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 تحلیل مؤلفه‌های اصلی را روی پنلی از بازده سهام US به‌کار می‌گیرد تا حرکت‌های گسترده مشترک را با مجموعه کوچک‌تری از عامل‌ها نمایش دهد. هر عامل جهتی از تغییرات مشترک است و بار عاملی هر سهم میزان مواجهه آن با آن جهت را توصیف می‌کند. پیش‌بینی‌های…
این دفترچه دیدی در سطح خانواده مدل از پنج رویکرد عامل نهفته در یک مطالعه موردی تحلیل اختیار معامله سهام ارائه می‌کند. PCA حرکت‌های مشترک را مستقیماً از پنل بازده برآورد می‌کند؛ IPCA ویژگی‌ها را به‌صورت خطی به مواجهه‌ها نگاشت می‌کند؛ و رمزگذار خودکار شرطی از…
این دفترچه تحلیل مؤلفه‌های اصلی ابزارمند را به‌عنوان مدلی برای بازده‌های مقطعی ارائه می‌کند. به‌جای اختصاص وزن مستقیم بازده به ویژگی‌های هر شرکت، IPCA نگاشتی خطی و مشترک از ویژگی‌ها به مواجهه‌های عاملی، در کنار بازده‌های عاملی ماهانه، برآورد می‌کند. این روش…
این دفترچه تحلیل مؤلفه‌های اصلی ابزارمند را روشی برای وابسته‌کردن بارگذاری‌های عامل نهفته به ویژگی‌های مشاهده‌پذیر سهام توضیح می‌دهد، به‌جای آنکه برای هر سهم بارگذاری ثابتی تعیین شود. نگاشت مشترکی از ویژگی‌ها به مواجهه با عامل‌ها می‌تواند برای سهام غایب از…
این سند خانواده‌ای از مدل‌های بازده شرکت را معرفی می‌کند که فرض می‌گیرند مجموعه کوچکی از عامل‌های مشترکِ مشاهده‌نشده، بخش بزرگی از مقطع را توضیح می‌دهند. این مدل‌ها به‌جای پیش‌بینی مستقیم بازده از ویژگی‌ها، میزان مواجهه هر شرکت با عامل‌ها را از ویژگی‌هایش…
این دفترچه یک مدل عصبیِ عامل تنزیل تصادفی را روی قراردادهای آتی CME به کار می‌گیرد. از دید قیمت‌گذاری دارایی، عامل تنزیل تصادفی متغیری تصادفی است که حاصل‌ضرب آن در بازده هر دارایی، در نبود فرصت آربیتراژ، امید ریاضی یکسانی دارد. مدل این متغیر نهفته را با…
این دفترچه سیاهه‌ای میان‌مطالعه‌ای از ویژگی‌های مالی مهندسی‌شده در نه طبقه دارایی ارائه می‌دهد. تعداد ویژگی‌ها و خانواده‌های مبتنی بر نام را از هر پنل ویژگیِ موجود می‌شمارد، اندازه فضاهای ویژگی را مقایسه می‌کند و قوی‌ترین ضریب اطلاعات ثبت‌شده در دفتر ثبت مدل…
این دفترچه خودرمزگذاری نظارت‌شده را برای مدل‌سازی عامل سهام معرفی می‌کند. برخلاف خودرمزگذارهای بدون نظارت که با بازسازی مقطع، گلوگاه را یاد می‌گیرند، این مدل بازده‌های آتی را نیز در هدف آموزشی خود می‌گنجاند. بنابراین هدف، هم بازنمایی آموخته‌شده و هم…
این مطالعهٔ موردی استراتژی‌های دهکی ماهانهٔ خریدوفروش استقراضی را که بر پایهٔ ویژگی‌های شرکت‌های US ساخته شده‌اند ارزیابی می‌کند و مدل‌های خطی، تقویت گرادیانی و رویکردهای عامل نهفته را در چارچوب تأخیرهای حسابداری مقطعی، اعتبارسنجی واک‌فوروارد و هزینه‌های…
این ماژول برازش و ارزیابی واک‌فوروارد چند مدل عامل نهفته، از جمله مؤلفه‌های اصلی، مؤلفه‌های اصلی ابزارشده و خودرمزگذارهای عصبی را هماهنگ می‌کند. داده‌های تابلویی و بخش‌ها را آماده می‌سازد، اجراکننده‌های ویژهٔ هر مدل را فرا می‌خواند و پیش‌بینی‌ها، فرادادهٔ…
این پیاده‌سازی خودرمزگذاری شرطی را برای قیمت‌گذاری دارایی شرح می‌دهد. شبکهٔ بتا ویژگی‌های هر سهم را به بارهای عاملی نهفته نگاشت می‌کند، درحالی‌که شبکهٔ خطی عامل، بازده پرتفوی‌های مدیریت‌شده را به بازده عامل‌ها نگاشت می‌کند. مدل بازده سهم را با جمع بارهای…
این دفترچه پژوهشی نحوه ساخت و بررسی پنل فصلی داده‌های بنیادی سهام را از داده‌های SEC XBRL توضیح می‌دهد. هر مشاهده هم دوره مالی‌ای را که توصیف می‌کند در بر دارد و هم تاریخ ثبت گزارش را که اطلاعات در آن عمومی شده است. این تمایز در آزمون‌های تاریخی ضروری است:…
این دفترچه پژوهشی ویژگی‌های حسابداری و مبتنی بر قیمت را به‌عنوان پیش‌بین‌های مستقل بازده سهام US در ماه بعد ارزیابی می‌کند. همبستگی‌های رتبه‌ای مقطعی ماهانه میان هر ویژگی و برچسب بازده را محاسبه می‌کند و سپس آن‌ها را در ماه‌های دوره توسعه خلاصه می‌کند. روند…
این دفترچه توضیح می‌دهد خودرمزگذار شرطی چگونه مدل مؤلفه اصلی ابزارمند را گسترش می‌دهد: شبکه عصبی ویژگی‌های سهام را به مواجهه‌های عاملی نگاشت می‌کند و مدل همان ساختارِ مواجهه ضرب‌در بازده عامل را حفظ می‌کند. مدل را با بازسازی برچسب بازده آتیِ پیکربندی‌شده در…
این سند تحلیل مؤلفه‌های اصلی ابزارمند را برای مدل‌سازی بازده ETF توضیح می‌دهد. برخلاف PCA معمولی که برای هر صندوق مواجهه‌های عاملی ثابتی تعیین می‌کند، IPCA مواجهه‌های هر صندوق را تابع خطی مشترکی از ویژگی‌های قابل‌مشاهده آن می‌داند. این روش نگاشت ویژگی به…
این دفترچه تحلیل مؤلفه‌های اصلی ابزارمند (IPCA) را برای پنل سهام دارای ویژگی‌های سطح اختیار معامله شرح می‌دهد. برخلاف PCA معمولی که مواجهه هر سهم را از تاریخچه بازده آن برآورد می‌کند، IPCA مواجهه‌ها را تابع خطی مشترکی از ویژگی‌های هر سهم در تاریخ مربوط…
این دفترچه از تحلیل مؤلفه‌های اصلی روی بخشی نقدشونده از سهام US برای استخراج عوامل نهفته و ساخت سبدهای ویژه خرید و فروش استقراضی استفاده می‌کند. توضیح می‌دهد که بردارهای استانداردشده PCA چگونه به وزن‌های بازده خام تبدیل و بر اساس مواجهه ناخالص نرمال می‌شوند؛…
این دفترچه تحلیل مؤلفه‌های اصلی را به‌عنوان مبنای عامل نهفته بدون شرط‌گذاری برای پیش‌بینی بازده سهام در مطالعه تحلیل اختیار معامله ارائه می‌کند. PCA از پنل بازده‌های تاریخی برای برآورد حرکت‌های مشترک و میزان مواجهه هر سهم با آن‌ها استفاده می‌کند و سپس با…
این دفترچه عامل مومنتوم مقطعی را با ضرایب اطلاعاتی، بازده چندک‌ها، فاصله بازده از بالاترین تا پایین‌ترین چندک و سنجه‌های طبقه‌بندی ارزیابی می‌کند. IC اسپیرمن را به‌صورت همبستگی رتبه‌ای روزبه‌روز میان یک سیگنال و بازده‌های بعدی معرفی می‌کند و آن را از همبستگی…
این تحلیل خط لوله بک‌تست ثبت‌شده برای استراتژی ماهانه سهام US مبتنی بر ویژگی‌های شرکت را می‌خواند. عدم‌قطعیت شارپ، سنجه‌های احتمال و شارپ تعدیل‌شده، مقایسه زوجی استراتژی‌ها، افت عملکرد در داده نگه‌داشته‌شده و تحلیل هزینه متناسب با نقدشوندگی پایین شرکت‌های…
این دفترچه با استفاده از تحلیل مؤلفه‌های اصلی روی بخشی نقدشونده از سهام US، سبدهای ویژه نرمال‌شده بر مبنای مواجهه ناخالص می‌سازد و نقش آن‌ها را به‌عنوان عوامل ریسک نهفته بررسی می‌کند. واریانس تبیین‌شده را می‌سنجد، مؤلفه‌ها را با همبستگی‌های بخشی ETF تفسیر…
این دفترچه PCA را به‌عنوان یک خط مبنای عامل نهفته و بدون ویژگی برای پیش‌بینی بازده ETF توضیح می‌دهد. ماتریس بازده هر برچسب در پنجره آموزشی را تجزیه می‌کند و با استفاده از یک بار عاملی برای هر صندوق و صرف ریسک عوامل برآوردشده، پیش‌بینی‌ها را می‌سازد. چون همان…
این دفترچه از تحلیل مؤلفه‌های اصلی برای نمایش حرکات مشترک در پنل گسترده سهام US استفاده می‌کند. PCA جهت‌هایی را استخراج می‌کند که تغییرات مشترک بازده را توضیح می‌دهند؛ بارگذاری هر سهم میزان مواجهه آن با هر جهت را می‌سنجد. پیش‌بینی بازسازی‌شده از مجموعه…
این دفترچه توضیح می‌دهد خودرمزگذار شرطی چگونه تحلیل مؤلفه‌های اصلی ابزارمند PCA را برای مدل‌سازی بازده ETF گسترش می‌دهد. هر دو روش ویژگی‌های صندوق را به مواجهه‌های عاملی نگاشت می‌کنند و آن مواجهه‌ها را با بازده عوامل ترکیب می‌کنند؛ خودرمزگذار نگاشت خطی ویژگی…