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.
821 سند
این دفترچه TabM، یک تجمیع عصبی با اشتراک وزن، را برای هدف‌های بازده سهامِ ساخته‌شده از ویژگی‌های اختیار سهام به کار می‌گیرد. اعضای آن از هسته شبکه‌ای دولایه مشترک، بردارهای مقیاس‌بندی فعال‌سازی جداگانه و سرهای خروجی‌ای استفاده می‌کنند که پیش‌بینی‌هایشان…
این یادداشت مجموعه داده، کلکسیونی متنوع از صندوق‌های قابل‌معامله در بورس را توصیف می‌کند که در استراتژی مومنتوم و مجموعه گسترده‌تری از نمونه‌های پژوهش مالی به کار رفته است. داده‌های روزانه بازشدن، بیشینه، کمینه، بسته‌شدن و حجم را از 2006 ارائه می‌کند که در…
این دفترچه TabM را روی جدولی تخت از ویژگی‌های سهام US به کار می‌گیرد و آن را میان مدل‌های خطی جریمه‌دار و تجمیع‌های درختی قرار می‌دهد. اعضای هر تجمیع، یک هسته شبکه عصبی مشترک دارند، اما هرکدام بردار مقیاس‌بندی و لایه خروجی خود را دارند؛ میانگین‌گیری پیش‌بینی…
این دفترچه مدل‌های ریج، لاسو و الاستیک‌نت را روی مجموعه گسترده‌ای از ویژگی‌های شناخته‌شده سهام US برازش می‌کند؛ از جمله سنجه‌های ارزش، سودآوری، سرمایه‌گذاری، مومنتوم، اندازه، ریسک و نقدشوندگی. بازده‌های ماهانه خام، هدف بازده وینسورایزشده در مقطع عرضی و یک…
این تحلیل، تحلیل مؤلفه‌های اصلی مبتنی بر همبستگی را روی بازده صندوق‌های قابل‌معامله بورسیِ بخشی اعمال می‌کند. استانداردسازی بازده‌ها پیش از تجزیه، واریانس هر بخش را یک می‌کند؛ بنابراین مؤلفه‌های نخست، حرکت مشترک را توصیف می‌کنند و تحت سلطه پرنوسان‌ترین بخش…
این دفترچه توضیح می‌دهد چگونه پیام‌های تاریخی خوراک IEX DEEP را تجزیه کنید و با به‌روزرسانی‌های تجمیعی در سطح قیمت، دفتر سفارش محدود را نگه دارید. تغییرات عمق، بهترین مظنه‌های خرید و فروش و گزارش‌های معامله را استخراج می‌کند و سپس از نماهای لحظه‌ای…
این دفترچه تخصیص‌های با وزن برابر، وزن‌دهی‌شده برحسب امتیاز مثبت و وزن‌دهی‌شده برحسب عرض کانفورمال را برای ETFهای رتبه‌بالا و قراردادهای آتی CME مقایسه می‌کند. عرض بازه کانفورمال تفکیک‌شده برای هر موجودیت را از باقیمانده‌های بخش‌های اعتبارسنجی قبلی برآورد…
این دفترچه سه روش تبدیل پیش‌بینی‌های بازده با علامت مثبت یا منفی به موقعیت‌های دودویی را مقایسه می‌کند: آستانه ثابت صفر، صدک دنباله‌روِ امتیازهای هر نماد و صدک مقطعی میان نمادها. فعال‌شدن سیگنال و تغییر حالت را در پیش‌بینی‌های اعتبارسنجی ثبت‌شده برای ETFها و…
این سند خودرمزگذار نظارت‌شده را به‌عنوان یک مدل مرجع برای مقایسه با مدل‌های عامل نهفته شرطی معرفی می‌کند. این مدل ویژگی‌های شرکت را مستقیماً به بازده‌های آتی نگاشت می‌کند و هم‌زمان 57 ورودی را از طریق یک گلوگاه باریک فشرده می‌سازد. مقایسه آن با خودرمزگذار…
این دفترچه توضیح می‌دهد که تجزیه سهام و سود نقدی چگونه سری‌های خام قیمت تاریخی را مختل و بازده‌های محاسبه‌شده را مخدوش می‌کنند. تعدیل به عقب را نشان می‌دهد که در آن قیمت‌های تاریخی متناسب با اقدامات شرکتی بعدی بازتنظیم می‌شوند، و این روش را روی داده‌های…
این دفترچه از ویژگی‌های ETF و بازده‌های آتی برای نمایش استنباط کلاسیک حداقل مربعات معمولی، پیش از پرداختن به روش‌های متمرکز بر پیش‌بینی، استفاده می‌کند. آزمون ضرایب و خطاهای استاندارد را بررسی می‌کند و سپس ناهمسان‌واریانسی، خودهمبستگی باقیمانده‌ها و هم‌خطی…
این مطالعه NASDAQ-100 بررسی می‌کند که هزینه‌های تراکنش چگونه بر استراتژی سهامی با بازمتوازن‌سازی مکرر اثر می‌گذارند. دو واکنش احتمالی به هزینه‌ها را جدا می‌کند: محدودکردن مجموعه دارایی‌های معامله‌شده به نمادهای نقدشونده‌تر و کم‌هزینه‌تر، و کاهش تناوب…
این دفترچه PCMCI را روشی برای کشف روابط با وقفه در سری‌های زمانی مالی چندمتغیره، بدون تعیین پیشاپیش نمودار علّی، معرفی می‌کند. این روش را روی بازده‌های ETF و شاخص نوسان به‌کار می‌گیرد، تحلیل شرطی آن را با آزمون‌های زوجی گرنجر مقایسه می‌کند و نحوه تفسیر…
این آموزش سیگنال‌های مقطعی ETF را به پرتفوی‌های ده‌سهمیِ فقط خرید و با وزن برابر تبدیل می‌کند و رگرسیون ریج و طبقه‌بندی لجستیک را با استراتژی‌های مبنای مومنتوم و وزن برابر مقایسه می‌کند. مدل‌ها روی پنجره‌های آموزشی پیش‌رونده، همراه با فاصله حائل برای برچسب…
این پژوهش می‌آزماید که آیا برازش ضعیف مدل خطی به بازده‌های ماهانه سهام US از تابع هدف خطای مربعی آن ناشی می‌شود. هدف بازده آتی بدون وینزورکردن، ویژگی‌ها و فولدهای پیش‌رونده را ثابت نگه می‌دارد و مدل‌های درختی تقویتیِ آموزش‌دیده با خطای مربعی، خطای مطلق و…
این دفترچه NLinear را به‌عنوان مدل مبنا برای پیش‌بینی بازده سهام از پنجره‌های مرتب‌شده ویژگی معرفی می‌کند. هر نمونه شامل 60 جلسه متوالی برای یک سهم است. برای هر ویژگی، مدل آخرین مقدار را کم می‌کند، تاریخچه حاصل را با یک لایه خطی به مقداری واحد نگاشت می‌کند و…
این دفترچه بهترین قیمت ملی خرید و فروش جاری (NBBO) را برای هر معامله AAPL در جلسه عادی روز 16، 2020 بازسازی می‌کند. رویدادهای مظنه و معامله را به‌ترتیب زمانی ترکیب می‌کند، آخرین قیمت خرید و فروش را تا معامله بعدی نگه می‌دارد و معاملاتی را که اسپرد معتبر و…
این دفترچه مدل‌های عصبی TabM را برای هدف بازده استراتژی استرادل کوتاه روی اختیارهای S&P 500 برازش می‌دهد و سه ظرفیت مدل را روی همان پنل ویژگیِ روش‌های خطی و تقویتی مقایسه می‌کند. TabM یک ستون فقرات عصبی را میان اعضای مجموعه مشترک می‌سازد، در حالی که بردارهای…
این دفترچه کنترل‌های سطح موقعیت را برای تخصیص سهام و اختیار معامله S&P 500 ارزیابی می‌کند و حد ضرر ثابت، حد ضرر متحرک و خروج زمانی را با مبنای بدون پوشش اختصاصی هر استراتژی مقایسه می‌کند. زنجیره واجد شرایط استراتژی را با شارپ اعتبارسنجی انتخاب می‌کند و سپس…
این سند PCA ابزارمند را نشان می‌دهد که در آن بارهای عاملی دارایی به‌صورت توابع خطیِ ویژگی‌های مشاهده‌شده پیش از بازده مدل‌سازی می‌شوند. برای برآورد نگاشت ویژگی به بار عاملی و عوامل تحقق‌یافته از حداقل مربعات متناوب استفاده می‌کند و سپس بازیابی بارهای عاملی…
این سند یک مجموعه‌داده معیارِ بازتولیدپذیر از سهام US را توصیف می‌کند که از آرشیو بازتولید پژوهش قیمت‌گذاری دارایی Chen، Pelger و Zhu گرفته شده است. این مجموعه تقریباً 1.2 میلیون مشاهده ماهانه سهام از 1967 تا 2016 دارد و شامل 46 ویژگی شرکت، شاخص‌های اقتصاد…
این سند توضیح می‌دهد TSMixer چگونه سابقه اخیر ویژگی‌های یک سهم را به‌صورت ماتریسی از جلسه‌ها و ویژگی‌ها پردازش می‌کند. بلوک‌های آن اطلاعات را در امتداد ستون‌های ویژگی و در طول زمان ترکیب می‌کنند و سپس ویژگی‌ها را در هر جلسه با هم می‌آمیزند. انباشتن بلوک‌ها…
این دفترچه از پیش‌بینی‌های ثبت‌شده GBM برای ETFها و قراردادهای آتی CME استفاده می‌کند تا وزن‌دهی برابر، وزن‌دهی معکوس بر اساس عرض کانفورمال و وزن‌دهی متناسب با امتیازهای پیش‌بینی مثبت را مقایسه کند. بازه‌های کانفورمال تفکیک‌شده موندریانِ مختص هر دارایی، از…
این دفترچه پیش‌بینی‌های بدون آموزش Chronos و TinyTimeMixer را با یک LSTM و یک مدل خطی جریمه‌شده روی پنل ETF مقایسه می‌کند. همه مدل‌ها زمینه تاریخی تک‌متغیره یکسانی می‌گیرند، اما مدل‌های ازپیش‌آموزش‌دیده همان سری زمینه را پیش‌بینی می‌کنند، نه برچسب بازده آتی…