知识库

本文介绍一项 CME 期货实验：使用参数高效的神经集成模型 TabM，处理与线性模型和梯度提升模型相同的工程化特征行和滚动折。TabM 在集成成员之间共享大部分权重，以较低的完整计算成本获得多个网络平均所带来的部分方差降低效果。不同配置采用不同模型容量；每个预先声明的训练检查点都会发布，供后续验证回测和基于夏普比率的选择使用。…

本笔记分析一项真实策略审计的留存结果，比较 LEAN 引擎与匹配的 ML4T 回测配置。它列出冻结输入所支持的资产类别工作负载，并报告成交、估值、估值时间戳、权益差异和期末价值方面的一致性证据。由于现有连续合约根价格缺少原生 LEAN 订阅所需的带日期合约链和展期映射，因此不纳入 CME 期货工作负载。…

本笔记构建日频股票和小时级加密货币永续期货的端到端流水线，涵盖数据获取、验证、来源标记和存储。股票示例将历史 WikiPrices 数据与较新的 Yahoo 数据源连接起来。由于不同供应商采用的拆股调整历史不同，它根据两个数据源共有日期估算价格缩放因子，将其应用于历史OHLC价格，并反向调整成交量，然后连接时间段不重叠的数据。笔记还统一了时间戳处理，并按供应商标记行，以便审计。…

本数据集指南介绍一组连续CME期货合约，涵盖股票指数、利率、能源、金属、货币、农产品和畜牧产品。指南说明小时级源数据及派生的日频数据、多个合约期限、产品配置和通过加载器筛选数据的方法。下载工作流按产品和年份划分文件，支持成本估算和试运行，并建议在请求数据前查看供应商收费。…

本文介绍两种用于期货收益的潜在因子方法。主成分分析找出能解释最多收益变化的不相关方向；神经随机贴现因子则寻找与预期收益横截面相关的组合，并可使用展期收益（carry）或波动率等产品特征。因此，两种方法回答的问题不同：一种关注广泛的共同变动，另一种关注可能被定价的收益结构；推断因子的经济含义仍需进一步解释。…

该笔记本介绍如何为选定的CME期货模型配置生成留出期预测。该配置依据验证结果选出，随后使用结束时间早于留出窗口的数据重新拟合。标签缓冲区将训练观测与评估期隔开，以避免前瞻标签结果延伸至留出期。笔记本还会使用窗口开始前估算并在整个窗口内保持固定的参数，为留出期重新生成模型特征。…

本指南介绍公开的CFTC交易者持仓报告，将其作为每周期货持仓数据来源。报告分为金融期货交易者报告和商品期货分类报告：前者按交易商、资产管理机构和杠杆资金等类别划分参与者；后者包含商业交易者、管理资金和掉期交易商等类别。产品级文件包含报告日期、未平仓合约量，以及交易者的多头、空头和净头寸。本文将持仓分析、z分数、反向信号和期货策略特征列为可能的用途，但没有提供经过测试的交易规则或表现证据。…

该笔记本从已登记的验证集回测中选择一个CME期货案例，涵盖信号规则、资产配置和风险叠加层。它在不同收益期限的候选方案之间进行比较，并选择验证夏普比率最高的配置。成本敏感性分析用于描述所选配置，不会增加候选池中的方案。规范运行会冻结候选成员，以便复现比较结果。…

本文介绍一项CME期货研究如何在验证数据上选定模型配置后，为留出期生成预测。系统从验证结果中恢复所选配置和检查点，然后仅使用留出期开始前可用的历史数据重新拟合模型。标签缓冲区可防止训练结果延伸至评估窗口，并重新计算留出期专属的资格条件和模型参数。已登记的训练身份可证明模型经过了新一轮拟合，而非重复使用在验证集上拟合的模型。…

本文介绍如何获取选定期货品种的每周CFTC交易者持仓报告数据，并将各品种的历史记录保存为Parquet文件。COT报告记录周二的持仓情况，并于周五发布；金融期货与大宗商品的交易者分类有所不同。生成的数据包括报告日期、未平仓合约数，以及多头、空头和净持仓，可用于期货研究流程中的持仓或情绪特征。…