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 دفترچه تحلیل مؤلفه اصلی ابزارمند (IPCA) را توضیح می‌دهد؛ روشی که مواجهه‌های عاملی هر ETF را تابع خطی مشترکی از ویژگی‌های مشاهده‌شده آن صندوق مدل می‌کند. کمترین مربعات متناوب، نگاشت ویژگی به مواجهه و بازده عامل‌ها را هم‌زمان در مشاهدات صندوق-تاریخ برآورد…
این دفترچه گردش‌کاری خودکار برای پژوهش ارائه می‌کند که در آن یک مدل زبانی از ابزارهای همه‌منظوره برای بررسی فایل‌ها، اجرای فرمان‌ها، پرس‌وجو از ثبت‌کننده بک‌تست و وارسی داده‌ها استفاده می‌کند. اپراتور به‌جای کدنویسی ثابت برای اقدامات پژوهشی، در صورت نیاز…
این دفترچه یک مدل عامل نهفته PCA را روی پنل بازده سهام برازش می‌کند، بدون آنکه از ویژگی‌های سطح اختیار معامله، مشخصه‌ها یا اطلاعات هدف استفاده کند. PCA جهت‌های اصلی هم‌حرکتی مقطعی تاریخی را استخراج می‌کند، مواجهه هر سهم را برآورد می‌کند و بر پایه میانگین…
این ماژول مشترک مهندسی ویژگی، قواعد ساخت و ممیزی پیش‌بین‌های مالی مورداستفاده در چندین مطالعه موردی را تعریف می‌کند. هر خانواده ویژگی را همراه با فرضیه، ورودی‌ها، بازه گذشته‌نگر غلتان، وقفه اطلاعاتی، نقش و حالت شکست احتمالی ثبت می‌کند. می‌توان فهرست را با…
این تحلیل سیگنال‌های آموخته‌شده برای بازده مقطعی ماهانه سهام US را با استفاده از ویژگی‌های حسابداری و بازار مقایسه می‌کند و بازده ماه بعد را هدف می‌گیرد. مدل‌های خطی، درخت‌های تقویت‌شده، روش‌های عمیق جدولی، برآوردگرهای عامل نهفته و برآورد اثر علّی را مرور…
این فصل گردش‌کارهای عاملی را برای پژوهش مالی معرفی می‌کند؛ جایی که گردآوری، پالایش و ترکیب شواهد ناهمگون چالش اصلی است. این گردش‌کارها را با مدل‌های متداولی مقایسه می‌کند که با ورودی‌های ساختاریافته و پایدار خوب کار می‌کنند و مرزی فقط‌خواندنی تعیین می‌کند:…
این دفترچه برچسب‌های بازده ماهانه را برای مطالعه مقطعی ویژگی‌های شرکت‌های US تعریف و اعتبارسنجی می‌کند. بررسی می‌کند که ارائه‌دهنده داده چگونه ویژگی‌های هر ردیف را با پیامد بازده جفت می‌کند و تأکید دارد که پنل از پیش هم‌تراز شده است و نباید دوباره جابه‌جا…
این دفترچه یک تخصیص‌دهنده سبد سرمایه‌گذاری سرتاسری می‌سازد که شبکه انتخاب ویژگی به سبک Temporal Fusion Transformer را پیش از یک LSTM قرار می‌دهد. شبکه‌های باقیمانده دروازه‌دار جداگانه، ویژگی‌ها را جاسازی می‌کنند و وزن‌های نرمِ یادگرفته‌شده این جاسازی‌ها را…
این دفترچه توضیح می‌دهد چگونه مدل‌های مالی را ارزیابی کنید، بی‌آنکه اطلاعاتِ در دسترس‌نبوده در تاریخ تصمیم به آموزش یا انتخاب مدل نشت کند. مجموعه‌های آموزش، اعتبارسنجی و نگه‌داشته‌شده نهایی را از هم متمایز می‌کند و نشان می‌دهد چرا اعتبارسنجی کی‌تایی با ترتیب…
این دفترچه چهار روش کشف رابطه در پنل بازده‌های ETF را مقایسه می‌کند: NOTEARS برای گراف‌های جهت‌دار غیرمدور خطیِ هم‌زمان، VAR-LiNGAM برای ساختارهای باوقفه و آنی، PCMCI برای آزمون‌های استقلال شرطی و آزمون‌های گرنجر به‌عنوان غربال‌های پیش‌بینی دوتایی. هدف…
این دفترچه بررسی می‌کند منظم‌سازی Ridge چگونه بر عملکرد ضریب اطلاعات (IC) اثر می‌گذارد و جست‌وجوی ابرپارامترها چگونه می‌تواند نتایج اعتبارسنجی گزارش‌شده را سوگیرانه کند. ابتدا شبکه گسترده‌ای از مقادیر آلفا را با بخش‌های پیش‌رونده ارزیابی می‌کند و ویژگی‌ها را…
این دفترچه Tail-GAN را ارائه می‌کند؛ رویکردی تخاصمیِ مولد که برای بازتولید ریسک دنباله‌ای سناریوهای مالی، به‌ویژه ارزش در معرض ریسک (VaR) و کمبود مورد انتظار (ES) طراحی شده است. از مرتب‌سازی مشتق‌پذیر استفاده می‌کند تا سنجه‌های ریسک مبتنی بر چندک در آموزش…
این دفترچه بررسی می‌کند چگونه چند پیش‌بینی احتمالی را ترکیب کنیم. میانگین‌گیری ساده را به‌عنوان خط مبنا ارائه می‌کند و روش افراط‌سازی نایمن را شرح می‌دهد؛ روشی که میانگین پنل را بر پایه تعداد پیش‌بینی‌کنندگان و همبستگی دوتایی فرضی، از نرخ پایه دورتر می‌کند.…
این دفترچه حمل قراردادهای آتی، یعنی فاصله قیمت میان سررسیدهای نزدیک، را به ویژگی‌های مبتنی بر مدل تبدیل می‌کند. پیش‌بینی‌های یک‌گام ARIMA برای هر محصول، سنجه‌های فوریه‌ای غلتان از قدرت چرخه فصلی و مدل مارکوف پنهان دوحالته برای استنباط رژیم‌های کلی حمل را شرح…
این مرور خانواده‌ای از مدل‌ها را برای پیش‌بینی بازده بر پایه ویژگی‌های شرکت شرح می‌دهد. این مدل‌ها به‌جای درنظرگرفتن هر ویژگی به‌عنوان پیش‌بینی‌کننده مستقیم بازده، فرض می‌کنند بازده‌ها از تعداد کمی عامل مشترک مشاهده‌نشده ناشی می‌شوند و میزان مواجهه هر شرکت…
این سند یک مدل آموزشی فضای حالت گزینشی به سبک Mamba را برای پیش‌بینی بازده ETF از توالی ویژگی‌های مومنتوم ارائه می‌کند. برخلاف توجه و ترکیب‌سازی متراکم زمانی، مدل فضای حالت، حالتی با اندازه ثابت را در طول توالی حمل می‌کند و میزان محاسبات آن با طول توالی…
این سند خودرمزگذار شرطی را شرح می‌دهد که مواجهه شرکت‌ها با عوامل بازده نهفته را به‌صورت تابعی غیرخطی از ویژگی‌های شرکت مدل‌سازی می‌کند. این مدل مانند IPCA ساختار عاملی‌ای برآورد می‌کند که در آن بازده‌های پیش‌بینی‌شده ترکیبی از مواجهه‌های ویژه هر شرکت و بازده…
این سند شبکه عصبی TabM را برای رتبه‌بندی ETFها بر پایه ویژگی‌های جدولی شرح می‌دهد. ستون فقرات مشترک دولایه آن چند عضو را تغذیه می‌کند که هرکدام بردار مقیاس‌بندیِ آموخته‌شده و لایه خروجی خود را دارند؛ هدف از میانگین‌گیری پیش‌بینی‌هایشان کاهش نویز مقداردهی…
این مرور فصل توضیح می‌دهد که درخت‌های تقویت‌شده با گرادیان چگونه برای پیش‌بینی جدولی مالی، بر درخت‌های تصمیم و جنگل‌های تصادفی بنا می‌شوند. روش تقویت، یادگیرنده‌ها را به‌ترتیب اضافه می‌کند تا خطاهای پیشین را اصلاح کند و به شناسایی روابط غیرخطی و اثرهای…
این سند مجموعه‌داده ماهانه سهام US را توصیف می‌کند که برای پژوهش یادگیری ماشین در قیمت‌گذاری دارایی طراحی شده است. این مجموعه در کنار بازده‌ها، شامل 94 ویژگی شرکتِ تبدیل‌شده به رتبه، از جمله سنجه‌های حسابداری و ویژگی‌های فنی است. هویت شرکت‌ها ناشناس‌سازی شده…
این دفترچه کنترل‌های امنیتی سامانه پرسش‌وپاسخ درباره اسناد مالی را با استفاده از شش موردِ دست‌نویس ارزیابی می‌کند. موارد، تزریق غیرمستقیم پرامپت، داده ساختگی در محتوای نامطمئن، تلاش برای انجام اقدام‌ها و استنادهای نامعتبر را بازنمایی می‌کنند. خط مبنایی را که…
این دفترچه پنل منتشرشده‌ای را برای پژوهش یادگیری ماشین روی سهام US معرفی می‌کند. این پنل مشاهدات ماهانه با 46 ویژگی شرکت و بازده مازاد ماه بعد را در بر می‌گیرد و چندین دهه را پوشش می‌دهد. ویژگی‌ها بر اساس معنای اقتصادی گروه‌بندی و در هر ماه به‌صورت رتبه‌ای…
این فصل توضیح می‌دهد چگونه گراف‌های دانش مالی را بسازید و به کار ببرید، وقتی پرسش‌ها به رابطه‌هایی مانند مالکیت، زنجیره تأمین یا سرایت وابسته‌اند. هویت موجودیت، طرح‌واره روابط نوع‌دار، منشأ داده و استخراج با کمک LLM از پرونده‌ها را پوشش می‌دهد. Graph RAG…
این دفترچه دو طراحی ترنسفورمر را برای پیش‌بینی بازده 21روزه ETF بر پایه هشت ویژگی مومنتوم گذشته مقایسه می‌کند. PatchTST روزهای متوالی را در وصله‌ها گروه‌بندی می‌کند، تعداد توکن‌های توجه را کاهش می‌دهد و الگوهای زمانی محلی را بازنمایی می‌کند. iTransformer…