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 منظم‌سازی مدل خطی را برای پیش‌بینی بازده جفت‌ارزها بررسی می‌کند. هم‌خطی میان ویژگی‌های ورودی را از وابستگی میان دارایی‌ها جدا می‌کند: جفت‌ارزها ارزهای مشترکی دارند، پس بازده و رتبه‌بندی آن‌ها مستقل نیست. Ridge ضرایب را کوچک می‌کند و ویژگی‌ها را…
این یادداشت پیکربندی، انتخاب حل‌گر saga و تلورانس همگرایی سخت‌گیرانه‌تر را برای رگرسیون لجستیک L1 با برچسب‌های سه‌کلاسه توضیح می‌دهد. saga را با liblinear مقایسه می‌کند و به سنجش زمان اجرا روی پنل ریزساختار نزدک و مقادیر گزارش‌شده زیان لگاریتمی و دقت خارج از…
این دفترچه یک خودرمزگذار نظارت‌شده را برای پیش‌بینی بازده‌های آتی از ویژگی‌های شرکت بررسی می‌کند. گلوگاه باریک شبکه عصبی را حفظ می‌کند، اما تفسیر عامل شرطی و محدودیت قیمت‌گذاریِ مدل‌های مرتبط را حذف می‌کند. شبکه ویژگی‌ها را مستقیماً به بازده نگاشت می‌کند،…
این دفترچه پیش‌بینی بازده را از ادعای اینکه مومنتوم علت آن است متمایز می‌کند. بازده سال پیشِ سهام، به‌استثنای ماه اخیر، را به‌عنوان متغیر مداخله و بازده آتی را پیامد در نظر می‌گیرد. نوسان اخیر، رتبه کم‌نقدشوندگی و نسبت حجم را عوامل مخدوش‌کننده بالقوه تعریف…
این دفترچه PatchTST را به‌عنوان عضوی از جمعیت تعریف‌شده مدل‌های دنباله‌ای برای اختیار معامله S&P 500 برازش می‌دهد. PatchTST پنجره نگاه‌به‌عقب را به قطعه‌هایی با اندازه ثابت تقسیم می‌کند، آن‌ها را به‌صورت توکن تعبیه می‌کند و با توجه، رابطه میان بخش‌های…
این دفترچه نتایج LightGBM را در چند مطالعه موردی معاملاتی تجمیع و با خط مبناهای خطی و TabM مقایسه می‌کند. پیکربندی با بالاترین IC را برای هر مطالعه بررسی می‌کند، بازه‌های سازگار با ناهمسانی و خودهمبستگی را گزارش می‌دهد و ارتباط تابع زیان، عمق درخت و…
این دفترچه می‌آزماید که آیا تعبیه‌های گرافیِ آموخته‌شده، اطلاعات پیش‌بینی‌کننده‌ای به مدل جدولیِ سهام US اضافه می‌کنند. شبکه را بر پایه همبستگی‌های مطلق بازده که پیش از دوره هدف اندازه‌گیری شده‌اند می‌سازد، ویژگی‌های مومنتوم، نوسان و روند را با همان تاریخچه…
این سند مدل دنباله‌ای LSTM را برای مطالعه اختیار معامله S&P 500 توصیف می‌کند. برخلاف مدل‌های مقطعی که برای خلاصه‌کردن تاریخچه نماد به ویژگی‌های مهندسی‌شده تکیه می‌کنند، LSTM پنجره‌های زمانی را به‌ترتیب دریافت می‌کند و می‌آموزد کدام بخش‌های دنباله اهمیت…
این دفترچه با پیش‌بینی همدیسِ تفکیک‌شده، پیرامون پیش‌بینی‌های گرادیان‌بوستینگ بازه پیش‌بینی می‌سازد. مدل را روی بخش آموزشیِ قدیمی‌تر برازش می‌کند، باقیمانده‌های مطلق را در بخش کالیبراسیونِ بعدی می‌سنجد و از آماره ترتیبیِ نمونه محدود برای تعیین پهنای بازه…
این دفترچه خط لوله‌ای برای تبدیل تیترهای مالی به سیگنال‌های سطح سهام ارائه می‌کند. مجموعه اخبار را پاک‌سازی و استاندارد می‌کند، موارد تکراری کاملاً یکسان یا دارای پیشوند مشترک را در گروه‌های نماد-تاریخ حذف می‌کند و از تعبیه‌های جمله برای بازنمایی معنای تیتر…
این دفترچه DQN، PPO و A2C را در محیط شبیه‌سازی‌شده معامله ارز دیجیتال مقایسه می‌کند. فرایند نوسان GARCH(1,1) را بر بازده‌های ساعتی قراردادهای دائمی آتی بیت‌کوین کالیبره می‌کند، سپس مسیرهایی را شبیه‌سازی می‌کند که خوشه‌بندی نوسان را حفظ می‌کنند، اما جهت بازده…
این دفترچه روند پرسش‌وپاسخ فقط‌خواندنی را روی گراف دارایی‌های نهادی نشان می‌دهد که از گزارش‌های 13F ساخته شده است. به‌جای تولید پرس‌وجوهای پایگاه داده از زبان طبیعی، پرسش‌های دقیق و پشتیبانی‌شده را به قالب‌های Cypher دست‌نویس با موجودیت‌های ثابت هدایت…
این دفترچه ترنسفورمری قطعه‌بندی‌شده را برای پیش‌بینی دنباله در مطالعه سهام و اختیار معامله S&P 500 شرح می‌دهد. پنجره زمانی را به بلوک‌های پیوسته تقسیم می‌کند و هر بلوک را یک توکن در نظر می‌گیرد؛ این کار اجازه می‌دهد توجه، هنگام کار با دنباله‌ای کوتاه‌تر،…
این یادداشت، تحلیل مؤلفه‌های اصلی ابزارمند (IPCA) را برای یک پنل متغیر از سهام US توضیح می‌دهد. در PCA سنتی، برای هر سهم یک بار عاملی برازش‌شده تعیین می‌شود؛ این روش به‌طور طبیعی سهامی را که در نمونه آموزشی حضور نداشته‌اند پوشش نمی‌دهد و با تغییر ویژگی‌های…
این فصل یادگیری تقویتی را ابزاری برای کنترل ترتیبی معرفی می‌کند و آن را از پیش‌بینی نظارت‌شده متمایز می‌سازد. تمرکز آن بر وظایفی است که کنش‌ها بر پیامدهای بعدی اثر می‌گذارند و پاداش‌ها نسبتاً ملموس‌اند: اجرای معامله، بازارسازی و پوشش ریسک مشتقات. نگاشت این…
این دفترچه ویژگی‌های ETF توضیح می‌دهد چگونه مدل‌های آماری برازش‌شده می‌توانند از طریق پارامترهای برآوردشده، حتی وقتی فرمول‌هایشان از مشاهدات گذشته استفاده می‌کنند، اطلاعات آینده را نشت دهند. راهکار آن برنامه بازبرازش پیش‌رونده است: یک دوره گرم‌شدن اولیه در…
این دفترچه گرادیان بوستینگ را برای پنل سهام US بررسی می‌کند و ظرفیت درخت، تابع هدف و ایست بازرسی آموزش را در سه افق بازده آتی تغییر می‌دهد. توضیح می‌دهد که درخت‌های کم‌عمق چگونه می‌توانند برهم‌کنش ویژگی‌ها را یاد بگیرند، در حالی که افزایش ظرفیت خطر برازش…
این دفترچه تبیین‌های SHAP را برای مدل LightGBM که بازده آتی ETF را پیش‌بینی می‌کند، نشان می‌دهد. TreeSHAP سهم ویژگی‌ها را در پیش‌بینی‌های منفرد و خلاصه‌های کلی اهمیت ارائه می‌کند. نمودارهای بی‌سوارم و وابستگی رابطه مقادیر ویژگی با سهم آن‌ها را نشان می‌دهند،…
این دفترچه توضیح می‌دهد چگونه پس از انتخاب پیکربندی راهبرد تأمین مالی معاملات آتی دائمی رمزارز با نتایج اعتبارسنجی، پیش‌بینی‌های خارج از نمونه تولید کنید. بالاترین بک‌تست واجد شرایط شارپ در اعتبارسنجی را بازیابی می‌کند، خانواده مدل، برچسب، ایست بازرسی و…
این ماژول کاربردی مشترک از تحلیل علّی داده‌های معاملاتی با یادگیری ماشین دوگانه سری زمانی (DML) پشتیبانی می‌کند. ابزارهای مستندشده آن شامل برآورد پیش‌رونده با دوره منع، مدل‌های مزاحم و آزمون‌های رد است. جایگشت بلوکی وابستگی زمانی محلی را در آزمون‌های دارونما…
این دفترچه TSMixer، یک شبکه عصبی سری زمانی، را شرح می‌دهد که دو عملیات را به‌تناوب انجام می‌دهد: نگاشت خطی مشترکی در روزهای بازنگری برای هر ویژگی، و یک MLP ویژگی مشترک که در هر روز به‌طور مستقل اعمال می‌شود. اتصال‌های باقیمانده و پیش‌نرمال‌سازی از لایه‌ها…
این مطالعه موردی توضیح می‌دهد چگونه پس از انتخاب مدل و راهبرد بر اساس داده‌های اعتبارسنجی، برای دوره خارج از نمونه پیش‌بینی تولید کنید. پیکربندی انتخاب‌شده قبلی را بازیابی می‌کند، مشخصات آموزش آن را بازسازی می‌کند و مدل را با استفاده از داده‌هایی که فقط پیش…
این دفترچه یک تخصیص‌گر LSTM می‌سازد که ویژگی‌های اخیر بازده و نوسان ETF را مستقیماً به وزن‌های سبدِ فقط خرید نگاشت می‌کند. خروجی سافت‌مکس وزن‌ها را غیرمنفی و سرمایه‌گذاری‌شده نگه می‌دارد، و هدف نسبت شارپِ مشتق‌پذیر شبکه را بدون مرحله جداگانه پیش‌بینی بازده…
این دفترچه نتایج اعتبارسنجی ثبت‌شده پنج برآوردگر عامل نهفته—PCA، IPCA، CAE، SDF و SAE—را در ۹ مطالعه موردی جمع‌بندی می‌کند. ابتدا گزارش می‌دهد کدام برآوردگرها در هر پنل نتیجه دارند، سپس بالاترین ضریب اطلاعات رتبه اسپیرمن روزانه میانگین را برای هر مطالعه…