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.
1,290 سند
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 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 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…
این دفترچه سبدی از ETFهای سهامی را با رگرسیون‌های CAPM و عوامل فاما-فرنچ تحلیل می‌کند و سپس تحلیل را به مواجهه‌های غلتان، انتساب بازده و وابستگی باقیمانده گسترش می‌دهد. از بازده‌های روزانه و داده‌های عواملِ هم‌تراز استفاده می‌کند، عدم‌قطعیت رگرسیون را با…
این سند تفاضل‌گیری کسری را روشی برای ماناترکردن سری قیمت و درعین‌حال حفظ بخشی از اطلاعات سطح آن توضیح می‌دهد. وزن‌های وقفه را از بسط دوجمله‌ای تفاضل کسری استخراج می‌کند و نشان می‌دهد که حذف وزن‌های کوچک، پنجره تاریخی تبدیل را تعیین می‌کند. نمونه این تبدیل را…
این دفترچه می‌سنجد که آیا داده چهارساعته نقدی FX می‌تواند پشتیبان استراتژی روزانه مقطعی باشد که جفت‌ارزها را با مومنتوم و کری رتبه‌بندی می‌کند، قوی‌ترین‌ها را می‌خرد و ضعیف‌ترین‌ها را می‌فروشد. مدل برازش نمی‌دهد و پیش‌بینی نمی‌کند. در عوض، بررسی می‌کند که…
این دفترچه مدل عامل تنزیل تصادفی (SDF) را برای قیمت‌گذاری مقطعی بازده شرکت‌های US توضیح می‌دهد. وزن‌هایی می‌آموزد که بازده‌های تنزیل‌شده دارایی را با شرایط گشتاوریِ نبود آربیتراژ سازگار می‌کنند، نه اینکه زیان پیش‌بینی بازده را بهینه کنند. آموزش با مرحله‌ای…
این پیاده‌سازی، مدل عصبی عامل تنزیل تصادفی و شبکه‌ای خصمانه برای آزمودن روابط قیمت‌گذاری دارایی را شرح می‌دهد. شبکه SDF ویژگی‌های دارایی را، در صورت نیاز همراه با بازنمایی رژیم کلان‌اقتصادی از یک LSTM، به وزن‌های دارایی نگاشت می‌کند. آن وزن‌ها و بازده‌ها،…
این آداپتور مدل، معماری ترنسفورمر PatchTST را که برای پیش‌بینی بلندمدت سری زمانی طراحی شده، در رگرسیون اسکالر به کار می‌گیرد. دنباله‌هایی با آرایش زمانی و ویژگی می‌پذیرد، آن‌ها را برای مدل پایه بازآرایی می‌کند و خروجی‌های هر ویژگی را به یک پیش‌بینی کاهش…
این سند مطالعه حذف مؤلفه‌ای را شرح می‌دهد که می‌سنجد آیا تعبیه‌های گرافِ آموخته‌شده، پیش‌بینی بازده سهام را فراتر از ویژگی‌های جدولی معمول بهبود می‌دهند یا خیر. شبکه‌ای از همبستگی بازده تاریخی سهام می‌سازد، ویژگی‌های مومنتوم، نوسان و روند را فقط با اطلاعات…
این سند سازوکاری برای مقایسه‌های جفت‌شده عملکرد در مراحل انتخاب استراتژی شرح می‌دهد. مقایسه‌ها میان انتخاب سیگنال و مرجع با وزن برابر، میان انتخاب‌های داده کنارگذاشته‌شده و اعتبارسنجی، و نیز میان گذارهای تخصیص، حساسیت به هزینه و پوشش ریسک انجام می‌شوند.…
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 هر پنجره بازده را یک توزیع تجربی در نظر می‌گیرد و پنجره‌ها را بر اساس فاصله یک‌بعدی Wasserstein خوشه‌بندی می‌کند. برای نمونه‌های هم‌اندازه، مرتب‌سازی تطبیق بهینه چندک‌ها را به دست می‌دهد؛ بنابراین فاصله تفاوت‌های سراسر توزیع بازده، از جمله جایگاه…
این مرور فصل، گام‌های پژوهش میان داده بازار اعتبارسنجی‌شده و ارزیابی مدل را ترسیم می‌کند. پیش‌پردازش آگاه از تقسیم‌بندی، کدگذاری و تصمیم‌های مربوط به داده‌های گمشده را پوشش می‌دهد و سپس به ساخت هدف سازگار با اجرا، از جمله برچسب‌های افق ثابت و رویدادمحور،…
این دفترچه خط‌لوله بازیابی را روی گزیده‌هایی از گزارش‌های 10-K شرکت‌ها می‌سازد. مجموعه ثابتی از گزارش‌ها را بارگذاری می‌کند، متن را به پنجره‌های جمله‌ای می‌شکند، تعبیه‌های محلی ایجاد می‌کند و قطعه‌ها را در پایگاه داده برداری نمایه می‌کند. اجرای…
این یادداشت پیکربندی توضیح می‌دهد چرا رگرسیون لجستیک سه‌کلاسه با جریمه L1 از SAGA با تلورانس صریحاً سخت‌گیرانه‌تر استفاده می‌کند. SAGA را با liblinear روی پنل پیش‌بینی ریزساختار Nasdaq 100 مقایسه می‌کند و در اجراهای اندازه‌گیری‌شده، برازش‌های سریع‌تر و زیان…