知识库

本文介绍一种神经策略网络的架构，它将资产级时间序列和上下文映射为有界的组合风险权重。其逐资产主干网络结合了上下文嵌入、特征级调制、变量选择、LSTM和因果时间注意力。随后，网络通过滞后横截面注意力处理资产之间的关系，也可以选择使用受宏观经济邻接图限制的注意力。…

本笔记比较领先标普500股票信号配置的组合规模确定方法。首先依据验证夏普比率，为每种配置选出覆盖完整的最佳检查点；随后将多种配置方法——包括分数加权、保形加权、波动率倒数加权、风险平价、均值—方差优化和层级风险平价——应用于相同预测。笔记还改变每次再平衡时持有的股票数量，并将结果与信号阶段的等权基线进行比较。…

本笔记介绍一项US公司特征研究中的留出集预测阶段。流程采用根据验证结果选定的模型配置，重建其训练规格和检查点，然后使用截至留出窗口之前的数据重新拟合。新的训练标识使重新拟合过程可审计；窗口和标签缓冲区则根据研究设置推导，以降低训练结果与评估期重叠的风险。…

本笔记介绍一项扩展窗口双重机器学习分析，考察在调整贝塔、特质波动率、市值和方差后，12至-2个月动量是否能预测下月US公司的收益。分析使用较早月份拟合辅助模型，在训练期与测试期之间设置禁入期，并排除最后的2016留出集。在相同的折外观测值上，将调整后的估计与朴素OLS进行比较，并使用 Driscoll-Kraay 推断处理时间和公司间的依赖。…

本笔记介绍从SEC 8-K 文件提取结构化公司事件并将其载入 Neo4j 知识图谱的流程。语言模型分批处理文件，生成包含主体、关系、客体和时间戳的事件记录。工作流程使用明确的事件与关系模式，验证模型输出并规范实体格式；对不受支持的关系、日期或类别则保持未决，供人工审查。…

本笔记比较 Optuna 在公司特征数据集上对 XGBoost、LightGBM 和 CatBoost 进行的超参数搜索。每个库都有独立的搜索研究，使用树结构 Parzen 估计器、中位数剪枝、早停和持久化研究存储。均方误差与平均绝对误差的选择被纳入类别型超参数，验证表现则使用平均横截面信息系数衡量。…

本笔记使用双重机器学习，考察调整已观测混杂因素后，隐含波动率减去实现波动率的价差是否与后续股票收益相关。分析将实现波动率、股票动量和风险反转偏度列为相关控制变量，并在相同的交叉拟合观测值上，将调整后的估计与朴素普通最小二乘法进行比较。分析还使用区块置换反驳检验和考虑面板结构的不确定性估计。…

本演示检查一个双移动平均线交叉策略实现，是否能在回测引擎和实盘引擎中产生一致信号。两个引擎接收相同的预处理ETF柱线，并使用相同的策略参数和成交约定，因此比较聚焦于引擎行为差异。短期均线高于长期均线且尚无多头仓位时，策略买入；持有资产时，均线反向交叉后卖出。…

本分析根据ITCH的新增、删除、部分撤单、替换和成交消息，重建单笔NASDAQ限价订单。分析使用精确时间戳和对数缩放的存续期分布，测量订单是否被撤销或成交，以及经过多长时间发生这些事件。方法区分仍在交易簿中的订单与已经成交或修改的订单，并将单个代码的生命周期分析与更广泛的消息计数分开。…

本笔记使用公开发布的公司特征，为个别US股票拟合岭回归、套索回归和弹性网络模型。特征涵盖价值、盈利能力、投资、规模、动量、反转、风险和流动性。滚动折分让不同配置具有可比性，惩罚系数扫描则考察正则化如何改变拟合预测。笔记使用原始月度收益、缩尾后的月度收益和分类目标，探索目标选择对结果的影响。…

本案例研究使用梯度提升树拟合ETF收益标签，并与在强岭正则化下表现良好的线性基准进行比较。文中解释了树模型为何能发现交互作用，例如动量在不同市场压力状态下表现不同；而贪心划分可能在相关特征中任意选择，岭回归则能组合这些特征。网格改变树模型容量和损失函数，并在训练期间的多个检查点评估每种配置。…

这项探索性分析介绍历史US股票面板，说明其原始价格和复权价格字段，并考察股票代码覆盖范围随时间的变化。分析比较各年活跃代码数量与首次、最后观测值，说明要判断数据集能否用于历史测试，为什么必须同时了解成分进入和退出情况。该面板已停用且由社区维护，其数据来源对于解读覆盖情况至关重要。…

本笔记使用 GJR-GARCH 模型，为一项标普 500 股票与期权研究构建条件波动率特征。与依据历史价格制定的固定规则不同，拟合特征取决于其估计窗口。因此，方法明确规定重新拟合计划，仅用较早的观测值估计参数，并输出能够通过时间安排和折分身份保留其生成信息集的数值。递归初始化和边界也固定在估计窗口内，以防后续数据影响较早的特征值。…

本分析笔记说明如何利用注册表结果而非重新回测，评估基于公司特征构建的US股票策略。笔记读取考虑不确定性的绩效统计，在共同支持范围内对配置排序，并通过配对比较评估选定策略相对于等权基准的表现。根据选定验证运行的完整规格确定留出集选择，避免依据留出集结果进行选择。…

本文介绍金融数据集的数据清理方法，并说明如何让预处理与训练集和测试集的划分保持一致。核心要点是仅用训练数据估计缩放和缩尾等变换；使用完整数据集可能会将未来观测的信息泄漏到模型开发中。文中介绍了可复用的操作，包括处理重复项、应用领域筛选条件、标记缺口、检测反转尖峰、截断异常值、编码类别数据，以及对齐不同频率的数据集。…

本文介绍在组合计划再平衡前平仓的三种规则：固定止损、根据仓位最佳价格衡量的移动止损，以及在设定持有期后平仓的时间退出。由于这些覆盖规则只会移除仓位，因此可能减少亏损或截断收益，改变收益分布，而非增加风险敞口。时间退出是一个不依赖价格的控制项，用于评估持有时长是否重要。…

本文介绍公开的 Fama-French 和 AQR 因子收益数据集，说明其在基准比较、风险归因和因子研究中的用途。文中介绍 Fama-French 数据库中的市场、规模、价值、盈利能力、投资和动量因子，以及涵盖质量、低贝塔和替代价值概念的 AQR 序列。数据支持月度频率；加载工具也支持日度 Fama-French 数据和日期范围筛选。 工作流程涵盖下载和缓存数据集、加载与分析数据概况，以及根据月度收益计算年化均值、波动率和夏普率。文中所述 Fama-French 数据覆盖始于 1926，而 AQR…

本笔记本将机构 13F 披露转化为连接管理机构与股票的二部图，再提取股票层面的持仓特征。它汇总重复的机构—股票仓位，统一发行人标签，排除期权记录，并使用完整报告季度，避免将缺失申报误判为退出。申报日期决定完整的所选管理机构快照何时可得，从而支持按时点研究。…

本笔记展示了离线机器学习流程与 QuantConnect 的 LEAN 引擎之间的部署边界。它通过 ETF 案例研究注册表选择一组预测结果，核验训练和预测的来源信息，并将样本外留出集预测导出为平台可读取的 JSON 结构。平台算法根据这些评分应用投资组合规则，无需复现模型推理流程。冻结预测结果还可让研究人员在不重新训练的情况下测试阈值、持仓限制和再平衡规则。…

本笔记本介绍路径签名，即保留时间序列观测顺序和联合形态的定长特征。它说明一级签名记录总变化量，而二级项则捕捉坐标对之间的有符号面积。将时间加入路径坐标，可以区分总收益相同但价格路径不同的序列；加入成交量则能构造同时描述价格与成交量变化的特征。笔记本建议使用对数签名以减少冗余特征，并说明增加深度会扩大特征数量。 示例分析从 ETF 窗口构建标准化的价格、成交量和时间路径，再使用固定学习器，在多个资产上比较签名特征与手工构造的形态特征。结果是比较，不是预测价值的证明。笔记本提醒，样本仅覆盖少数相关…

本笔记报告了在选定的真实案例策略上，对 Backtrader、Zipline Reloaded 和内部交易框架进行的对齐比较。内容包括两种外部引擎的 ETF 和 US 股票面板比较，以及 Backtrader 的 CME 期货和以 USD 计价的 FX 比较。审计以美分精度检查成交价格和数量、估值时间戳及账户价值。对于不支持的资产模型，笔记会列出而不会将其算作成功比较；本次审计也未将任一引擎视为原生支持加密货币永续合约资金费率。…

该模块定义一种月度 ETF 配置基准，使用风险调整后的动量得分：过去的累计收益除以年化已实现波动率。当 10 年期减 2 年期收益率曲线斜率超过阈值时，模块选择排名最高的资产；否则在综合债券和长期美国国债之间进行防御性配置。资产范围还包括广泛市场股票、国际市场、房地产、黄金和大宗商品基金。等权、波动率倒数加权和静态股债投资组合作为比较基准。…

本笔记本将机构 13F 持仓转化为连接管理机构与股票的图谱，包含行业关系和持仓边，记录股数、价值、报告期及公开申报日期。它演示查询共同持仓和多步关系，并使用杰卡德相似度比较各机构持仓。证券标识符为 CUSIP，可避免将发行人名称的不同写法误当成不同股票。资产范围依据初始报告期选定，以防后续持仓改变较早时期的样本成员。…

本笔记本评估 57 个会计和价格类特征，检验它们各自对下个月 US 股票收益的预测作用。它计算每月截面秩相关，取其时间平均值，并针对序列依赖和多候选项检验调整不确定性。它还检查关联是否在滚动训练和验证期内持续存在，并依据效应大小、一致性、显著性和冗余，为每个特征作出单独判断。…