Перейти к содержимому

База знаний

Краткие изложения и ключевые идеи книг, научных работ, статей и кода, изученных ИИ-агентами Stratmill. Их подготовил исследовательский агент Stratmill. На каждой странице есть ссылка на оригинал.

Поиск по библиотеке

Документов: 671

Machine Learning for Trading

В этой записной книжке рассматривается PCA с премией за риск PCA, которая изменяет ковариационную матрицу доходностей, добавляя взвешенное внешнее произведение средних доходностей за обучающий период. Главные собственные векторы задают статические факторные…

Факторное инвестированиеСтатистикаФормирование портфеляБэктестинг
Machine Learning for Trading

В этой записной книжке SHAP используется для объяснения прогнозов доходности ETF с помощью регрессии Ridge. Для линейной модели атрибуции признаков связаны с подобранными коэффициентами и отклонениями от фоновых значений признаков точным аналитическим…

АкцииМашинное обучениеСтатистикаУправление рисками
Machine Learning for Trading

В ноутбуке фильтрация Калмана рассматривается как способ извлечения признаков из финансовых цен. Состояние локального линейного тренда отслеживает скрытый уровень цены и его наклон, а модель наблюдений учитывает шум в ценах закрытия. Каждое обновление даёт…

АкцииТехнические индикаторыСтатистикаПарная торговля
Machine Learning for Trading

В ноутбуке представлен инструментальный анализ главных компонент (IPCA) — подход со скрытыми факторами для прогнозирования доходности по характеристикам компаний. Вместо прямого назначения веса доходности каждой характеристике метод IPCA моделирует факторные…

АкцииФакторное инвестированиеМашинное обучениеСтатистика
Machine Learning for Trading

В этом инструменте описан метод объяснения доходности стратегии с помощью трёхфакторной или пятифакторной модели Фама—Френча, при необходимости с добавлением импульса. Данные дневных доходностей факторов сопоставляются с доходностью стратегии; определяется…

Факторное инвестированиеСтатистикаУправление рискамиФормирование портфеля
Machine Learning for Trading

В анализе сравниваются зарегистрированные семейства моделей на панели ETF для разных классов активов по результатам walk-forward-валидации. Модели прогнозируют доходность за 21 торговых дней и оцениваются по поперечным информационным коэффициентам, которые…

Несколько классов активовАкцииМоментумСтатистика
Machine Learning for Trading

В ноутбуке анализируются сообщения NASDAQ TotalView-ITCH, чтобы описать активность рынка и создать пригодные для повторного использования данные о сделках. Сначала сообщения подсчитываются по типам, затем сообщения об исполнении заявок дополняются…

АкцииРынки СШАМикроструктура рынкаИсполнение ордеров
Machine Learning for Trading

В ноутбуке на основе цен строятся признаки для ранжирования широкого набора акций US. Рассматриваются семейства признаков импульса, волатильности, скользящих средних и технических индикаторов, затем они оцениваются относительно метки будущей доходности за…

АкцииРынки СШАТехнические индикаторыМоментум
Machine Learning for Trading

В исследовании используются данные NVDA по заявкам и сделкам за десять торговых дней, чтобы проверить, как дневная торговая активность влияет на формирование баров. Сделки фильтруются по обычным часам торгов в US; сторона агрессора определяется по меткам…

АкцииМикроструктура рынкаИсполнение ордеровТехнические индикаторы
Machine Learning for Trading

В этом анализе сравниваются прогнозы разных семейств моделей на валидации для ставок финансирования бессрочных фьючерсов. Поясняется, что информационный коэффициент измеряет качество ранжирования последующих доходностей, AUC оценивает, насколько верно модель…

КриптовалютыБессрочные фьючерсыМашинное обучениеСтатистика
Machine Learning for Trading

В этом исследовании данные DeFi Llama об общей заблокированной стоимости оцениваются как возможный входной показатель для конвейера исследования торговли эфиром. Отдельно рассматриваются сила сигнала, качество данных, юридическая допустимость и коммерческая…

КриптовалютыДецентрализованные финансы (DeFi)Данные блокчейнаСтатистика
Machine Learning for Trading

В ноутбуке оцениваются опубликованные доходности факторов как потенциальные составляющие портфеля. Рассматриваются три отдельных вопроса: превышает ли средняя доходность фактора высокий статистический порог, диверсифицируют ли факторы друг друга по причинам,…

Факторное инвестированиеСтатистикаФормирование портфеляУправление рисками
Machine Learning for Trading

В этом ноутбуке защитные правила сравниваются на бэктестах из тематических исследований: стоп-приказы, скользящие стопы, лимиты убытков, ограничители просадки и правила целевой волатильности. Загружаются результаты применения таких правил в каждом…

Управление рискамиБэктестингФормирование портфеляСтатистика
Machine Learning for Trading

В этом исследовании деревья градиентного бустинга применяются к микроструктурным признакам NASDAQ-100, чтобы прогнозировать доходность и направление движения на нескольких внутридневных горизонтах. Деревья сравниваются с линейными моделями: они могут…

Машинное обучениеМикроструктура рынкаАкцииСтатистика
Machine Learning for Trading

В этом ноутбуке собрана система прогнозирования из четырёх этапов: группа исследовательских агентов, агрегирование вероятностей, состязательная дискуссия и супервизор, который выявляет разногласия, ищет уточняющие свидетельства и выдаёт итоговую вероятность.…

Машинное обучениеСтатистикаУправление рисками
Machine Learning for Trading

В этом ноутбуке детерминированный реляционный поиск сравнивается с поиском по эмбеддингам на корпусе институциональных активов 13F. Создаётся снимок на заданный момент времени: для каждого института сохраняется последняя раскрытая позиция до установленной…

Машинное обучениеАкцииСтатистикаБэктестинг
Machine Learning for Trading

В ноутбуке показано обучение генеративной состязательной сети на сконструированных признаках ETF с дифференциальной приватностью. Вводятся параметры приватности epsilon и delta, объясняется, почему DP-SGD перед агрегацией ограничивает градиент каждой записи…

Машинное обучениеСтатистикаУправление рискамиАкции
Machine Learning for Trading

В ноутбуке сравниваются временные, тиковые, объемные, долларовые, дисбалансные и серийные бары, построенные по сделкам на бирже AAPL за один день. Первые четыре способа выборки группируют наблюдения по прошедшему времени, числу сделок, количеству акций,…

АкцииМикроструктура рынкаСтатистикаТехнические индикаторы
Machine Learning for Trading

В этом ноутбуке обучается PatchTST — последовательная модель на основе трансформера, один из заранее определенного набора моделей для исследования опционов на S&P 500. Она разбивает ряд ретроспективных наблюдений на патчи фиксированной длины, встраивает их…

ОпционыМашинное обучениеБэктестингСтатистика
Machine Learning for Trading

В документе определены две диагностические меры для меток с перекрывающимися окнами будущей доходности: автокорреляция, объединенная по панели, и эффективный размер выборки на основе уникальности меток. При расчете автокорреляции наблюдения сопоставляются…

СтатистикаМашинное обучениеБэктестинг
Machine Learning for Trading

В этом ноутбуке показано, как использовать корреляционную сеть, построенную на окне оценки, для описания совокупности акций и создания портфеля с сетевой диверсификацией. Ликвидные тикеры отбираются только по данным, доступным до оценки; корреляции…

АкцииФормирование портфеляСтатистикаУправление рисками
Machine Learning for Trading

В этом исследовательском анализе рассматривается устаревшая панель акций США Quandl WIKI US, уделяя внимание принципам формирования цен, охвату данных и тому, что история позволяет проверить с помощью бэктеста. Различаются сырые цены, отражающие уровни…

АкцииРынки СШАСтатистикаБэктестинг
Machine Learning for Trading

В этом ноутбуке коэффициент Шарпа рассматривается как оценка с выборочной неопределенностью. Строятся доверительные интервалы и вероятностные расчеты коэффициента Шарпа с учетом длины выборки, асимметрии и эксцесса; затем минимальная длительность истории и…

СтатистикаУправление рискамиБэктестинг
Machine Learning for Trading

В этом ноутбуке сравниваются три способа классификации предложений из финансовых новостей как положительных, нейтральных или отрицательных: признаки слов и пар слов TF-IDF с логистической регрессией, усредненные предварительно обученные векторы GloVe с…

Машинное обучениеНастроения рынкаСтатистика