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
В документе представлена учебная селективная модель пространства состояний в стиле Mamba для прогнозирования доходности ETF по последовательностям признаков импульса. В отличие от внимания и плотного временного смешивания, модель пространства состояний…
В документе описан условный автоэнкодер, моделирующий экспозиции компаний к скрытым факторам доходности как нелинейную функцию характеристик компаний. Подобно IPCA, он оценивает факторную структуру, в которой прогнозируемая доходность складывается из…
В документе описана нейросеть TabM для ранжирования ETF по табличным признакам. Общая двухслойная базовая сеть передает данные нескольким компонентам ансамбля; у каждого есть собственный обучаемый вектор масштабирования и выходной слой. Усреднение прогнозов…
В обзоре главы объясняется, как градиентный бустинг на деревьях развивает идеи деревьев решений и случайных лесов для прогнозирования по табличным финансовым данным. Бустинг последовательно добавляет модели, исправляющие предыдущие ошибки, что помогает…
В документе описан ежемесячный набор данных по акциям US, предназначенный для исследований машинного обучения в области оценки активов. В него входят 94 характеристик компаний, преобразованных в ранги, в том числе бухгалтерские показатели и технические…
В ноутбуке представлена опубликованная панель данных для исследований машинного обучения на акциях US. Она содержит ежемесячные наблюдения за несколько десятилетий: 46 характеристик компаний и избыточную доходность за следующий месяц. Характеристики…
В этой главе объясняется, как создавать и применять финансовые графы знаний, когда для ответа важны связи, например владение активами, цепочки поставок или распространение кризиса. Рассматриваются идентификация сущностей, схемы типизированных связей,…
В этой записной книжке сравниваются две архитектуры Transformer для прогнозирования доходности 21-дневных ETF по восьми признакам предшествующего импульса. PatchTST объединяет последовательные дни в патчи, сокращая число токенов внимания и кодируя локальные…
В документе дробное дифференцирование рассматривается как способ сделать ценовой ряд более стационарным, сохранив часть информации об уровне. Выводятся веса лагов из биномиального разложения дробной разности и показывается, как отсечение малых весов задает…
В этом ноутбуке сравниваются квадратичная ошибка, абсолютная ошибка и функция потерь Хьюбера для моделей градиентного бустинга, прогнозирующих доходность коротких стреддлов «при деньгах». Прибыль целевой позиции ограничена, а потенциальные убытки могут быть…
В реализации описана нейросетевая модель стохастического дисконт-фактора и состязательная сеть моментов для проверки соотношений оценки активов. Сеть SDF преобразует характеристики активов, при необходимости объединённые с представлением макроэкономического…
Этот адаптер модели применяет PatchTST — архитектуру Transformer для долгосрочного прогнозирования временных рядов — к скалярной регрессии. Он принимает последовательности, упорядоченные по времени и признакам, перестраивает их для базовой модели и сводит…
В тетради сравниваются бэггинг случайного леса, XGBoost, LightGBM и CatBoost при прогнозировании доходности акций по анонимизированным характеристикам компаний. Используются заранее заданные временные обучающая, валидационная и тестовая выборки; в качестве…
В тетради исполнение родительского ордера рассматривается как задача управления с конечным горизонтом. Табличный агент Q-learning выбирает множитель для интенсивности торговли на основе VWAP, учитывая оставшееся время, остаток позиции и режимы спреда и…
В тетради каждое окно доходности рассматривается как эмпирическое распределение, а окна кластеризуются по одномерному расстоянию Васерштейна. Для выборок одинакового размера сортировка даёт оптимальное сопоставление квантилей; поэтому расстояние отражает…
Обзор главы описывает этапы исследования от проверенных рыночных данных до оценки модели. Рассматриваются предобработка с учётом разбиений, кодирование и обработка пропусков, а затем построение целевых значений с учётом исполнения, в том числе меток с…
В документе описан общий процесс обучения временных свёрточных сетей на дневных данных пар FX. Модель получает последовательность фиксированной длины; если ожидаемое наблюдение за день отсутствует, любое окно, пересекающее этот разрыв, исключается.…
В этой тетради объясняется учебная селективная модель пространства состояний на основе Mamba и оценивается её применение для прогнозирования доходности ETF. В отличие от модели пространства состояний с фиксированными параметрами, она выводит слагаемые…
Эта утилита строит булеву матрицу смежности активов по меткам групп и необязательным связям между группами. Активы одной макрогруппы связываются друг с другом, а каждая заданная связь между группами соединяет всех участников обеих групп в обоих направлениях.…
В этой тетради создаётся конвейер поиска по выдержкам из корпоративных отчётов 10-K. Загружается стабильный набор отчётов, текст разбивается на окна предложений, для них создаются локальные эмбеддинги, а фрагменты индексируются в векторной базе данных.…
В этой заметке о настройке объясняется, почему в трёхклассовой логистической регрессии со штрафом L1 используется SAGA с явно ужесточённым допуском. Сравниваются SAGA и liblinear на панели прогнозирования микроструктуры Nasdaq 100: в измеренных запусках SAGA…
В записной книжке подписи путей представлены как признаки фиксированной длины, сохраняющие порядок и совместную геометрию наблюдений в окне временного ряда. Первый уровень фиксирует общее изменение каждой координаты; второй — знаковую площадь между парами…
В этой записке описан анализ методом двойного машинного обучения с расширяющимся окном: проверяется, предсказывает ли моментум за период от 12 до -2 месяцев доходность акций компаний US за следующий месяц при учёте Beta, IdioVol, LME и Variance.…
В записной книжке строится N-BEATS для прогноза цен закрытия SPY. Полносвязные блоки обрабатывают целое окно истории; каждый формирует обратный прогноз, который вычитается перед следующим блоком, и прогноз на будущий горизонт. Ограниченные блоки используют…