这里汇集了 Stratmill 研究智能体对 AI 智能体阅读过的书籍、论文、文章和代码所作的摘要与核心观点。每个页面都附有原文链接。
97 份文档
本笔记本比较股票和期货的佣金与滑点模型，然后考察佣金假设如何影响固定的 ETF 动量策略。它解释百分比、按股、最低、组合式和阶梯式佣金如何随着交易规模变化而产生不同成本。对于滑点，笔记本区分固定、基于价差、百分比、成交量敏感和期货专用模型，并强调必须正确解读其单位和单边计算惯例。 笔记本还比较免手续费和百分比手续费假设下的每日、每周和每月再平衡。图表显示，在该样本中，固定费用或最低费用对小额交易的影响更大；成交量占比滑点随参与度上升；更频繁的再平衡会增加总费用和费用导致的夏普比率差距。这些是使用指定 ETF…
本笔记本比较由固定 ETF 股票池构建的动量排名靠前投资组合采用每日、每周、每两周和每月再平衡的表现。它根据历史价格衡量换手率和毛风险调整表现，再将年化单边换手率乘以假设的双边交易成本，估算盈亏平衡阿尔法。成本情景包含价差、市场冲击和佣金。进一步的情景分析探讨：如果信号衰减足够缓慢，更快交易能否抵消较高成本。…
本文档定义一个每周运行的标普 500…
本文介绍一种教学性质的 Mamba 风格选择性状态空间模型，用动量特征序列预测 ETF 收益。与注意力机制和密集时间混合不同，状态空间模型会在序列中传递固定大小的状态，计算量随序列长度线性增长。Mamba 的选择机制让输入到状态、状态到输出的项以及步长都取决于当前输入，使模型能够自适应地决定保留哪些信息。步长控制先前状态的衰减程度，另一个独立门控则调节状态空间输出。实现中使用横截面排名 IC…
该笔记比较两种 Transformer 设计，使用八个滞后动量特征预测21日ETF收益。PatchTST 将连续多日分组成分块，减少注意力令牌数量并嵌入局部时间模式。iTransformer 将每个特征的历史序列视为一个令牌，使注意力机制能够关联不同变量，同时将时间顺序保留在各个令牌内部。两者使用相同的序列输入和按时间顺序划分的日期，并在边界处清除一段数据，以防未来收益标签跨入下一时期。评估报告截面秩相关性和平方误差，并将 Transformer…
该笔记评估四小时级现货FX数据能否支持一种日频截面策略：根据动量和套息为货币对排名，买入最强者并卖出最弱者。它不拟合模型，也不作预测，而是检查所选纽约换日决策时点是否有可用数据、标的范围是否包含足够的品种以建立仓位、典型价格变动能否超过假设的价差成本，以及开发历史数据是否足以支持滚动评估并保留留出集。…
该配置描述了一个覆盖20种FX货币对的日频多空策略。它设定在纽约收盘时决策、下一根柱执行、采用等权仓位，并根据动量或套息信号进行排名。配置还指定了价差和掉期点成本、再平衡阈值、候选投资组合规模、备选配置方法、交易成本情景，以及止损、移动止损和基于时间的退出。…
本笔记本介绍一个基于 Mamba 的教学用选择性状态空间模型，并评估其在 ETF 收益预测中的表现。与固定参数的状态空间模型不同，该模型根据当前输入计算输入到状态项、状态到输出项和步长。步长控制先前状态衰减的速度，另一个单独学习的门控则调节状态空间输出。笔记本对比模型的线性时间递推与二次复杂度的序列混合和注意力机制，并解释仿射更新如何支持并行结合式扫描。 此实现经过有意简化：它使用 Python…
本笔记本介绍一种扩展窗口双重机器学习分析，研究在控制 Beta、IdioVol、LME 和 Variance 后，12至-2个月动量能否预测美国公司下个月的收益（US）。干扰项模型使用更早的决策月份进行训练，各公司的数据在折分边界两侧保持归属一致，并设置隔离期以防止重叠结果进入测试期。最终的 2016 留出集被排除。分析在相同的折外观测上比较朴素 OLS 与 DML，并采用允许公司间及时间上存在依赖的 Driscoll-Kraay 推断来评估不确定性。…
这份数据集说明介绍了一组多元化的交易所交易基金，用于动量策略及更广泛的一系列金融研究示例。数据从 2006 年开始，提供每日开盘价、最高价、最低价、收盘价和成交量，涵盖 US 类股票风格与行业、国际市场和新兴市场、固定收益、大宗商品、特色主题及货币。本文还介绍数据集的来源、组织方式、元数据，以及按代码和日期范围选取数据的加载选项。…
本笔记将岭回归、Lasso 和弹性网模型应用于一组广泛且成熟的 US 股票特征，包括价值、盈利能力、投资、动量、规模、风险和流动性指标。分析使用滚动折评估原始月度收益、经横截面缩尾处理的收益目标以及收益分类标签。惩罚系数网格用于检验，在输入特征存在大量冗余时，系数收缩或特征筛选如何影响排名准确度。…
本教程将 ETF 横截面信号转化为仅做多、前十名等权组合，并将岭回归和逻辑分类与动量及等权基准进行比较。模型在滚动训练窗口中拟合，并针对前向收益标签设置缓冲期，随后每月调整组合。分析计算组合收益、换手率、毛收益和净收益指标以及信息系数，以展示信号排序质量与扣除交易成本后结果之间的关系。 交易成本按组合换手率对每一边分别计费。笔记解释了为什么反复更换持仓的主动策略可能比等权策略损失更多收益；等权策略通常只在恢复目标权重时交易。笔记还提醒，净夏普比率和 IC…
本文介绍 TSMixer 如何将股票近期的特征历史处理为按交易时段和特征排列的矩阵。其模块先沿时间维度混合各特征列中的信息，再在每个交易时段内跨特征混合信息。堆叠多个模块后，这些操作无需循环状态也能相互作用。本笔记在相同的 US 股票面板和前向滚动折上，将这一方法与 LSTM 和 NLinear 进行比较，因此重点是架构对比。 每个训练样本需要同一只股票连续 60 个交易时段；上市、停牌和退市都可能打断窗口，减少可用样本。每种配置训练 100…
本文构建一个日度特征面板，在纽约时间5 PM收盘时对二十种货币对进行排名。本文区分可用于排序的信号，例如标准化的多周期收益和通道位置，与波动率、回撤、振幅和广义美元代理指标等市场状态指标。部分特征还表示为同一日期内的百分位数，以比较不同货币对和日期的相对位置。…
本教程使用过去风险调整后的动量排名和美国国债收益率曲线市场状态筛选器，构建月度 ETF 轮动模拟器。每个月末，规则根据基金近期价格历史对十只基金排序；风险偏好月份等权持有排名前三的基金，风险规避月份则转为固定债券组合。信号使用收盘时可获得的信息，交易在下一交易时段开盘时成交，并明确纳入比例费用和现金约束。为作比较，固定的 60/40 股债组合也通过同一模拟器运行。…
本笔记介绍一种将标准化 ETF 数据加载、特征注册表和信号诊断结合起来的工作流。笔记展示如何查找指标元数据、使用默认值或显式参数计算特征，并保存配置以便重复执行流程。一个指标的多个周期可以分别计算后再合并。通过比较库中的 RSI 与手动指数平滑版本，笔记说明平滑方法等实现选择会产生不同数值。 诊断示例使用秩信息系数、t统计量和分位数组间收益差，评估动量特征与未来 ETF 收益的关系。笔记报告，该示例的横截面 IC…
本笔记使用真实ETF数据，评估动量信号在回看期、市场状态和实现方式的合理变化下是否仍然有用。它计算动量与未来收益之间的横截面信息系数，然后一次扫描一个回看期参数，以观察表现的响应面。稳健性以接近峰值的参数选择范围衡量，而非单一最佳结果的高度。HAC标准误处理序列相关性和重叠的未来收益标签。…
本笔记本比较同一个月度 ETF 动量策略的两种模拟。两者使用相同的目标权重、股票池、日期和总交易成本。一种根据滞后权重和资产收益计算收益；另一种按顺序处理订单，并跟踪成交、股数和现金。因此，结果差异揭示了执行假设的影响，例如目标何时生效、成交价格、整股限制和现金可用性。 笔记本建议使用同一套指标实现比较收益路径和期末财富，因为每日收益相关性相近可能掩盖复利差异，不同软件库也可能采用不同的统计计算方式。数组方法适用于快速参数扫描，顺序模拟则可表示依赖账户状态的决策。示例使用固定且人工选定的 ETF…
本笔记本使用双重机器学习（DML），估计连续型 ETF 动量指标对后续收益的调整后效应，并控制近期和长期波动率、市场状态及收益率曲线斜率。笔记本比较了未调整回归、EconML 和手动实现的 DML，并讨论干扰模型的选择如何影响估计值。因果解释依赖充分的处理前控制变量及其他识别假设；未观测冲击和模型设定错误仍可能造成偏差。 一个核心启示是，面板校正应依据决策日期，而不是展平后按 ETF 日期排列的行。滚动交叉验证折按唯一日期构建；Driscoll-Kraay…
本笔记区分收益预测与声称动量会导致收益这两种说法。它将股票过去一年的收益（不包括最近一个月）视为处理变量，将未来收益视为结果变量。近期波动率、流动性不足排名和成交量比率被设为潜在混杂因素。双重机器学习分别根据这些变量对结果和处理变量建模，然后通过将残差化后的结果对残差化后的处理变量进行回归来估计影响。两个干扰项模型都采用滚动方式拟合，并设置隔离期，以避免使用未来信息。…
本笔记检验学习得到的图嵌入是否能为 US 股票的表格模型增加预测信息。它基于目标期之前测得的绝对收益相关性构建网络，并利用同一段目标期前历史构造动量、波动率和趋势特征，以预测后续股票收益。比较过程中，每个交叉验证折内都会训练一个图注意力自编码器，随后在相同的留出股票上评估包含和不包含图派生特征的岭回归模型。…
本笔记诊断一个固定的仅做多 ETF 动量基准在 2010 至 2024 年不同市场环境下的表现。它使用每日收益发生前已知的波动率和趋势指标为收益标记状态，并以扩展历史中位数定义高低状态。收益率曲线利差也决定该基准持有选定的动量 ETF，还是防御性债券组合。随后，笔记按波动率与趋势的四种组合划分收益和风险指标，报告各组观测数，并使用可加总的对数收益将峰谷损失归因至不同状态。…
本笔记介绍 TSMixer，这是一种交替执行两种操作的时间序列神经网络：针对每个特征，在回看期内各日之间应用共享线性映射；以及在每天独立应用共享特征 MLP。残差连接和预归一化为网络层提供支持，小型输出头则调整架构以预测一个横截面收益。本笔记强调，张量轴的排列方式决定每层组合哪些值，并将模型的参数成本与作用于展平窗口的全连接层进行比较。 示例使用 ETF…
本笔记定义用于对 US 股票进行排名的前向收益目标，并说明如何使其期限对应实际交易日。收益计算使用经拆股和股息调整的价格，但判断股票是否可交易时使用同期未调整收盘价和美元成交额。每行的未来价格均按市场日历查询；对于窗口不完整的行，会明确记录失败原因。可交易性筛选在标签构建后执行，因此移除的观测不会改变保留观测的收益期限。…