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 مطالعه پنل سهام US، مدل خطی جریمه‌دار را مبنایی برای پیش‌بینی بازده‌های آتی از روی ویژگی‌های مشاهده‌شده در زمان بسته‌شدن بازار قرار می‌دهد. مجموعه ویژگی‌ها شامل سنجه‌های هم‌پوشان مومنتوم و نوسان است که هم‌خطی چندگانه ایجاد می‌کنند و می‌تواند ضرایب حداقل…
این دفترچه تحلیل مؤلفه اصلی ابزاری (IPCA) را شرح می‌دهد؛ روشی که عوامل مشترک را برآورد می‌کند و در عین حال مواجهه عاملی هر سهم را تابع خطی مشترکی از ویژگی‌های سطح اختیار معامله همان روز می‌سازد. این ویژگی‌ها شامل نوسان ضمنی، چولگی اختیار فروش به خرید، شیب…
این دفترچه بررسی می‌کند آیا چهار استراتژی سبد مدیریت‌شده پس از کنترل هم‌حرکتی گسترده ETF، بازده SPY را توضیح می‌دهند یا نه. استراتژی‌ها ETFها را با استفاده از مومنتوم باوقفه، نوسان یا بازده‌های اخیر رتبه‌بندی می‌کنند. ده مؤلفه اصلی از مجموعه متوازن ETFهای…
این سند پنل ماهانه سهام US از چن، پلگر و ژو را معرفی می‌کند که برای معیارسنجی مدل‌های قیمت‌گذاری دارایی به کار می‌رود. 46 ویژگی بنگاه را که بر اساس مضمون اقتصادی گروه‌بندی شده‌اند، بازده‌های مازاد ماه بعد و تقسیم‌بندی‌های زمان‌مند آموزش، اعتبارسنجی و آزمون…
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 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 بازده عوامل منتشرشده را به‌عنوان اجزای بالقوه ساخت پرتفوی ارزیابی می‌کند. سه پرسش را از هم جدا می‌سازد: آیا میانگین بازده یک عامل از آستانه آماری سخت‌گیرانه عبور می‌کند، آیا عوامل به دلایلی که ممکن است پایدار بمانند یکدیگر را متنوع می‌کنند و در…
این دفترچه ارزیابی می‌کند که آیا می‌توان استراتژی ماهانه خریدوفروش دوطرفه مبتنی بر ویژگی‌های شرکت را با پنل منتشرشده شرکت‌های US بررسی کرد. کدگذاری داده، تغییرات جهانِ در دسترس در طول زمان، کفایت تعداد شرکت‌ها برای هر دو سمت در هر بازتنظیم، امکان بیشتر بودن…
این سند عوامل نهفته را به‌عنوان محرک‌های مشترک بازده معرفی می‌کند که از هم‌حرکتی میان قراردادهای آتی استنباط می‌شوند، نه اینکه به‌صورت پیش‌بین‌های نام‌گذاری‌شده در اختیار باشند. دو رویکرد را که در هر فولد آموزشی برازش شده‌اند مقایسه می‌کند. تحلیل مؤلفه‌های…
این دفترچه مدل‌های ریج، لاسو و الاستیک‌نت را با ویژگی‌های منتشرشده شرکت‌ها برای سهام منفرد US برازش می‌دهد. ویژگی‌ها ارزش، سودآوری، سرمایه‌گذاری، اندازه، مومنتوم، بازگشت، ریسک و نقدشوندگی را دربر می‌گیرند. بخش‌های آزمون پیش‌رونده پیکربندی‌ها را قابل‌مقایسه…
این سند مجموعه‌داده‌های عمومی بازده عوامل Fama-French و AQR را به‌عنوان ورودی‌هایی برای معیارسنجی، انتساب ریسک و پژوهش عوامل معرفی می‌کند. عوامل بازار، اندازه، ارزش، سودآوری، سرمایه‌گذاری و مومنتوم از کتابخانه Fama-French را در کنار سری‌های AQR شرح می‌دهد که…
این دفترچه با استفاده از مدل‌های آمیخته گاوسی، بازده‌های ماهانه ۹ سری از عوامل و بازارِ سهام، اوراق قرضه، ارز و کالا را خوشه‌بندی می‌کند. پس از حذف ماه‌های دارای داده ناقص، سری‌ها را استاندارد می‌کند تا تفاوت مقیاس بر خوشه‌بندی غالب نشود. تعداد خوشه‌های…
این دفترچه 57 ویژگی حسابداری و مبتنی بر قیمت را به‌عنوان پیش‌بین‌های مستقل بازده سهام US در ماه آینده ارزیابی می‌کند. همبستگی‌های رتبه‌ای مقطعی ماهانه را محاسبه و در طول زمان میانگین‌گیری می‌کند و عدم‌قطعیت را برای وابستگی سریالی و آزمون نامزدهای متعدد تعدیل…
این فصل چارچوبی برای تبدیل یک ایده معاملاتی به مشخصات مستند ویژگی ارائه می‌کند. از پژوهشگران می‌خواهد افق ویژگی را با تصمیم موردنظر هم‌راستا کنند، فرضیه‌ای درباره محرک بیان کنند و سیگنال‌های پیش‌بین را از متغیرهای حالت زمینه‌ای متمایز سازند. انتخاب چارچوب…
این دفترچه نتایج مدل‌های خطی، از جمله OLS، ریج، لاسو و الاستیک‌نت را در نه مطالعه موردی تجمیع می‌کند. قوی‌ترین پیکربندی کامل هر مطالعه را روی برچسب اصلی آن مقایسه می‌کند و سپس منظم‌سازی، ضرایب اطلاعات در سطح فولد، پایداری، افق‌های جایگزین، سنجه‌های طبقه‌بندی…
این فصل چارچوبی برای ارزیابی ادعاهای علّی در پژوهش معاملات کمی ارائه می‌کند. ابتدا درمان، پیامد، برآوردشونده، خلاف‌واقع و مجموعه تعدیل را به‌روشنی تعریف می‌کند و سپس پرسش‌های پژوهشی را با روش‌های مناسب تطبیق می‌دهد: یادگیری ماشین دوگانه (DML) برای مواجهه‌های…
تحلیل مؤلفه‌های اصلی با صرف ریسک PCA ماتریس کوواریانس را با افزودن حاصل‌ضرب خارجیِ وزن‌دارِ بردار میانگین بازده آموزشی تغییر می‌دهد. بردارهای ویژه پیشرو، پرتفوی‌های عاملی ایستا را تعریف می‌کنند: با صفر بودن وزن، تحلیل مؤلفه‌های اصلی معمولی PCA به دست می‌آید؛…
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…
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.…
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،…
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،…
این دفترچه شواهد مدل‌های پیش‌بینی، ساختاری و علّی را برای مطالعه‌ای مقطعی از S&P 500 مقایسه می‌کند که ویژگی‌های سهام را با معیارهای مشتق‌شده از اختیار معامله، مانند نوسان ضمنی، چولگی و ساختار سررسید، ترکیب می‌کند. رتبه‌بندی بازده آتی هفتگی را در کنار افق‌های…
این دفترچه مدل عصبیِ عامل تنزیل تصادفی را برای پنلی از قراردادهای آتی CME معرفی می‌کند. مدل هم از بازده محصولات و هم از ویژگی‌های قابل مشاهده مانند بازده انتقال، مومنتوم و نوسان استفاده می‌کند تا عامل‌های نهفته بسازد و برای افق‌های بازده آینده اعلام‌شده…