知识库

本配置说明阐释了在三分类标签的L1逻辑回归中选择 saga 求解器和更严格收敛容差的原因。文中对比 saga 与 liblinear，引用了 Nasdaq 微观结构面板上的运行时间测量，以及报告的样本外对数损失和准确率。在已测运行中，saga 在速度和这些预测指标上均占优，但作者指出全量面板的运行时间仍不确定。…

本笔记研究一种监督式自编码器，根据公司特征预测未来收益。它保留了狭窄的神经网络瓶颈，但去除了相关模型采用的条件因子解释和定价约束。网络将特征直接映射到收益，先通过指定数量的单元压缩输入，再生成预测。 本笔记在滚动前向交叉验证折上拟合指定的收益和收益分类标签。在每个训练检查点生成验证集预测，随后报告信息系数诊断，以比较不同检查点和标签。它将该模型作为具有相同瓶颈的条件自编码器的对照，因此比较可以显示加入因子结构的作用。本笔记不选择模型：后续回测阶段会使用验证集夏普值进行选择。…

这个共享工具模块支持使用时间序列双重机器学习（DML）对交易数据进行因果分析。文档列出的工具包括带有隔离期的滚动估计、干扰模型和证伪检查。区块置换能在安慰剂检验中保留局部时间依赖；面板置换则按实体和观测时间网格中的间隙分段，避免区块跨越不连续处。工具还会测量实际观测频率，以便将标签间隔缓冲换算为适当的隔离期，并提醒固定 bar 周期假设可能造成误导性间隙。 实现会记录配置和运行来源信息，以便复现和比较运行结果。某次版本变更将证伪检验从原始效应切换为 HAC t…

本笔记本将预训练 FinBERT 应用于 FinMarBa 的财经标题，并分析其准确率为何远低于其在 Financial PhraseBank 评估中报告的数值。核心诊断在于标签来源：PhraseBank 标签反映标注者对句子情绪的判断，而 FinMarBa 标签编码了文中提及的股票随后价格走势。因此，类别名称相同并不意味着两个数据集测量的是同一任务。 笔记本将准确率与多数类基准进行比较，报告宏平均…

本笔记本使用 NASDAQ-100 微观结构特征训练长短期记忆网络，以预测多个分钟级期限的远期收益。与展平后的线性模型不同，LSTM 按序处理每个观测，并学习保留多少过去信息。模型使用一分钟数据的后向窗口，并在不同股票和交叉验证折之间重置隐藏状态；每个窗口必须始终属于同一代码，且只使用预测时点可获得的信息。…

本笔记本构建 N-BEATS，这是一种全连接神经预测架构，可处理整个输入窗口并预测未来走势。其可解释变体对各模块施加约束，使其通过多项式趋势基和傅里叶季节性基表达成分。残差回推使堆叠模块能够逐步解释输入的不同部分。笔记本将受约束和不受约束的版本拟合到 SPY 收盘价，绘制命名成分，并将其预测误差与重复最新价格的持续性预测进行比较。…

本文介绍一类公司收益模型，它们假设少数未观测到的共同因子可以解释大部分横截面差异。这些模型不直接根据特征预测收益，而是根据特征推断各公司的因子敞口，再将这些敞口与估算的因子收益结合起来。核心约束有助于提高统计处理的可行性；但如果少数因子无法充分描述横截面，残差收益可能占主导，直接预测器的表现也可能更好。 这一模型族包括线性和神经网络敞口映射、直接为横截面定价的模型，以及保留瓶颈层并预测收益的监督式自编码器。笔记说明了哪些比较最有信息量，以及为什么当公司标识符无法贯穿整个样本时，普通 PCA…

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。…

本笔记将 PatchTST 作为标普 500 期权序列模型集合中的一员进行拟合。PatchTST 将回看窗口划分为固定大小的片段，将其嵌入为词元，并通过注意力学习历史不同部分之间的关系。笔记将它与 LSTM 进行对比；后者按顺序处理各交易时段并传递状态。注意力机制可以直接连接窗口中的远距离部分并并行处理整个窗口，但它依赖学习得到的位置信息，且参数更多。…

本笔记汇总多个交易案例研究中的 LightGBM 结果，并与线性模型和 TabM 基线进行比较。它考察每个案例研究中 IC 最高的 IC 配置，报告异方差和自相关一致的区间，并分析损失函数、树深度和提升检查点与验证表现之间的关系。其他视图会比较标签期限、分类与回归指标、特征重要性排名，以及覆盖范围相符的模型家族结果。 证据来自已登记的实验网格和折级预测；比较仅限于覆盖相同折和日期的配置。本笔记会明确显示缺失或不匹配的覆盖范围，而不会用无关结果替代。结论主要是描述性的：按验证 IC…

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。…

本文介绍一项标普 500 期权研究中的 LSTM 序列模型。不同于依赖人工构造特征概括标的历史的横截面模型，LSTM 接收按时间排序的窗口，并学习序列中哪些部分重要。它的门控机制会在回看区间中传递信息，但额外的灵活性也增加了拟合噪声的风险，尤其是在期权数据集有限时。采用该模型是为了检验序列顺序是否能提供基于特征的梯度提升模型之外的信息，而非预设深度学习必然胜过后者。 训练流程通过统一预设固定架构、遵守时间折边界，并按既定计划发布检查点，以便在后续阶段选模。由于 CPU 和 GPU…

本笔记使用拆分保形预测，为梯度提升预测构建区间。模型在较早的训练片段上拟合，在较晚的校准片段上测量绝对残差，并使用有限样本次序统计量设定区间宽度。校准数据按时间顺序划分，并通过与标签期限相关的隔离期与训练数据分开，以处理前瞻目标造成的信息泄漏。研究比较了 ETF、加密货币和期货数据上的区间覆盖率与宽度，涵盖分位数回归、保形化分位数回归和自适应保形推断。…

本笔记介绍将财经标题转化为个股信号的流程。它会清理并规范新闻语料，在股票代码与日期分组内去除完全重复及前缀匹配的重复项，并使用句子嵌入表示标题含义。新闻意外度衡量某日嵌入与近期基准的偏离程度；情绪特征则反映平均情绪极性及分歧程度。笔记还将意外度与情绪方向结合，按股票代码和日期汇总观测，并通过信息系数和收益分组评估信号与未来收益的关系。…

本笔记说明如何在通过验证结果选定 FX 策略配置后生成留出集预测。它会在获准且保持偿付能力的候选项中，选定验证回测夏普比率最高的一项，然后根据所选标签的观测时间线构建留出区间。训练会在留出集之前预留一段标签缓冲区，避免训练结果延伸至评估期。笔记根据验证规格重建模型请求，在保留所选配置和检查点的同时调整折的几何结构。…

本笔记在模拟加密货币交易环境中比较 DQN、PPO 与 A2C。它根据比特币永续期货小时收益校准 GARCH(1,1) 波动过程，再模拟保留波动聚集特征、但收益方向仍不可预测的路径。每个智能体获得相同的训练预算，并在相同的留出回合随机种子上接受评估。环境会延迟奖励，使某项操作获得下一步的收益；每当仓位改变时，环境都会收取成本。…

本笔记构建了一个在网页搜索和概率预测之间交替工作的预测智能体。一个精简的双方法语言模型接口，让同一循环可以使用模拟、本地或商业服务商。智能体接收一个预测市场问题，并可发出两种 JSON 操作之一：搜索证据，或说明一个概率并给出理由。步骤预算会限制运行过程；在调用任何工具之前，格式错误或未知的操作都会被记录并送回以便修正。…

本笔记展示一种只读问答流程，其机构持仓图谱基于 13F 文件构建。该流程不从自然语言生成数据库查询，而是将明确支持的问题路由到手写且实体固定的 Cypher 模板。模板用于检索持有人、持有两只相同证券的机构，或某机构持仓最大的证券。数据生产方提供的快照包含最新可用的申报日期；查询会按公开可用性筛选并选取最近的报告期，从而将这两个时间概念区分开来。…

本笔记介绍一种用于标普 500 股票和期权研究的分块变换器，用于序列预测。它将时间窗口划分为连续数据块，并将每块表示为一个词元，使注意力机制能够直接比较窗口中相距较远的部分，同时处理更短的序列。块大小决定分辨率取舍：较大的数据块可缩短序列，但会在注意力机制逐个检查观测值之前将更多观测组合起来。…

本笔记介绍用于动态 US 股票面板的工具变量主成分分析（IPCA）。传统 PCA 为每只股票分配拟合载荷，无法自然覆盖训练样本中缺失的股票，而且公司特征发生变化时，载荷仍保持固定。IPCA 则估计从可观测特征到因子载荷的共享映射，因此可以为未见过的股票计算载荷，并在特征变化时更新载荷。 本笔记在滚动各折的训练行上拟合模型，并使用相同的面板和因子数量与 PCA…

本章将强化学习定位为一种序列控制工具，并将其与监督式预测区分开来。重点是行动会影响后续结果且奖励相对具体的任务：交易执行、做市和衍生品对冲。内容还讨论如何将这些问题映射为部分可观测决策过程、如何在基于价值的方法和演员评论家方法之间选择，以及如何将学习策略与既有执行计划或对冲基准进行比较。 案例研究包括模拟执行比较、加密货币永续期货重放、考虑库存风险的报价，以及计入交易成本的对冲。研究强调配对路径、行动分布、损益分布和风险指标可作为有用的评估证据；本章概述并未广泛证明 RL…

这份 ETF 特征笔记说明，即使统计模型的公式只使用过去观测，其估计参数仍可能泄漏未来信息。解决方法是采用滚动重拟合计划：设置初始预热期，在每个重拟合时点使用截至当时可用的数据拟合，然后生成后续特征值，直到下一个重拟合时点。该方法用于市场状态分析，包括隐马尔可夫模型、经分数阶差分处理的参考 ETF 价格，以及各 ETF 的 GARCH(1,1) 条件波动率。…

本笔记研究梯度提升在 US 股票面板上的表现，针对三个未来收益期限改变树容量、目标函数和训练检查点。笔记说明浅树如何学习特征交互，同时指出提高容量也会增加拟合噪声的风险。平方误差、绝对误差和 Huber 损失对厚尾收益观测的处理各不相同；秩信息系数（IC）奖励排序，而非收益幅度的预测准确度。对多个检查点评分会将每个检查点视为独立候选项，并揭示随着树数量增加表现是否发生变化。 本笔记报告验证折 IC 和预测覆盖率，但不选择交易策略；策略选择留待后续根据夏普进行回测。IC…