नॉलेज लाइब्रेरी

यह नोटबुक कई मिनट-स्तरीय हॉराइज़न पर आगे के रिटर्न का पूर्वानुमान लगाने के लिए NASDAQ-100 माइक्रोस्ट्रक्चर फ़ीचर पर एक लॉन्ग शॉर्ट-टर्म मेमोरी नेटवर्क फ़िट करती है। समतल किए गए रैखिक मॉडल से अलग, एक LSTM प्रत्येक अवलोकन को क्रम से संसाधित करता है और सीखता है…

यह दस्तावेज़ बताता है कि वेवलेट डिकम्पोज़िशन और रोलिंग स्पेक्ट्रल अनुमान अलग-अलग समय-पैमाने पर वित्तीय रिटर्न का वर्णन कैसे करते हैं। वेवलेट रिटर्न को क्रमशः धीमी अवधियों वाले घटकों में बाँटते हैं, जिससे पता चलता है कि कौन-से पैमाने सबसे अधिक बदलाव के लिए…

यह US इक्विटी केस स्टडी भविष्य के रिटर्न का पूर्वानुमान लगाने और यह दावा करने में अंतर करती है कि मोमेंटम उन रिटर्न का कारण है। इसमें नवीनतम महीने को छोड़कर पिछले वर्ष के किसी शेयर के रिटर्न को उपचार, आगे के रिटर्न को परिणाम, और हाल की अस्थिरता, अतरलता रैंक…

यह अध्याय रीइन्फ़ोर्समेंट लर्निंग को अनुक्रमिक नियंत्रण का औज़ार बताता है और इसे पर्यवेक्षित पूर्वानुमान से अलग करता है। यह उन कार्यों पर केंद्रित है जहाँ कार्रवाइयाँ बाद के परिणामों को प्रभावित करती हैं और पुरस्कार अपेक्षाकृत स्पष्ट होते हैं: ट्रेड…

यह ETF फ़ीचर नोटबुक बताती है कि फ़िट किए गए सांख्यिकीय मॉडल अपने अनुमानित पैरामीटरों के ज़रिए भविष्य की जानकारी लीक कर सकते हैं, भले ही उनके फ़ॉर्मूले पिछली टिप्पणियों का उपयोग करते हों। इसका उपाय वॉक-फ़ॉरवर्ड रीफ़िट शेड्यूल है: शुरुआत में बर्न-इन अवधि रखें,…

यह नोटबुक US इक्विटी पैनल के लिए ग्रेडिएंट बूस्टिंग का अध्ययन करती है और तीन फ़ॉरवर्ड-रिटर्न क्षितिज पर ट्री क्षमता, उद्देश्य फ़ंक्शन तथा प्रशिक्षण चेकपॉइंट बदलती है। यह बताती है कि उथले ट्री फ़ीचर परस्पर क्रियाएँ सीख सकते हैं, जबकि क्षमता बढ़ाने से शोर पर…

यह नोटबुक ETF फ़ॉरवर्ड रिटर्न का पूर्वानुमान लगाने वाले LightGBM मॉडल के लिए SHAP व्याख्याएँ दिखाती है। TreeSHAP अलग-अलग पूर्वानुमानों के फ़ीचर योगदान और समेकित महत्व सारांश देता है। Beeswarm और निर्भरता प्लॉट दिखाते हैं कि फ़ीचर मान योगदान से कैसे जुड़े…

यह नोटबुक बताती है कि वैलिडेशन परिणामों से कॉन्फ़िगरेशन चुने जाने के बाद क्रिप्टो परपेचुअल फ़ंडिंग रणनीति के लिए होल्डआउट पूर्वानुमान कैसे बनाए जाएँ। यह पात्र वैलिडेशन बैकटेस्ट में सबसे ऊँचा Sharpe प्राप्त करती है, मॉडल परिवार, लेबल, चेकपॉइंट और रणनीति…

यह साझा यूटिलिटी मॉड्यूल टाइम-सीरीज़ डबल मशीन लर्निंग (DML) के साथ ट्रेडिंग डेटा के कारणात्मक विश्लेषण में सहायता करता है। इसमें बताए गए टूल में एम्बार्गो के साथ वॉक-फ़ॉरवर्ड आकलन, नुइसेंस मॉडल और खंडन-जाँच शामिल हैं। ब्लॉक परम्यूटेशन प्लेसीबो परीक्षणों में…

यह नोटबुक TSMixer समझाती है, एक टाइम-सीरीज़ न्यूरल नेटवर्क जो दो कार्रवाइयों को बारी-बारी से करता है: हर फ़ीचर के लिए लुकबैक दिनों पर साझा रैखिक मैप, और हर दिन स्वतंत्र रूप से लागू किया गया साझा फ़ीचर MLP। रेज़िडुअल कनेक्शन और प्री-नॉर्मलाइज़ेशन स्टैक को…

यह केस स्टडी बताती है कि वैलिडेशन डेटा पर मॉडल और रणनीति के विकल्प तय होने के बाद होल्डआउट अवधि के लिए पूर्वानुमान कैसे बनाए जाएँ। यह पहले चुने गए कॉन्फ़िगरेशन को प्राप्त करती है, उसकी प्रशिक्षण विशिष्टता फिर से बनाती है और होल्डआउट शुरू होने से पहले उपलब्ध…

यह नोटबुक एक LSTM आवंटक बनाती है, जो हाल के ETF रिटर्न और अस्थिरता फ़ीचर को सीधे लॉन्ग-ओनली पोर्टफ़ोलियो वेट में बदलता है। Softmax आउटपुट वेट को गैर-ऋणात्मक और पूरी तरह निवेशित रखता है, जबकि अवकलनीय Sharpe-अनुपात उद्देश्य नेटवर्क को अलग रिटर्न-पूर्वानुमान…

यह नोटबुक हाल के फ़ीचर की क्रमबद्ध विंडो से शेयर रिटर्न का पूर्वानुमान लगाने वाले LSTM अनुक्रम मॉडल का वर्णन करती है। हर उदाहरण में एक शेयर के लिए लगातार 60 सत्र होते हैं; लिस्टिंग अंतराल, ट्रेडिंग रोक या अन्य रुकावटों को पार करने वाली विंडो हटा दी जाती हैं,…

यह नोटबुक नौ केस अध्ययनों में पाँच अव्यक्त-कारक आकलकों—PCA, IPCA, CAE, SDF, और SAE—के पंजीकृत सत्यापन परिणामों का संश्लेषण करती है। पहले यह बताती है कि प्रत्येक पैनल में किन आकलकों के परिणाम उपलब्ध हैं, फिर हर केस अध्ययन के लिए उच्चतम औसत दैनिक स्पीयरमैन…

यह नोटबुक TabM, एक वेट-शेयरिंग न्यूरल एन्सेंबल, को US इक्विटी पैनल पर लागू करती है, जहाँ हर शेयर और सत्र के लिए एक फ़ीचर पंक्ति है। साझा दो-परत बैकबोन कई सदस्यों को इनपुट देता है; हर सदस्य का अपना स्केलिंग वेक्टर और आउटपुट परत होती है। उनकी भविष्यवाणियों का…

यह नोटबुक स्पॉट की तुलना में परपेचुअल कॉन्ट्रैक्ट के प्रीमियम पर बने फ़ीचरों का उपयोग करके क्रिप्टो परपेचुअल फ़्यूचर्स के लिए ग्रेडिएंट बूस्टिंग कॉन्फ़िगरेशन की तुलना करती है। इसमें ट्री क्षमता और लॉस फ़ंक्शन बदले जाते हैं—squared, absolute और Huber लॉस…

यह नोटबुक डबल मशीन लर्निंग से अनुमान लगाती है कि क्या फ़्यूचर्स कैरी, अस्थिरता, मोमेंटम और क्रॉस-सेक्शनल कैरी रैंक से स्वतंत्र होकर बाद के रिटर्न का पूर्वानुमान करता है। लचीले मॉडल और क्रॉस-फ़िटिंग से यह कैरी तथा रिटर्न, दोनों को इन गड़बड़ी कारकों के सापेक्ष…

यह नोटबुक क्रिप्टो परपेचुअल फ़्यूचर्स के लिए मॉडल-आधारित फ़ीचर बनाती है: प्रति-परिसंपत्ति सशर्त अस्थिरता पूर्वानुमान GJR-GARCH से और पूरे बाज़ार की तनाव-अवधि संभावना, फ़ंडिंग निपटानों पर फ़िट किए गए दो-अवस्था वाले गॉसियन हिडन मार्कोव मॉडल से। बीते बारों से…

यह केस अध्ययन क्रिप्टो परपेचुअल फ़्यूचर्स के लिए शोध पाइपलाइन की रूपरेखा देता है और नियमित निपटान पर लॉन्ग तथा शॉर्ट पोज़िशन के बीच होने वाले फ़ंडिंग भुगतानों को संभावित रिटर्न स्रोत मानता है। इसमें लेबल निर्माण और वित्तीय फ़ीचर से लेकर सांख्यिकीय तथा…

यह विश्लेषण नौ ट्रेडिंग केस अध्ययनों में फ़ीचर छँटाई के नतीजों की तुलना करता है और पूछता है कि जाँच में पास हुए फ़ीचर मज़बूत रणनीतियों का पूर्वानुमान करते हैं या नहीं। इसकी जाँच Benjamini–Hochberg गलत-खोज नियंत्रण को केस अध्ययन की प्रभाव-आकार सीमा और…

यह नोटबुक DeePM का वर्णन करती है, जो बदलती बाज़ार स्थितियों में प्रदर्शन सुधारने के लिए बनाई गई शुरू से अंत तक की ETF पोर्टफ़ोलियो नीति है। इसके घटकों में अस्थिरता-सामान्यीकृत रिटर्न और ट्रेंड फ़ीचर, LSTM-आधारित मॉडल, चर चयन, कंडीशनिंग परतें और…

यह केस अध्ययन ETF मोमेंटम पर कारणात्मक अनुमान लागू करता है और पूछता है कि आगे के रिटर्न पर इसका प्रभाव बाज़ार की अस्थिरता के साथ बदलता है या नहीं। इसमें निरंतर मोमेंटम ट्रीटमेंट, 21-दिवसीय आगे के रिटर्न का परिणाम, अस्थिरता और यील्ड-कर्व नियंत्रण तथा औसत और…

यह नोटबुक US इक्विटी में रिटर्न का पूर्वानुमान करने के लिए एक सरल अनुक्रम-मॉडल आधाररेखा के रूप में NLinear प्रस्तुत करती है। प्रत्येक उदाहरण में एक शेयर के लिए 60 लगातार सत्रों की विंडो है और फ़ीचर समय के क्रम में रखे गए हैं। हर फ़ीचर के लिए मॉडल उसका नवीनतम…

यह नोटबुक FinMarBa की वित्तीय सुर्खियों पर पूर्व-प्रशिक्षित FinBERT लागू करती है और जाँचती है कि उसकी सटीकता Financial PhraseBank मूल्यांकन में बताए गए आँकड़ों से बहुत कम क्यों है। मुख्य निदान लेबलों का स्रोत है: PhraseBank लेबल वाक्य की भावना पर…