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: 1,354
В этом ноутбуке рассматривается, как объединять несколько вероятностных прогнозов. Простое усреднение представлено как базовый вариант, а экстремизация Неймана объясняется как способ сместить среднее панели дальше от базовой частоты с учётом числа…
В обзоре описано семейство моделей для прогнозирования доходности по характеристикам компаний. Вместо того чтобы напрямую использовать каждую характеристику для прогноза доходности, модели предполагают, что доходность определяется небольшим числом…
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 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 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 ноутбуке анализируется портфель биржевых фондов акций с помощью регрессий CAPM и факторов Фама—Френча, а затем рассматриваются меняющиеся во времени экспозиции, атрибуция доходности и зависимость остатков. Используются согласованные дневные доходности и…
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 ноутбуке оценивается, позволяют ли четырехчасовые спотовые данные FX реализовать дневную кросс-секционную стратегию, которая ранжирует валютные пары по импульсу и кэрри, покупает сильнейшие и продает слабейшие. Модель не обучается и прогнозы не строятся.…
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 документе описан процессор парных сравнений результатов на разных этапах отбора стратегий. Сравниваются отобранные сигналы с эталонами с равными весами, выборки отложенного периода с валидационными, а также переходы между этапами распределения капитала,…
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 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 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 документе описан двухэтапный метод извлечения исходных наблюдений для исследования опционных стрэддлов S&P 500. Сначала отбираются кандидаты на покупку колла и пута около цены исполнения на основе дней до экспирации, абсолютной дельты, сходимости…
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…