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。
961 份文档
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…
本笔记介绍如何在根据验证结果选定加密货币永续合约资金费率策略配置后，生成留出期预测。它确定符合条件且夏普最高的验证回测，沿用模型系列、标签、检查点和策略配置，然后建立新的训练规格，确保数据在留出期开始前结束。标签缓冲期会考虑未来收益期限，以避免训练结果延伸至评估期。登记系统会记录重新拟合及其预测；训练标识的变化则表明没有直接重复使用在验证集上拟合的模型。…
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…
本案例研究利用 30 日平值跨式期权和标的价格数据，构建用于比较标普 500 股票方差风险溢价的特征。它在多个期限上比较隐含波动率与已实现波动率，加入期权市场成本和风险指标，并对选定数值进行横截面排序，使策略能够比较同日有报价的标的。一个关键的数据处理规则是在市场交易日历上计算滚动窗口，而不是在稀疏的跨式期权报价行上计算，从而让回看期始终对应一致的交易日数。…
本案例研究说明，在根据验证数据确定模型和策略选择后，如何生成留出期预测。它读取先前选定的配置，重建其训练规范，并仅使用留出期开始前可用的数据重新拟合。由于标签代表未来收益，训练区间会在评估窗口前至少一个完整标签期限处结束，以防该窗口内的结果进入模型拟合。…
本笔记构建了一个 LSTM 配置器，将近期 ETF 收益和波动率特征直接映射为仅做多的投资组合权重。Softmax 输出确保权重非负且总仓位为满仓；可微的夏普比率目标函数则在不经过单独收益预测阶段的情况下训练网络。实验采用滚动训练、验证和测试划分，并将学习得到的配置与等权和逆波动率基准进行比较。…
本笔记介绍 EdgarTools，用于按公司和文件类型浏览 SEC 文件。它展示了如何使用稳定的 CIK 标识符查找发行人、获取年度和季度报告、提取 XBRL 财务报表，以及查看内幕人士 Form 4 和机构 Form 13F 数据。它还介绍如何搜索更广泛的文件索引，以及访问申报文本和附件。 回测时，关键时间规则是以申报日期作为信息公开的时间点，而非会计期间结束日期。笔记还提醒，公司自行选定的报表标签各不相同；Form 4 交易代码很重要，因为披露的大量活动属于薪酬；13F…
本笔记介绍一种 LSTM 序列模型，用于根据近期特征的有序窗口预测股票收益。每个样本使用一只股票连续 60 个交易日的数据；跨越上市间断、停牌或其他中断的窗口会被排除，以免将不连续误认为日度变化。模型会在每个交易日传递隐藏状态，并通过门控机制控制哪些信息进入、保留或输出。模型包含两层循环层，隐藏状态维度为 64，并在 100 个训练轮次的安排中每五轮保存一次训练检查点。…
本分析检查日度期权数据是否支持一种周度策略：卖出标普 500 成分股的平值跨式期权，对股票进行 Delta 对冲，并持有合约至到期。文中解释看涨期权和看跌期权如何构成跨式组合、隐含波动率和实现波动率如何关联方差风险溢价，以及为何应将交易成本表示为头寸所获权利金的占比。 检查内容包括交易日期的期权可用性、报价价差、相对于成本的价格变动、波动率差距的持续性，以及滚动验证折是否给结果留出足够时间以供结算。报告结果包括：成本最低的五分之一股票单边成本为…
本参考资料汇总了 35 种 CME 期货产品的挂牌合约月份，涵盖股票指数、美国国债、能源、金属、货币、利率、农产品、畜牧产品和加密货币。资料介绍交易所的月份代码体系，并区分按月、按季度以及特定产品每两个月挂牌的安排。表格列出了典型挂牌模式，包括股票指数和主要美国国债合约的季度周期、能源产品的月度合约，以及农产品和畜牧市场按作物或交割安排的周期。…
本文档介绍一个流程，用于下载 Binance 官方 USD-M 永续合约资金费率记录、进行标准化，并缓存到列式文件中。流程会并行获取指定标的和日期范围的月度存档，将记录转换为 UTC 时间戳，统一结算字段，按标的和时间去重，并在保存前检查缺失值或无效值。加载器支持按需筛选标的和日期。…
本笔记将共享权重的神经网络集成模型 TabM 应用于 US 股票面板，其中每只股票在每个交易日对应一行特征。一个共享的双层主干网络为多个成员提供输入，每个成员都有自己的缩放向量和输出层；对其预测取平均，能够以低于训练同等数量独立网络的成本增加集成成员。与线性模型不同，非线性网络可以组合相关输入并表示交互，同时避免树集成模型逐次划分特征所作出的选择。 三种配置同时增加隐藏层宽度和成员数量，因此比较结果衡量的是整体容量，无法单独识别任一设置的影响。每种配置训练 200 个轮次，每隔 25…
本分析从冻结的加密货币永续期货候选池中选出一个配置，候选池涵盖四种预测标签和多个策略阶段。它选择验证期夏普比率最高的配置，并将标签、数据划分和执行细节纳入可比候选项的定义。随后，笔记区分所选收益序列本身的不确定性与搜索众多候选项造成的不确定性：区块自助法区间估计抽样变异，夏普比率去膨胀变体则校正候选池的选择效应。笔记还报告了达到传统统计显著性所需的期间数，并将资金费率收益与佣金和滑点区分开来。…
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。…
本笔记比较加密货币永续合约的梯度提升配置，所用特征围绕永续合约相对现货的溢价构建。它调整树的容量和损失函数，包括平方损失、绝对损失和 Huber 损失，并记录每次提升运行中多个时点的预测结果。候选配置按标签分别比较，收益目标和方向目标作为不同任务处理。基于排名的信息系数描述预测排序能力；配置则由后续验证回测使用夏普比率选出，而非由本次模型比较选出。 文档强调搜索规模会影响结果解读：网格包含 400…
本笔记为加密货币永续期货开发基于模型的特征：使用 GJR-GARCH 预测各资产的条件波动率，并用基于资金费率结算数据拟合的双状态高斯隐马尔可夫模型估计全市场处于压力状态的概率。与直接根据历史K线计算的算术特征不同，这些输出取决于估计参数；对于隐状态模型，还取决于推断是否仅使用决策时点可用的观测数据。本笔记区分过滤概率与纳入后续观测值的平滑估计。…
本案例研究提出了一套加密货币永续合约研究流程，将多空头寸在定期结算时相互支付的资金费率视为潜在收益来源。文中介绍了从标签构建和金融特征，到统计与机器学习模型、因果分析、回测、投资组合配置、风险及成本评估的数据和模型阶段。该方案采用永续合约交易对横截面、八小时观测频率和交易成本假设，并基于数量有限的时间折进行验证。…
本分析比较了九个交易案例研究中的特征筛选结果，并探讨通过筛选的特征能否预测表现更强的策略。筛选结合了 Benjamini–Hochberg 假发现控制，以及另一条基于案例研究效应量下限和各折一致性的路径。由于 PROCEED 可以通过任一路径得出，其计数不一定是 FDR 显著特征计数的子集。 本分析将各案例研究的 PROCEED…
本笔记介绍 DeePM，这是一种端到端的 ETF 投资组合策略，旨在改善不同市场环境下的表现。其组件包括经波动率标准化的收益和趋势特征、基于 LSTM 的模型、变量选择、条件层，以及受资产类别图约束的跨资产注意力机制。该图编码组内联系和选定的组间关系。SoftMin 目标函数侧重于表现最弱的滚动训练窗口，而成本感知训练会惩罚换手率。评估采用按时间顺序划分的训练、验证和测试窗口，并与不使用 SoftMin 的版本、等权基准及逆波动率基准进行比较。…
本案例研究对 ETF 动量进行因果估计，并考察其对未来收益的影响是否随市场波动率变化。研究使用连续型动量处理变量、21 日未来收益结果、波动率和收益率曲线控制变量，以及因果森林来估计平均效应和市场环境条件效应。估计值和市场环境阈值由训练数据推导，随后用于调整留出期内的仓位规模。所得规则与朴素基准和简单替代方案进行比较，并计入交易成本。…
本笔记介绍 NLinear，将其作为预测 US 股票收益的简单序列模型基准。每个样本使用一只股票连续 60 个交易时段的窗口，特征按时间顺序排列。对于每项特征，模型先减去其最新值，将所得历史序列线性映射为一个值，再加回最新值，最后合并各特征的输出以生成预测。这使它成为评估表达能力更强的循环模型或特征混合模型的有用对照。…
本笔记利用最大有利与不利变动分析，根据观测到的价格路径确定三重障碍宽度。对于在某根 K 线收盘时做多的情况，笔记测量随后持有窗口内的最高价和最低价；做空时则反转有利与不利变动的定义。窗口从下一根 K 线开始，以避免使用收盘进场之前出现的价格极值。笔记还使用平均真实波幅对变动进行归一化，以便比较不同资产和波动率环境。 分析涵盖日频…
本笔记评估 NLinear，这是一种简约序列模型：它从每个回看窗口中减去最后观测到的水平，再将剩余数值映射为预测值。其结构简单，可作为更复杂序列架构的有效基准。模型在已声明的 ETF 样本范围上使用滚动折拟合；训练开始前，会根据可用特征、符合条件的基金日期行和序列窗口解析模型请求。…
本文档介绍一项滚动研究，利用 TabM 神经网络根据公司特征预测月度收益。由于共享训练运行器将回归目标固定为平方误差、分类目标固定为交叉熵，实验改变模型容量、训练检查点和预测目标，而非损失函数。文档比较三种容量预设，分别用于原始收益、横截面缩尾后的收益和方向类别标签。每个训练折内拟合预处理，并将所有已声明检查点的预测保存在可审计的数据集中。 笔记使用月度信息系数和相关诊断来考察非线性模型捕捉到的内容，但不选择优胜模型。模型选择留待验证集回测夏普比率阶段，因为预测排名本身不能证明扣除成本后能够盈利。报告的 IC…