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。
887 份文档
本笔记实现了对抗式随机贴现因子模型的日频教学性改编。投资组合权重网络使用前一交易日收盘时可用的特征和市场状态，根据次日超额收益构造因子。对抗矩网络协助训练定价核，另有一个贝塔网络预测资产层面的收益—因子矩。笔记将用于评估 SDF 的因子夏普比率和定价误差，与用于评估贝塔网络资产排序的横截面秩 IC 区分开来。 流程定义训练期股票范围，延迟使用宏观观测，根据训练数据学习缩放和截尾参数，用验证集选择检查点，并在独立测试期评估冻结后的模型；对次日标签设置边界隔离期。相关限制不可忽略：本实现使用日度数据和固定的 200…
本笔记测试选定的 US 公司特征策略在交易成本假设变化时的表现。策略配置保持不变，并在预先声明的一组佣金和滑点水平上重新运行验证回测，每个水平由两项成本平均分摊。月度再平衡意味着成本支付频率低于日度策略，因此观察到的敏感性既取决于换手率和调仓频率，也取决于信号质量。…
本笔记使用此前选定的预测结果和投资组合配置器，在保留的留出期对固定股票特征策略进行回测。配置、仓位规模、集中度、再平衡频率和成本假设均保持不变；共形仓位宽度根据验证残差校准，而非留出期实际收益。验证观测过少的股票使用合并后的备用宽度，倒数宽度权重强调各投资组合方向内部的相对可靠性，而非预测收益幅度。…
本分析根据 ITCH 消息重建 NASDAQ 限价单生命周期，从订单提交开始追踪，直至首次出现撤单相关事件或订单成交。分析区分新增、删除、部分撤单、替换和执行，并衡量撤单率、首次执行率及其时间分布。持续时间以纳秒精度计算，并通过对数刻度绘图，展示从极短到较长的存续时间。统一分类将样本结束时仍挂在订单簿上的订单与已成交或已撤回的订单区分开来。…
本笔记在受支持的案例研究策略上，将 VectorBT Pro 和 VectorBT OSS 与 ML4T 进行正确性与运行时间对比。两个版本均涵盖 ETF 配置、以 USD 报价的外汇以及 US 股票面板；VectorBT Pro 还参与了 CME 期货比较。审计会检查成交、估值、时间戳和账户价值差异，并对货币金额、数量及其他数值字段采用不同容差。笔记还报告仅引擎运行时间，以及合成规模压力比较的结果。 资产模型支持情况决定了哪些比较有意义：OSS 缺少 CME…
本笔记将股票级预测转化为验证集投资组合。在每个再平衡日，按预测收益对股票排序，买入排名靠前的一组并卖空排名靠后的一组，且为每个头寸分配相同资金。该基准应用于全部已声明的预测总体以及一组 top-k 取值，且不会预先按排名准确度筛选模型。因此，比较可以聚焦于排名作为策略的表现，包括排名变化及由此产生的换手如何影响收益。…
本笔记演示固定金额订单如何因订单规模相对于可用交易量的比例不同，而在不同股票上产生截然不同的成本。笔记使用调整后的日度 US 股票数据，将平方根市场冲击模型应用于一个在动量为正时做多的策略。为减少前视偏差，股票筛选和冲击输入使用形成期数据，表现则在之后的评估期衡量。…
本笔记改造 TSMixer，利用历史动量特征预测未来 ETF 收益。其架构交替使用沿时间轴共享的线性变换，以及在每个日期分别应用的特征 MLP。预归一化和残差连接支持堆叠模块，小型输出头则将特征表示映射为单一收益预测。笔记解释张量维度置换如何决定各层组合哪些数值，并将参数开销与对展平输入进行稠密映射的方案进行比较。…
本笔记将供应链知识图谱和机构持仓申报转化为下游金融建模特征。从公司网络中提取拓扑指标、供应商集中度、竞争暴露度和瓶颈指标。从特定时点的 13F 持仓中构建持有人广度、集中度和共同持仓信号，再将持仓与运营指标结合为跨图交互特征。…
本笔记介绍如何微调 Transformer 进行金融命名实体识别，以识别文本中的组织、人物、金额、日期和百分比等片段。重点说明 BIO 边界标签，以及词级标注与 Transformer 子词词元之间的对齐问题。每个词只有第一个子词获得标签，后续子词不计入损失。笔记还区分实体级评分（实体类型和片段边界都必须匹配）与词元级评分。…
此笔记本将监督式自编码器应用于日频US股票。模型重建经过排序的价格和成交量特征，同时通过辅助与主分类头训练共享潜在表示，以预测多个未来期限的收益是否为正。笔记本介绍特征构造、精确的全局交易日期标签、扩展式验证折、检查点选择，以及用于期限AUC的移动分块不确定性。…
本数据集指南介绍一个月度US股票面板，其中包括匿名公司及其用于机器学习资产定价研究的特征。数据包含会计和技术特征、收益，以及相隔十年的预定义训练期和测试期。该间隔旨在减少前视偏差问题；匿名标识可减少个股层面的数据挖掘。特征经过秩转换，部分观测缺失，面板还包含已退市公司。…
此笔记本介绍一种工作流，将大量ETF特征缩减为供后续建模使用的候选特征。它按日期计算特征与未来收益之间的横截面Spearman信息系数，再对各日结果取平均，以此进行排序。Newey–West调整统计量用于处理每日IC序列的序列相关性；Benjamini–Hochberg校正则控制大量特征检验中的假发现。随后，通过相关性筛选和层次聚类剔除冗余候选项；自助法重抽样用于评估每个特征的IC正负号是否一致。LightGBM重要性提供另一种基于模型的比较。…
此笔记本说明随机贴现因子（SDF）如何为股票期权信号的横截面定价。与估计风险暴露和因子收益的因子模型不同，SDF方法估计一个随机变量，使资产收益能够得到一致定价。训练在提出贴现因子的网络与挑选能揭示其定价误差的投资组合的对抗网络之间交替进行。无条件、对抗和条件阶段各有单独的轮次预算；检查点数值则按共享坐标轴汇总展示各阶段信息。…
本文介绍潜在因子，即股票之间的共同收益模式；每只股票的载荷表示其对某种模式的暴露。它对比主成分分析与工具变量主成分分析：前者仅从收益面板提取因子和股票载荷，后者将载荷建模为可观测股票特征的函数。这样根据特征进行条件化，使载荷能随特征变化而调整，并为此前未观测到的股票分配暴露。…
本文说明如何为NASDAQ-100日内研究构造未来收益和方向标签。它采用明确的执行约定定义收益：观察一根K线收盘，在下一根K线入场，并按设定时长衡量结果。报价中点可减少测得收益中的买卖价反弹；报价价差则单独作为基础交易成本估计。只有在检查观测到的时间网格后，才会将期限换算为K线数量。…
此笔记本使用月度公司特征研究适用于表格数据的神经网络设计TabM。它比较三个预设配置：逐步增加隐藏层宽度和集成成员数量，同时保持其他训练设置不变。共享运行器固定了学习目标：收益目标使用平方误差，分类目标使用交叉熵。因此，笔记本考察模型容量、训练检查点和目标构造，而非比较损失函数。…
此笔记本将此前选定的S&P 500股票与期权策略应用于独立的2021留出期预测。它原样沿用所选配置，包括资产配置规则、集中度规则、风险叠加规则和交易成本，并要求留出预测符合预期的训练规范。这样评估的重点是同一策略在新预测上的表现，而不是根据留出期调整策略。 笔记本将留出结果与验证表现进行比较，并解释表现下降可能同时反映了选择偏差和不同的市场时期。单个留出年份的噪声较大，报告的不确定性区间描述的是该结果，而非检验它与验证结果之间的差异。评估还采用当前S&P…
本章概述机器学习交易系统部署后的治理。它区分技术故障和统计衰减：前者指相同输入产生不同输出，后者指输出不再能预测收益。其框架结合了通过滚动表现指标和漂移诊断进行检测、通过影子评估和设门槛的分阶段发布进行受控响应，以及通过断路器保障自动安全。本章还讨论特征存储、数据血缘、模型注册表、实验跟踪和CI/CD等基础设施，说明如何根据团队的运维成熟度扩展系统。…
此索引介绍潜在因子，即从股票收益共同变动中提取的共享模式；每只股票的因子载荷表示其对某种模式的暴露。它对比主成分分析与工具变量主成分分析：前者仅根据收益估计因子和股票载荷，后者将载荷建模为可观测股票特征的函数。根据特征进行条件化有助于纳入新股票和不断变化的公司属性，但也假设特征与载荷之间的关系在股票和时间维度上保持稳定。…
此笔记本使用TreeSHAP解释LightGBM收益预测，包括全局特征重要性、单项预测解释、依赖图和成对交互值。它将SHAP排序与置换重要性和基于树的不纯度重要性进行比较，以展示特征排序在哪些方面一致，或依赖于测量方法。工作流还跟踪前向滚动折中的平均绝对SHAP值，作为特征漂移指标，并探索基于SHAP排序的特征子集重新训练。…
此笔记本将财经标题转化为个股信号，并根据未来收益进行评估。它对标题进行嵌入，以语义距离衡量新闻相对于滚动嵌入基线的意外程度，并将意外程度与情绪方向结合，区分异常利好和异常利空新闻。它还计算平均情绪、分歧、情绪动量和文章覆盖度。标题按股票代码和日期去重，股票代码与日期经过标准化，并对信号进行滞后处理，避免过早使用发布当日的信息。…
本文说明如何在配置保持不变的情况下，使用留出数据评估此前选定的US股票策略。它根据所选模型的训练标识和检查点推导正确的留出预测集，然后应用既定的资产配置规则、集中度规则、再平衡频率、风险叠加规则和交易成本假设。结果会登记为留出回测，并在执行前检查完整回测哈希，防止在同一留出窗口测试第二个经过修改的策略。…
本文档介绍一种分阶段方法，将另类数据、申报文件、新闻和价格数据源中的公司名称与证券匹配。首先按既定的可信度顺序使用可用标识符进行关联，保留未匹配记录，并检查参考键是否唯一。缺少标识符时，会对名称进行规范化并使用模糊字符串相似度；通过在带标签的示例上测量精确率和召回率来选择接受阈值，其中也包括没有有效匹配项的名称。句子嵌入为语义变体提供了另一种评分方法。…