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.
Документов: 855
Этот служебный модуль поддерживает рабочие процессы глубокого обучения для финансовых временных рядов по нескольким активам. Он разрешает псевдонимы наборов данных и загружает канонические данные тематического исследования, а затем создаёт последовательности…
В этом ноутбуке сравниваются две локально запущенные модели эмбеддингов с открытыми весами на фрагментах недавних отчётов 10-K и заданном наборе исследовательских финансовых запросов. Для каждого документа создаются фрагменты из двух предложений; обе модели…
В этом ноутбуке сравниваются три способа организовать четырёхэтапный процесс прогнозирования: прямая композиция в Python, версия CrewAI с ролевыми промптами и версия LangGraph, делегирующая задачи тем же специализированным классам, что и исходная реализация.…
В этом ноутбуке описан анализ двойного машинного обучения эффекта, связанного с воздействием импульса FX, с поправкой на заданные конфаундеры. Гибкие модели мешающих факторов оценивают результат и воздействие на основе этих конфаундеров; затем кросс-фиттинг…
В этом ноутбуке три линейные модели прогнозирования, кодировщик Transformer и два прогноза без параметров сравниваются на дневной доходности SPY. Линейные модели преобразуют историческое окно в многодневный прогноз; некоторые варианты сначала выделяют…
В этом ноутбуке настраивается запуск прогнозирования NLinear для пар FX. Модель использует фиксированное последовательное окно истории и вычитает последний наблюдавшийся уровень, направляя обучение на изменения за это окно. Окно истории, нормализация,…
В этом коде заданы меры защиты для воспроизводимой перекрёстной проверки, учёта допустимости наблюдений и временных признаков в пределах фолдов. Он нормализует границы фолдов, сравнивает запрошенные фолды с границами, использованными при создании временных…
В этом ноутбуке описаны диагностические проверки только на валидационной выборке для целевой переменной доходности опционов S&P 500 с дельта-хеджированием за 10 сессий. Финансовые предикторы разделены на группы, зависящие и не зависящие от подразумеваемой…
В этом ноутбуке прогноз будущей доходности ETF за 21 сессий преобразуется в бинарную задачу: положительная доходность обозначается как рост, вся остальная — как снижение. Обучается логистическая регрессия с регуляризацией L2 и L1 на хронологических…
В этом ноутбуке проверяется, может ли LSTM выявить временную структуру в истории признаков ETF, которую могут упускать модели с плоскими признаками. До обучения заявленная популяция последовательностей сверяется с доступными признаками, метками,…
В этом ноутбуке для поперечного набора фьючерсов CME строятся признаки на основе правил, прежде всего кэрри из спреда между ближайшими контрактами поставки. Также создаются признаки моментума, волатильности, формы кривой и календаря. В конструкции…
В ноутбуке показаны два последовательных монитора ошибок прогнозов на валидации для двух конфигураций линейной модели акций: детектор сдвига среднего по двум окнам и монитор частоты неудачных дней. Каждый детектор калибруется на начальном периоде, а затем…
В этом ноутбуке двойное машинное обучение (DML) применяется для оценки влияния моментума с пропуском недавнего периода на будущую доходность ETF; это причинный вопрос, отличный от прогнозирования доходности. Исход и воздействие моментума моделируются с…
В ноутбуке показана настройка LightGBM для прогноза доходности ETF с помощью сэмплера TPE из Optuna. Поиск охватывает структуру деревьев, параметры выборки и регуляризации; ранняя остановка выбирает число раундов бустинга, а пользовательский callback…
В этой главе представлен рабочий процесс исследования прогностических моделей для трейдинга, где стабильные прогнозы вне выборки могут быть важнее несмещённых оценок коэффициентов. Рассматриваются методы регуляризованной регрессии, такие как Ridge, LASSO и…
В этом ноутбуке данные об институциональных владениях 13F преобразуются в двудольный граф «институт — акция», из которого извлекаются исследовательские признаки: сходство совместного владения акциями, широта и концентрация владения, изменения раскрытых…
В этой записной книжке сравниваются полный перебор по сетке и байесовский семплер TPE из Optuna TPE для настройки модели LightGBM на задаче прогнозирования форвардной доходности ETF. Сначала обоим методам выделяется одинаковый бюджет испытаний на небольшой…
В этой главе исследование стратегии рассматривается как разработка и оценка исполнимого процесса принятия решений: от исходной экономической идеи до определения размера позиции, ограничений, издержек и тестирования в условиях, близких к реальной торговле.…
В этом ноутбуке на основе доходности базового актива строятся модельные признаки для исследования опционов S&P 500. Обучается модель GJR-GARCH, которая придаёт дополнительный вес отрицательным шокам доходности, а также модель стохастической волатильности, в…
В этом ноутбуке обучаются нейросети TabM для ранжирования ETF на той же плоской таблице признаков, что используется линейными моделями и моделями с бустингом. Участники ансамбля используют общую двухслойную основу, но имеют собственные векторы…
В этом ноутбуке представлена генеративная модель для финансовых рядов, сформированных по тикам, объёму или долларовым барам и имеющих неравномерные интервалы между наблюдениями; модель вдохновлена GT-GAN. В энкодере, генераторе, дискриминаторе и декодере…
В этом ноутбуке рассматривается безусловная генеративно-состязательная сеть Васерштейна GAN на основе сигнатур для генерации финансовых временных рядов. Она преобразует доходности в расширенные траектории, вычисляет усечённые сигнатуры траекторий и обучает…
В этом ноутбуке показана проверка дрейфа импульсных и технических признаков ETF в спокойные и стрессовые периоды, а также бессрочных криптовалютных фьючерсов с данными премиального индекса при разных режимах рынка. Сравнивается индекс стабильности популяции…
В этом ноутбуке TSMixer оценивается как глобальная модель последовательностей для панели ETF. Модель использует общие параметры для разных фондов, сохраняя историю и ковариаты каждого фонда; её слои смешивания обучаются временным зависимостям и связям внутри…