跳至正文

知识库

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。

搜索知识库

104 份文档

《交易机器学习》

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。…

机器学习加密资产永续合约回测
《交易机器学习》

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。…

加密资产永续合约机器学习回测
《交易机器学习》

该模块定义了一个时点模拟环境,用于执行加密货币永续期货的大额卖单。观测值结合了剩余持仓和时间,以及市场波动率、溢价指数、相对成交量、时段和距资金费结算的时间。行动会在参考计划附近调整执行速度,同时受计划和参与率上限约束。该环境使用平方根加线性市场冲击估算执行偏差,并可针对持仓风险和计划偏离增加惩罚。…

加密资产永续合约交易执行市场微观结构
《交易机器学习》

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。…

加密资产永续合约衍生品定价回测
《交易机器学习》

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。…

加密资产永续合约统计学回测
《交易机器学习》

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…

加密资产永续合约机器学习回测
《交易机器学习》

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。…

加密资产永续合约波动率机器学习
《交易机器学习》

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。…

加密资产永续合约期货机器学习
《交易机器学习》

本演示介绍一个连接至 Alpaca USD现货市场、持续运行的加密货币交易循环。它将永续期货案例研究的资产范围映射到该交易场所支持的现货交易对,并明确说明只有其中一部分可在该处交易。示例信号是收盘到收盘动量的滚动Z分数,用作永续期货与现货价差的代理信号。笔记说明,生产版本会改为根据永续期货和现货价格计算价差,并将资金费率窗口的时间戳统一转换为UTC,以便进行运行日志记录。…

加密资产现货市场永续合约动量
《交易机器学习》

这本笔记演示如何在市场状况迥异的时段监控 ETF 动量特征和加密货币永续期货特征的协变量漂移。它比较总体稳定性指数(衡量单个特征分布变化)、Wasserstein 距离和领域分类器;领域分类器检验能否从整体上区分参考样本与当前样本。一个生产监控示例将得分映射为警报级别,并汇总警报以生成重新训练建议。 领域分类器使用按时间区块划分的验证,避免相邻观测跨折泄漏并夸大表面上的可区分性。示例展示按特征和多变量检查可以揭示不同类型的变化;同时,PSI…

机器学习统计学风险管理加密资产
《交易机器学习》

这本笔记将模型排名转化为简单的加密货币永续期货组合,以便后续实验衡量调整规模、成本或风险控制的影响。它采用进场规则,例如买入评分最高的合约、卖出评分最低的合约,并使用等权配置,避免仓位规模带来额外变动来源。决策依据预测时间戳,持仓期限与标签周期一致。…

加密资产永续合约回测投资组合构建
《交易机器学习》

本笔记构建了一个模拟做市任务,由 PPO 智能体选择报价偏斜和价差宽度。报价越远离中间价,成交概率越低;订单失衡会同时影响成交和后续价格走势。保留价格会随库存变化,使报价向促使库存回归的方向偏移;奖励由按市值计价的财富与库存惩罚组成,回合结束时的剩余持仓会产生清算成本。智能体会与已采用保留价格调整的固定规则进行比较。 评估使用共享模拟路径上的配对回合,并报告相对于参考规则的差异不确定性。该设置使用根据比特币小时永续期货收益拟合的 GARCH…

做市机器学习交易执行市场微观结构
《交易机器学习》

本笔记训练一个 PPO 智能体,在逐小时永续期货柱数据上安排母单卖出。它在价格和成交量历史数据中加入永续合约溢价及距下一次资金费结算的时间,同时对每小时决策时尚未知晓的信息进行滞后处理。训练期和评估期按日期分开,并对拆分进行检查。笔记在匹配的评估窗口中将学得的执行安排与固定和基于规则的安排进行比较,并使用配对差值和标准误描述比较结果。…

加密资产永续合约交易执行回测
《交易机器学习》

本笔记通过比特币永续合约市场数据中的仅做多 RSI 均值回归规则,介绍使用 VectorBT 进行向量化回测。它计算基于收盘价的 RSI,在前一日读数低于下限时入场,高于上限时离场。信号经过移位后,才能在下一个 UTC 日开盘时执行;模拟会在成交中计入费用和滑点。本笔记回顾交易记录、组合价值、回撤、参数敏感性,并在执行假设匹配的前提下与买入并持有基准进行比较。…

加密资产永续合约均值回归技术指标
《交易机器学习》

本笔记比较六种配置方法在已通过基准筛选流程的加密货币永续合约策略中的表现。它固定每个策略的预测和入场规则,只改变资金分配方式:一种配置器使用模型评分,几种使用资产波动率或协方差,另一种则使用历史预测不确定性。与逆波动率相比,估算协方差矩阵的方法需要从可用收益历史中估计更多参数,这可能导致权重更不稳定。…

加密资产永续合约仓位规模投资组合构建
《交易机器学习》

本笔记在预测加密货币永续合约资金溢价的序列模型比较中加入时序卷积网络(TCN)。因果填充确保每个位置只使用当前及更早的观测值,而扩张卷积能够高效扩大感受野。所选网络堆叠覆盖了声明的输入窗口。与依据最后一个循环状态进行预测的LSTM不同,TCN会对各位置的表示取平均,以检验关于有用信息随时间出现位置的另一种假设。…

加密资产永续合约机器学习回测
《交易机器学习》

本模块为强化学习环境中的加密市场模拟估算参数。它加载所选交易品种的小时级永续合约市场数据,计算收盘到收盘的对数收益,并拟合GARCH(1,1)波动率模型。如果估计库不可用或优化失败,就改用基于矩估计的方法,利用平方收益自相关和预设边界进行估算。模块会约束持续性,并将无条件波动率锚定于样本波动。…

加密资产永续合约波动率市场微观结构
《交易机器学习》

本笔记研究极端永续期货溢价是否会影响后续BTC收益或溢价回归。它将处于高溢价状态定义为处理条件,并比较两种结果:可能受多种因素影响的广义市场结果,以及与资金压力和套利联系更直接的溢价变化。有向无环图规定了调整变量集合,使用回溯收益和波动率作为控制变量;研究设计则将处理前控制变量与远期结果分开。…

加密资产永续合约套利统计学
《交易机器学习》

这项分析在拟合模型或进行预测之前,先判断数据能否支持横截面加密货币永续合约策略。拟议方法是在每次资金费率结算时按溢价对合约排名,然后买入排名一侧并卖出另一侧。笔记本检查决策时点挂牌的合约是否足够、典型价格变动是否有可能覆盖平台费用,以及考虑序列相关性后还剩多少独立历史数据。分析使用开发期数据,并未读取指定的样本外数据。…

加密资产永续合约统计学回测
《交易机器学习》

此笔记本说明如何将拟合后的GJR-GARCH和隐马尔可夫模型转化为交易特征,同时控制前视偏差。GJR-GARCH估计条件波动率,并捕捉负收益冲击的更大影响;两状态高斯HMM对横截面资金费率结算中的状态进行建模,并给出压力状态的滤波概率。两个模型都按固定频率在扩展的历史数据上重新拟合,验证期间参数保持不变,且在初始预热期内不提供特征。…

加密资产永续合约波动率机器学习
《交易机器学习》

本笔记围绕比特币永续期货的极端溢价比较两个因果问题:溢价状态是否能预测前向收益,以及是否能预测之后的溢价回归。处理变量是溢价z分数高于指定阈值的二元指标。研究设计以回看收益和波动率为控制变量,以前向结果变量进行测量,并对两个结果使用相同的调整变量集和验证检查来估计效应。…

加密资产永续合约统计学市场微观结构
《交易机器学习》

该笔记在共享的模拟交易环境中比较 DQN、PPO和A2C;该环境根据比特币永续期货的小时收益校准。一个 GARCH(1,1) 模型提供波动聚集特征;环境会对持仓变化收费,并将动作延迟一个时间步执行,以免智能体获得行动时已可见的收益。每种算法获得相同的训练交互预算,并在匹配的未见回合种子上评估。 比较不只看平均奖励,还关注其他诊断指标:配对回合差异用于量化策略间的不确定性;持仓分布和切换次数则显示智能体是否会响应观测,或固定在单一持仓上。文中还解释了为何 DQN…

机器学习加密资产永续合约波动率
《交易机器学习》

本文档介绍一种时间卷积网络,用于根据包含60次结算的窗口预测加密货币永续合约资金费率溢价。四个因果卷积块使用大小为三的卷积核,膨胀系数分别为1、2、4和8。其感受野覆盖61次结算,足以涵盖完整输入窗口。因果填充可防止某个位置使用之后的结算数据,避免验证结果泄漏未来信息。该模型对所有时间位置的表示取平均;相比之下,作为对照的LSTM依据最后一个循环状态进行预测。这个差异用于检验有用信息是分布于整个窗口,还是集中在窗口末尾。工作流程会删除跨越预期但缺失结算时段的窗口,以解决数据缺口;随后通过检查点进行训练,并要求验证…

加密资产永续合约机器学习均值回归
《交易机器学习》

本笔记衡量执行成本对已选定加密货币永续合约配置的影响。它固定模型、检查点、入场规则、配置器和风险控制,然后根据预先设定的网格,对交易名义金额应用不同的往返成本并重新运行策略。所得成本衰减曲线旨在展示该配置能承受多大摩擦,以及表现何时达到盈亏平衡;它不用于对候选项排名或进行选择。…

加密资产永续合约回测交易执行