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。
205 份文档
本笔记检验四种管理型投资组合策略在控制广泛 ETF 共动后，能否解释 SPY 收益。这些策略根据滞后动量、波动率或近期收益对 ETF 排名。研究以一组历史较长且构成平衡的 ETF 所得的 10 个主成分作为控制变量，并将 SPY 排除在因子构建股票池之外。研究比较每种策略对 SPY 的单变量载荷，以及选择控制变量后估计的条件载荷。 双重选择后 LASSO 会选择同时预测结果变量和各重点策略的控制变量。扩展时间序列折在训练数据内重新拟合缩放参数和 PCA；随后将所选控制变量的并集纳入含截距的回归，并使用…
本笔记介绍风险溢价 PCA：通过加入训练期平均收益的加权外积来调整收益协方差矩阵。领先特征向量定义静态因子组合；提高权重会使因子偏向解释平均收益的方向，即使这些方向的方差较低。笔记比较不同权重下的定价拟合、评估期收益重构和载荷空间变化，然后使用预先选定的权重进行提前一日的因子溢价预测。 流程使用训练数据拟合载荷，将 ETF 面板限制为训练历史完整的代码，并在预测下一个因子溢价前投影每个已观测的决策日收益。笔记介绍滚动预测，并使用 MSE…
该模块协调多种潜在因子模型的滚动拟合与评估，包括主成分、工具变量主成分和神经自编码器。它准备面板数据和数据折，调用特定模型的运行程序，并管理预测、折层元数据和已注册的训练运行。模型预设会按照明确的优先级规则与调用方提供的设置合并，因此选定的运行时选项仍由调用方控制。…
该实现介绍用于资产定价的条件自编码器。Beta 网络将每只股票的特征映射为潜在因子载荷，线性因子网络则将管理型投资组合收益映射为因子收益。模型通过配对的载荷与因子值乘积之和预测股票收益，因此风险敞口可随公司特征变化，而因子则由投资组合工具推导。 代码还提供已学习载荷和因子的访问器，可用于检查模型组件。其 L1 惩罚仅作用于 Beta 网络隐藏层的权重，不包括偏置和最终载荷层；若没有隐藏层，则返回零。这是架构参考而非实证研究：其中没有训练流程、数据集、预测结果，也未与其他资产定价模型比较。
本笔记介绍如何使用 SEC XBRL 数据构建并检查季度股票基本面面板。每条观测都包含其描述的财政期，以及信息公开时的申报日期。这一区别对历史测试至关重要：只按期末日期筛选，可能纳入投资者当时尚未知晓的数据。笔记衡量概念覆盖率和申报延迟，并比较考虑申报日期的 as-of 查询所能获得的最新观测与基于期间的查询结果。…
本笔记评估会计和价格特征作为下月 US 股票收益独立预测变量的表现。它计算每个特征与收益标签之间的月度截面排名相关性，再按开发期月份进行汇总。工作流程排除预留的留出集，检查面板完整性，要求达到最低覆盖率和截面广度，并考察不同关联能否在滚动训练期和验证期内持续存在。…
本笔记说明条件自编码器如何扩展带工具变量的主成分模型：神经网络将股票特征映射为因子暴露，同时模型保留相同的暴露乘以因子收益的结构。模型通过重构每个训练窗口配置的前瞻收益标签进行拟合，随后评估将固定因子均值应用于验证日期的暴露后，能否对下一窗口的股票进行排序。由于重构使用的正是之后以信息系数评分的同一标签，正向得分并非独立出现的意外；验证排名仍在检验模型能否迁移到之后的截面。 估计器训练 50 个周期，并在十个检查点发布预测，每隔五个周期一个。这些检查点记录的是一次拟合的进展，不是十个可按验证 IC…
本文介绍如何使用工具变量主成分分析对ETF收益建模。普通PCA会为每只基金分配固定的因子敞口，而IPCA则将每只基金的敞口设为其可观测特征的共同线性函数。它通过交替最小二乘法同时估计从特征到敞口的映射和因子收益。该方法提出的约束会汇集不同基金和日期的信息，但仍假设特征关系是线性的。…
本笔记介绍针对带有期权曲面特征的股票面板进行工具变量主成分分析（IPCA）。普通PCA根据每只股票的收益历史估算其暴露，而IPCA将暴露建模为各股票当日特征的共同线性函数，例如隐含波动率、偏斜度、期限结构以及隐含方差与已实现方差。交替最小二乘法会同时估算这一映射和共同因子收益。由于暴露根据特征计算，该方法可以处理非平衡面板，包括收益历史不连续的股票。…
本笔记将主成分分析作为期权分析研究中预测股票收益的无条件潜在因子基准模型。PCA利用历史收益面板估计共同变动和各股票对这些变动的暴露，再根据训练窗口估计的因子均值生成预测。它刻意排除隐含波动率、偏斜、期限结构和其他期权特征。该基准模型可用于衡量在相关模型中根据这些特征调整暴露所带来的作用。…
本笔记使用信息系数、分位数收益、首尾分位差和分类诊断评估横截面动量因子。它介绍Spearman IC，即逐日计算信号与后续收益的秩相关，并将其与所有日期和资产观测值合并计算的相关性区分开来。两种计算方式可能得出不同结果，因为合并计算的IC也反映收益的时变特征。笔记还介绍ICIR、显著性指标、分位数单调性、换手率和信号衰减等互补诊断。…
此笔记本使用主成分分析表示广泛US股票面板中的共同变动。PCA提取能够解释收益共同变化的方向；每只股票的载荷衡量其对各方向的暴露。根据有限因子重构的预测，能够捕捉股票与面板共享的行为，同时舍弃个股特有信息。因子在每个滚动前向训练折内拟合，再应用于验证行，以避免在因子估计中使用未来收益。…
本笔记介绍条件自编码器如何扩展工具变量PCA，用于ETF收益建模。两种方法都将基金特征映射到因子暴露，并将暴露与因子收益结合；自编码器用神经网络取代了IPCA的线性特征到暴露映射。训练使用滚动验证折，按预先声明的轮次计划为每个标签生成多个检查点。笔记发布全部检查点，供后续模型选择在候选集可见的情况下使用验证回测夏普比率，而不是在此根据验证信息准则选择轮次。…
这项US股票面板研究使用惩罚线性模型作为基准，根据收盘时观测到的特征预测前向收益。特征集包含相互重叠的动量和波动率测量，产生多重共线性，可能使普通最小二乘法的系数不稳定。笔记比较了用于收缩系数的Ridge、可将系数设为零的Lasso，以及结合两种惩罚的Elastic Net。通过惩罚强度网格，研究正则化对滚动验证各折及多个收益期限的验证信息系数有何影响。…
本笔记介绍工具变量主成分分析（IPCA）：该方法估计共同因子，同时将每只股票的因子暴露设为其当日期权曲面特征的共享线性函数。这些特征包括隐含波动率、看跌看涨偏斜、期限结构斜率，以及隐含方差与已实现方差。交替最小二乘拟合特征到暴露的映射和因子收益；笔记将其与普通PCA进行对比，后者的暴露来自收益历史，并要求面板平衡。…
本文档介绍陈、佩尔格和朱的月度US股票面板，该面板用于评估资产定价模型。它描述了按经济主题分组的46项公司特征、下月超额收益，以及面板按时间排序的训练集、验证集和测试集划分。每项特征都在每个月进行横截面排名，再映射至共同的有界尺度。这能减弱极端原始值的影响并使单位可比，但会舍弃水平信息。分析衡量每项特征与后续收益之间的月度秩相关，然后对训练数据中的信息系数取平均。相邻月份可能存在序列相关，因此文档建议使用Newey–West统计量调整显著性，而不应将月度观测视为相互独立。匿名公司标识符仅在各自的数据划分内连接观测…
本分析读取一个已登记的回测流程，评估基于公司特征的月度US股票策略。它报告夏普不确定性、概率夏普和去膨胀夏普指标、配对策略比较、留出期衰减，以及旨在反映微型股流动性差异的成本分析。验证集用于选择策略规格；留出集用于评估冻结后的选择，而非进行新一轮选择。配对指标和置信区间用于区分实际测得的变化与点估计差异。本文强调了解释结果的局限：留出期仅涵盖一个日历年，分析针对主要月收益标签，而且窗口较短可能导致区间较宽。多空组合假设能够按随时期变化的费率借入股票；成本分析显示，容量限制可能大幅压缩价差。队列调整处理了选择效应，…
本笔记介绍工具变量主成分分析（IPCA），这是一种根据公司特征预测收益的潜在因子方法。IPCA不为每项特征直接分配收益权重，而是将每家公司的因子暴露建模为其特征的线性函数。共享映射根据整个面板估计，因子收益则随月份变化。交替最小二乘法结合岭惩罚，同时估计映射和因子收益；拟合得到的暴露和收益用于生成验证月份的预测。…
此工具介绍一种方法，可使用Fama–French三因子或五因子模型（可选加入动量因子）解释策略收益。它将每日因子数据与策略收益对齐，识别收益频率，并在策略观测频率低于每日时复合因子收益。普通最小二乘法估计阿尔法和因子暴露，Newey–West异方差与自相关一致标准误则用于统计推断。对于只做多策略，收益按超过无风险利率的部分建模；对于美元中性策略，则使用原始收益。…
本笔记筛选金融特征和模型衍生特征，评估它们对ETF后续收益的排序能力。它逐日计算信息系数，将每项特征的横截面排名与前瞻收益排名进行比较，再考察由此得到的时间序列。分析针对重叠收益标签调整不确定性，控制同时检验多个特征产生的假发现，检查关联在滚动验证窗口中是否保持同一方向，并识别代表重复证据的高度相关特征。分析还仅使用验证日期，并将留出期排除在筛选之外。…
本笔记评估已发布的因子收益作为潜在投资组合构件的价值。它区分三个问题：因子的平均收益是否达到严格的统计门槛；因子能否基于可能持续的原因实现相互分散；以及因子在所选危机时期的表现。它使用长期历史的 AQR 和 Fama-French 序列，对均值收益统计进行序列相关性修正，并比较常规显著性阈值与更高阈值，后者旨在考虑大量因子搜索的影响。…
本笔记本评估能否使用已发布的US公司面板研究基于公司特征的月度多空策略。它检查数据编码、可用股票池随时间的变化、每次再平衡是否有足够公司填满多空两侧、特征价差是否可能超过假设的交易成本，以及开发历史是否支持滚动评估并保持留出集未读取。文中描述的策略按公司排名，买入排名靠前的一组并卖出排名靠后的一组，以月收益为结果变量。…
本文介绍潜在因子：它们是根据期货之间的共同变动推断出的共享收益驱动因素，而非预先给定的具名预测变量。文中比较了在每个训练折内拟合的两种方法。主成分分析（PCA）寻找能够解释最多收益方差的线性方向；神经随机贴现因子（SDF）方法则寻找能够解释横截面预期收益的共同定价对象。PCA仅使用收益；SDF还将特征作为工具变量，因此可以表示受特征条件影响的暴露。…
本笔记使用公开发布的公司特征，为个别US股票拟合岭回归、套索回归和弹性网络模型。特征涵盖价值、盈利能力、投资、规模、动量、反转、风险和流动性。滚动折分让不同配置具有可比性，惩罚系数扫描则考察正则化如何改变拟合预测。笔记使用原始月度收益、缩尾后的月度收益和分类目标，探索目标选择对结果的影响。…