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。
359 份文档
这本笔记构建了仅做多且满仓的 Markowitz 框架，包括可行组合、有效前沿、最大夏普组合和最小方差组合。它介绍组合方差如何取决于协方差矩阵，以及资产走势不同步时，分散化如何降低风险。条件数用于诊断资产收益之间的冗余程度及其可能导致的数值敏感性。 核心经验是，优化权重可能不稳定，因为预期收益比协方差更难估计，而优化器又可能对这些带有噪声的收益估计高度敏感。笔记在一个时期估算权重并将其固定，之后将其与等权、逆波动率和风险贡献相等等启发式方法进行比较。其 ETF…
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。…
这份文档比较不同仓位规模方法，应用于按等权验证夏普率排名的基准模型选出的 CME 期货策略。等权方式对所有入选产品一视同仁，但不同期货合约的波动率和联动性可能相差很大。替代方法使用产品波动率、协方差关系或其他已声明的规模输入来调整风险敞口。逆波动率规模方法需要估计的量较少，在历史数据有限时可能更稳健；基于协方差的方法可以考虑分散化，但更容易受到估计噪声影响。…
这本笔记将模型预测集合转化为可比较的标普 500 期权回测。在每周决策日，它根据预测收益率排名，在流动性较好的标的范围内选出排名最高的标的，并卖出等权平值跨式组合。持仓至到期，并按内在价值进行现金结算；监控标的资产的 Delta，并在其越过阈值时进行对冲。它改变持有标的数量，同时固定其他策略选择，使不同模型系列之间更具可比性。将预测集合和回测构成一个命名且固定的总体，支持后续进行可复现的比较。…
本笔记对 US 股票中流动性较好的子集进行主成分分析，以提取潜在因子并构建多空特征向量投资组合。文中说明如何将标准化的 PCA 向量转换为原始收益权重，并按总敞口进行归一化；随后考察方差解释度、行业关联、层次 PCA、残差行为和投资组合风险分解。行业 ETF 相关性为原本没有名称的成分提供描述性标签。 分析还区分了特征向量符号的任意变化与因子子空间的真实变化，并展示了如何对滚动估计进行 Procrustes…
本案例研究考察上市期权信息能否帮助筛选 S&P 500 股票。研究结合每日股票价格，以及 633 只股票在 2017 至 2021 年间的期权隐含波动率水平、偏斜、期限结构和方差风险溢价指标。期权特征采用滞后值，投资组合根据周五数据构建，并于随后周一开盘时交易。研究流程涵盖收益标签、特征构建、多个模型系列、投资组合配置、风险控制、交易成本和后续期间评估。 报告的验证夏普比率为 2.088，95% 区间为 1.005 至 3.117；对应配置使用线性模型、按得分加权、持有十只股票和跟踪止损。然而，由于 2021…
本案例研究将 CME 期货的不同仓位规模方法与等权基准进行比较。文中说明，反向波动率配置使用各合约自身的波动率，而基于协方差的方法还会考虑不同产品之间的关系。这些方法可能改善分散化，但需要根据有限的历史数据估计更多参数，也可能放大噪声。笔记先筛选出一组强信号配置，再根据每次决策之前可获得的价格历史应用预先声明的配置方法。…
本笔记将 Word2Vec skip-gram 方法用于机构股票持仓。笔记将每家机构的投资组合视为句子，将股票标识符视为词元，并将按报告持仓价值排序的仓位视为词序。反复出现在相似投资组合语境中的股票可能获得相近的嵌入表示，以此呈现机构投资组合行为，并识别经济特征相似的资产。 示例使用季度 13F 持仓，按投资组合广度选择机构，在排列仓位前删除重复的机构—股票记录，并基于所得投资组合序列训练嵌入表示。笔记使用排序指标评估遮蔽股票预测，并与随机基准和热门度基准比较，使用自助法区间表示基准的不确定性。…
本文介绍一个针对 CME…
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…
本笔记将股票和期权研究得出的验证集预测转换为仅做多的股票组合，以评估这些预测。它采用等权 Top-K 基准，比较多种组合集中度，并遵循各标签特定的决策频率。收盘时形成的信号在下一个可用开盘价执行，并使用带固定随机种子的随机信号运行来检查流程连接。只有在验证日期覆盖范围可比后，才对候选结果排名；不确定性分析包括区块自助法区间，以及针对多个相关变体选择所作的调整。…
本笔记使用相同的 ETF 投资范围、预测、再平衡安排和回测流程，比较等权、逆波动率、最小方差和层次风险平价。滚动 Ridge 模型根据动量、与移动平均线的距离及波动率特征为 ETF 排名；随后，各配置方法对共同选出的资产应用各自的权重规则。结果分为留出前的选择期和之后的留出期，并通过风险调整后收益、回撤、换手率和稳定性诊断进行评估。…
笔记介绍风险价值（VaR），即给出损失分布的分位数阈值；也介绍条件风险价值（CVaR），即超过该阈值后的平均损失。笔记使用 ETF 日收益，比较历史法、高斯法、Cornish–Fisher 调整法和 Student-t 蒙特卡洛估算。随后，笔记通过统计超限次数并检验其频率是否符合指定置信水平来评估 VaR 覆盖率，同时强调频率检验无法发现超限事件的聚集。 后续部分考察分散投资如何改变五个 ETF…
本笔记介绍层级风险平价（HRP），这是一种旨在降低对噪声协方差估计敏感度的投资组合构建方法。笔记介绍了三个阶段：按相关性距离对资产聚类；根据得到的层级关系重新排序；然后递归拆分聚类，并向方差较低的一侧分配更高权重。笔记还将 HRP 与均值—方差优化进行对比；后者的协方差矩阵求逆可能放大估计误差。笔记也对比了先稳定协方差估计、再求逆的收缩方法。 示例将这些方法应用于固定的 ETF 宇宙，并在滚动分析中比较配置器。笔记提醒，该宇宙是事后选定的，比较结果不能证明哪种方法普遍更优。HRP…
本笔记评估策略流程中已登记的 ETF 回测，涵盖信号、配置、成本和风险叠加层。笔记读取现有预测和回测结果，不拟合模型或新增回测，并根据已登记结果计算群组及配对比较指标。分析内容包括策略指标的自助法置信区间、选择偏差度量、阶段间比较，以及验证期和留出期与等权 ETF 宇宙基准的比较。…
本笔记比较六种方法，使用同一预测排名为所选 ETF 投资组合加权：等权、分数加权、反波动率、风险平价、均值方差优化和层次风险平价。它在比较配置方法的同时改变所选基金数量，因为在集中持仓中，各加权方法的差异较小；而当投资组合包含风险特征不同的基金时，方法间差异可能更明显。…
本笔记汇总多个交易案例研究中登记的双重机器学习估计，并比较其不确定性和诊断结果。它从各研究的注册表加载当前行，检查注册表完整性和标签唯一性，明确显示覆盖情况，并计算 HAC 统计量和置信区间。由于估计效应使用的原始单位不同，森林图比较无量纲的 HAC 统计量，而不按原始效应大小排序。分析还比较朴素的 OLS 系数与正交化估计，总结混杂偏差指标和区块置换反驳检验结果，并区分多个标签与真正不同的预测期限。 本笔记将这些估计视为识别假设的诊断，而非交易信号或预测。HAC…
本笔记为 ETF 配置回测提供诊断框架。它计算夏普、索提诺、卡玛、波动率、风险价值和最大回撤等风险与收益指标；跟踪滚动表现和回撤修复；并使用阿尔法、贝塔、跟踪误差、信息比率和捕获率指标与 SPY 比较投资组合。笔记还考察选定市场压力时期的收益。分析的投资组合从注册表中解析为验证夏普比率最高的配置回测，其收益已经计入注册的执行和交易成本假设。…
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。…
本模块定义如何在不同验证阶段和策略标签之间构建留出集筛选字段。它处理可能导致冻结候选集与实时重建选出不同配置，或导致后续分析使用非胜出方案标签的差异。统一构造涵盖已声明标签中的信号、配置和风险覆盖阶段，并读取所选结果的标签供下游使用。…
本笔记通过最大化预期对数财富，为二元赌注推导凯利仓位，然后展示下注规模如何改变模拟财富路径的分布。它将框架扩展到连续收益和多资产投资组合；其中常见的均值除以方差表达式依赖于对数函数的截断展开。笔记根据隐含杠杆和可能耗尽资本的不利波动来分析投资组合解。滚动估计展示了从市场数据估算预期收益和协方差时，仓位规模可能变得多么不稳定。…
本笔记在预留的留出期内评估一个先前选定的ETF策略。它根据训练身份和检查点获取匹配的预测结果，应用先前确定的策略规范和交易成本，并登记由此产生的回测。留出运行前会固定配置，包括集中度、配置方式、风险覆盖规则和再平衡频率。如果配置取决于保形区间宽度，笔记会根据验证集残差计算这些宽度，并排除前向收益标签与留出期重叠的残差。…
本模块根据已注册的预测集构建均值预测集成，重点关注可复现性并避免选择偏差。它从注册表解析符合条件的模型配置，而非维护手工编写的成员列表；会过滤不完整或已弃用的预测，并为每种配置选择最后一个符合条件的检查点，而非验证结果最佳的检查点。它还会拒绝将某个配置对应到多个有效训练运行的模糊情况。…
本笔记研究线性模型正则化在货币对集合中的应用；由于各货币对都是以共享货币报价，其收益彼此相关。它区分了岭回归、Lasso和弹性网络可以处理的特征共线性，与系数惩罚无法解决的被排名资产之间的依赖关系。岭回归会缩小系数但保留特征；Lasso可以将系数压至零；弹性网络结合两者的特性。惩罚参数在每个训练折内确定，模型则在共同的滚动样本上拟合和评估。…