کند. در طراحی آن، روندهای بازار به‌صورت حالت‌های پنهان نمایش داده می‌شوند. رویکرد توصیف‌شده ابتدا مدل ARMA میان‌مدتی را صورت‌بندی می‌کند که…
این مقاله رویکردی یادگیری عمیق برای انتخاب پرتفوی در سهام US توصیف می‌کند. شبکه تغییر رژیم باقیمانده آن از یک ماژول برای شناسایی شرایط بازار و ماژولی دیگر برای پیش‌بینی شتاب و بازگشت استفاده می‌کند و با تغییر رژیم، میان این دو نوع سیگنال جابه‌جا می‌شود.…
ماکرو اچ‌اف‌تی رویکردی مبتنی بر یادگیری تقویتی برای معامله رمزارز در بازه‌های یک‌دقیقه‌ای است. این روش به دو چالش مطرح در روش‌های موجود می‌پردازد: عامل‌ها ممکن است بیش‌برازش کنند و نتوانند سیاست‌های خود را با زمینه مالی سازگار کنند؛ همچنین تصمیم‌های یک عامل…
این پژوهش تغییرات جهت کوتاه‌مدت یک قرارداد آتی را با استفاده از ویژگی‌های تحلیل تکنیکال، جریان سفارش و داده‌های دفتر سفارش پیش‌بینی می‌کند. مدلی از یادگیری عمیق TabNet را با ترکیب این ورودی‌ها برای طبقه‌بندی جهت حرکت بعدی روی قراردادهای آتی نقره پذیرفته‌شده…
این پژوهش نوسان تحقق‌یافته بیت‌کوین را با مداری کوانتومی دارای پارامتر مدل‌سازی می‌کند و بررسی می‌کند که آیا سری تولیدشده ویژگی‌های آماری مشاهده‌شده در داده‌های بازار را بازتاب می‌دهد یا نه. نویسندگان از قیمت‌های پنج‌دقیقه‌ای بیت‌کوین، نوسان تحقق‌یافته…
این پژوهش روشی برای سبد سهام پیشنهاد می‌کند که بر پیش‌بینی توزیع عوامل باقیمانده تکیه دارد؛ عواملی که اطلاعاتی فراتر از مواجهه‌های مشترک بازار دربر دارند و می‌توانند به پوشش ریسک آن مواجهه‌ها کمک کنند. دو مؤلفه اصلی شرح داده می‌شود: روشی با محاسبات کارآمد…
این پژوهش نکول شرکت‌ها را با استفاده از مدلی تقلیل‌یافته پیش‌بینی می‌کند که در آن شدت نکول شرکت‌ها به عامل شکنندگی مشاهده‌نشده‌ای وابسته است. برآورد بیزی را با مونت‌کارلوی زنجیره مارکوف ذره‌ای ترکیب می‌کند و قضاوت کارشناسان را از راه توزیع‌های پیشین ذهنی…
E-TRENDS چارچوبی مبتنی بر پیش‌بینی با LSTM را برای تغییرات روز بعد در روند سهام پیشنهاد می‌کند. این پژوهش بر 30 سهم بزرگ S&P 500 تمرکز دارد و اعتبارسنجی در چرخه‌های بازار از 2005 تا 2025 را شرح می‌دهد. روش به‌جای پیش‌بینی مستقیم سطح روند، تغییر روزانه آن را…
این پژوهش عوامل شکل‌دهنده نقدشوندگی بازار سهام را بررسی می‌کند و بر ارتباط جریان سفارش علامت‌دار با اثر سفارش بر قیمت تمرکز دارد. این مطالعه مدل‌های نظری معامله و نقدشوندگی به سبک کایل را به الگوهای داده‌های عمومی معاملات و مظنه‌ها پیوند می‌دهد. یافته تجربی…
این مطالعه می‌آزماید که آیا ارتباطات فدرال رزرو اطلاعات مفیدی به پیش‌بینی تصمیم‌های نرخ وجوه فدرال می‌افزایند. مدل‌هایی را مقایسه می‌کند که فقط از شاخص‌های اقتصادی، فقط از ویژگی‌های متنی یا از ترکیب هر دو استفاده می‌کنند؛ از جمله یادگیری ماشین متعارف،…
این مطالعه از چارچوب عامل‌های ناهمگن برای بررسی هم‌زیستی پیروی از روند و ارزش‌گذاری بنیادی در بازارهای مالی استفاده می‌کند. مدل چیارلا را با معامله‌گران نویزی و واکنش غیرخطی تقاضا از سوی معامله‌گران متکی به ارزش‌های بنیادی گسترش می‌دهد. از فیلتر بیزی برای…
این مطالعه می‌آزماید که آیا یک مدل زبانی بزرگ می‌تواند از اخبار شرکت‌ها برای بهبود راهبرد مومنتوم مقطعی استفاده کند. پژوهش بازده روزانه اجزای شاخص S&P 500 را با اخبار پربسامد ترکیب می‌کند و سپس از ChatGPT می‌خواهد ارزیابی کند که آیا اخبار اخیر تداوم عملکرد…
این مطالعه معامله سفته‌بازانه را به‌صورت مسئله توقف بهینه دنباله‌ای صورت‌بندی می‌کند که در آن زمان‌های ورود و خروج با توابع مطلوبیت و فرایندهای قیمت عمومی انتخاب می‌شوند. ابتدا مسئله توقف را با نمایش رویدادهای ورود و خروج به‌صورت جهش‌های فرایندهای کاکس ساده…
این مقاله به بهینه‌سازی محدب آنلاین با حافظه می‌پردازد؛ جایی که هر زیان هم به تصمیم فعلی و هم به تصمیم‌های قبلی وابسته است. چنین وابستگی‌ای می‌تواند موقعیت‌هایی را مدل‌سازی کند که در آن‌ها اقدامات گذشته بر پیامدهای کنونی اثر می‌گذارند. نویسندگان الگوریتم…
WebCryptoAgent چارچوبی برای معامله کوتاه‌مدت رمزارز است که محتوای وب، احساسات اجتماعی و داده‌های بازار OHLCV را ترکیب می‌کند. عامل‌های ویژه هر نوع داده را برای تحلیل منابع اطلاعاتی مختلف به کار می‌گیرد و سپس ارزیابی‌های آن‌ها را در سندی حاوی شواهد برای…
این مرور کاربردهای AI را در سهام، صندوق‌های قابل‌معامله در بورس، بازارهای متمرکز رمزارز، قراردادهای آتی دائمی و فعالیت‌های درون‌زنجیره‌ای ارزیابی می‌کند. مسیر دستیابی به بازده سرمایه‌گذاری را زنجیره‌ای از مراحل می‌داند: داده‌های در دسترس در هر مقطع زمانی…
این مقاله عامل یادگیری تقویتی عمیقی را برای مدیریت سبد معرفی می‌کند که جست‌وجوی بازده را با مهار ریسک متوازن می‌سازد. سیاست هدف آن تنظیم می‌کند که عامل تا چه اندازه از اقدام بهینه پیروی کند و با استفاده از پارامتر قابل‌تنظیم طمع، انتخاب‌های کم‌ریسک‌تر را…
این سند چارچوبی برای آربیتراژ آماری ارائه می‌کند که قیمت‌گذاری دارایی، مدل‌سازی سری زمانی و بهینه‌سازی سبد را ترکیب می‌کند. ابتدا از عوامل قیمت‌گذاری نهفته شرطی برای شناسایی دارایی‌های مشابه و ساخت سبدهای باقیمانده استفاده می‌کند، سپس با یک ترنسفورمر…
این پژوهش می‌آزماید که آیا شاخص‌های معاملاتی و شبکه‌های اجتماعی، فراتر از شاخص‌های تکنیکال، طبقه‌بندی تغییرات قیمت رمزارز را بهبود می‌دهند. داده‌های ساعتی و روزانه بیت‌کوین و اتریوم را از ژانویه 2017 تا ژانویه 2021 ارزیابی می‌کند و مجموعه ویژگی محدودِ…
این سند بررسی می‌کند که معامله‌گر چگونه می‌تواند از موقعیتی در دارایی پرریسک خارج شود، وقتی معاملات اثر موقت بر قیمت می‌گذارند و هسته این اثر ناشناخته است. پیشنهاد می‌کند هسته یا پروپاگیتور به‌صورت ناپارامتری و از داده‌های ایستا شامل مسیرهای قیمت همبسته،…
این پژوهش بررسی می‌کند که آیا سنجه‌های درون‌زنجیره‌ای رمزارز می‌توانند به توضیح قیمت‌ها و تشخیص دارایی‌های پرریسک کمک کنند. داده‌های تاریخی را تحلیل می‌کند، همبستگی قیمت با پارامترهای دیگر را می‌سنجد، رمزارزها را با خوشه‌بندی گروه‌بندی می‌کند و الگوریتم‌های…