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。
857 份文档
本文介绍一种条件自编码器，将公司对潜在收益因子的暴露建模为公司特征的非线性函数。与 IPCA 类似，它估计因子结构，其中预测收益由公司特定暴露与因子收益共同构成；主要变化是用神经网络取代 IPCA 从特征到暴露的线性映射。因此，在大体保持设置不变的情况下，可以借此考察函数形式的影响。模型按设定的轮数训练，每个已保存的检查点都会生成单独的验证预测集。笔记本会规划并登记所有检查点，而不是选择验证 IC 最高的那个。它评估滚动验证折上的月均排名相关性，并将检查点表现与线性 IPCA…
本文介绍一种 TabM 神经网络，利用表格特征对 ETF…
本章概述介绍梯度提升树如何在决策树和随机森林的基础上，用于金融表格数据预测。提升法依次添加学习器以修正先前误差，有助于捕捉线性模型可能遗漏的非线性关系和阈值效应。章节比较 XGBoost、LightGBM 和 CatBoost，并介绍预测目标、排序、单调约束和部署权衡等选择。 章节还介绍使用 Optuna 进行适用于时间序列的超参数调优，包括剪枝和多目标搜索，并使用 TreeSHAP…
本文介绍一个按月构建的 US 股票数据集，专为资产定价机器学习研究设计。数据集包含 94 个经过横截面排名变换的公司特征，包括会计指标和技术特征，以及收益数据。公司身份经过匿名化处理，数据也包含已退市公司。数据集划分为训练期和测试期，中间设置了间隔，以减少评估中的前视偏差问题。 本文说明，已发布的特征张量在每个数据块中保留匿名公司身份，而收益—特征 CSV 文件缺少加载器所需的身份结构。文中概述了受支持的下载和转换流程、如何加载完整数据集或预定义的数据划分，以及如何检查覆盖范围和数据概况。该数据集是静态的，止于…
本笔记本使用六个手工编写的案例，评估金融文档问答系统的安全控制。这些案例涵盖间接提示注入、不可信材料中的伪造数据、尝试执行的操作以及无效引用。笔记本将使用所有检索文本的基线策略，与结合基于短语的注入检测、信任过滤和证据检查的防护策略进行比较。策略必须依据检索内容和信任标记运行，而不能依据测试样例的可回答性标签，否则会将预期结果泄漏到评估中。结果反映的是针对固定测试样例编写的两种 Python…
该笔记介绍一个已发布的面板数据集，用于US股票机器学习研究。数据包含数十年间的月度观测值，其中包括46个公司特征和次月超额收益。特征按经济含义分组，并在每个月内进行秩归一化，使其处于共同的有界尺度。笔记介绍如何检查覆盖范围、按日期排序的训练集、验证集和测试集划分，以及仅在各自数据划分内有意义的匿名公司标识符。为分析信号，笔记计算各特征与后续收益之间的月度截面信息系数，并对训练数据求平均；显著性估计则使用 Newey-West…
本章介绍如何构建和使用金融知识图谱，适用于依赖所有权、供应链或传染关系等信息的问题。内容涵盖实体身份、类型化关系模式、数据来源，以及借助LLM从申报文件中提取信息。图谱检索增强生成（RAG）被介绍为一种通过受约束的关系查询检索证据的方法，查询执行过程保持确定且可审计。本章还说明图结构如何转化为机器学习输入，包括中心性、拥挤度、共同持有关系以及图间交互。内容将显式知识图谱与相关性网络、最小生成树和学习得到的图表示联系起来，并介绍它们在预测、投资组合构建和风险分析中的潜在作用。时间框架会区分事件、披露和提取时间，以减…
该笔记比较两种 Transformer 设计，使用八个滞后动量特征预测21日ETF收益。PatchTST 将连续多日分组成分块，减少注意力令牌数量并嵌入局部时间模式。iTransformer 将每个特征的历史序列视为一个令牌，使注意力机制能够关联不同变量，同时将时间顺序保留在各个令牌内部。两者使用相同的序列输入和按时间顺序划分的日期，并在边界处清除一段数据，以防未来收益标签跨入下一时期。评估报告截面秩相关性和平方误差，并将 Transformer…
本文档介绍分数阶差分如何在保留部分价格水平信息的同时，使价格序列更加平稳。文档根据分数阶差分的二项式展开推导滞后权重，并说明截断较小权重如何设定变换的历史窗口。示例将该变换应用于ETF对数价格，并根据保留权重和、窗口宽度、预热期损失及平稳性诊断比较不同阶数。…
该笔记比较平方误差、绝对误差和 Huber 损失，用于梯度提升模型预测平值短跨式期权收益。目标收益的上限有限，但潜在损失可能很大，因此拟合损失可能影响预测对头寸的排序能力，排序指标为信息系数（IC）。模型网格还改变树的容量，并在多个提升检查点评估预测，因此每个检查点都是一个独立候选项。 在两个滚动验证年份中，平方误差的表现低于其他目标函数，但现有证据无法确定绝对误差和 Huber…
该笔记介绍了一种随机贴现因子（SDF）模型，用于对US公司收益的截面进行定价。模型学习权重，使贴现后的资产收益满足无套利矩条件，而非优化收益预测损失。训练依次经过无条件阶段、权重取决于公司特征和市场状态的条件阶段，以及一个对抗矩网络；后者会寻找当前SDF定价效果不佳的测试资产。隐含收益是定价拟合的副产品。…
该模型适配器将 PatchTST（一种用于长周期时间序列预测的 Transformer 架构）应用于标量回归。它接收按时间和特征排列的序列，调整输入以适配骨干网络，并将各特征的输出汇总为一个预测值。其设计采用通道独立编码：每个特征通道通过共享的 Transformer 权重处理，编码器内部不进行跨通道混合。…
本文档介绍了一项消融研究，考察学习得到的图嵌入能否在普通表格特征之外改进股票收益预测。研究根据历史股票收益相关性构建网络，仅使用预测窗口之前可用的信息构造动量、波动率和趋势特征，并预测每只股票下个月的收益。图注意力自编码器在不使用未来收益标签的情况下学习节点表示；随后，岭回归在留出的股票折上比较仅用表格特征的模型与组合特征模型。…
该笔记以匿名公司特征预测股票收益，对比随机森林装袋法与 XGBoost、LightGBM 和 CatBoost。研究使用预先设定的时间序列训练、验证和测试划分，以 Spearman 秩信息系数为主要指标，并补充报告 R 平方和均方误差。比较还考察不同库中的特征重要性，并在 XGBoost 中使用验证数据进行早停。…
该笔记将母订单执行建模为有限时域控制问题。表格型 Q 学习智能体根据剩余时间、剩余库存，以及最近完成区间的价差和波动状态，选择一个乘数来调整基于VWAP的交易速率。其奖励函数会惩罚执行成本和库存敞口；参与率上限限制成交量，终端惩罚则计入未成交数量。状态有意排除价格和收益信号，使任务聚焦于执行，而非方向择时。…
该笔记将每个收益窗口视为经验分布，并根据一维瓦瑟斯坦距离对窗口进行聚类。对于样本量相同的样本，排序即可实现最优分位数匹配；因此，该距离能反映整个收益分布的差异，包括尾部位置，而均值和方差可能会遗漏这些差异。其重心按分位数逐一计算：一阶距离使用中位数，二阶版本使用均值，从而支持类似 Lloyd 算法的聚类过程。 文档将这些分布聚类与市场状态标签，以及使用少量矩的聚类方法进行比较。结果显示，对完整分布聚类比基于四个矩的 k-means…
本章概述从验证市场数据到评估模型的研究步骤。内容涵盖考虑数据划分的预处理、编码和缺失数据处理决策，随后介绍与执行规则一致的目标构造，包括固定期限标签和基于事件的标签。标签重叠情况、结果解析规则以及目标所隐含的交易频率，都会影响模型实际被要求预测的内容。…
本文介绍一个用于训练日度 FX 配对数据时序卷积网络的共享工作流。模型接收固定长度的序列；如果某个预期日期缺失，任何跨越该缺口的窗口都不符合使用条件。运行程序会推导有效序列终点网格，只使用更早且当时可观测的行来初始化验证序列，记录各轮次检查点，并将已发布的预测与符合条件的键对齐。 笔记本会在拟合前规划请求，模型设置和执行层级都会影响训练身份。它会检查计划标签与检查点是否符合声明的覆盖范围，然后拟合模型或重新载入已保存的权重，并将完整预测发送到目录。验证集是用于模型选择的数据划分；只有在锁定模型后才会使用留出集。…
本笔记本介绍一个基于 Mamba 的教学用选择性状态空间模型，并评估其在 ETF 收益预测中的表现。与固定参数的状态空间模型不同，该模型根据当前输入计算输入到状态项、状态到输出项和步长。步长控制先前状态衰减的速度，另一个单独学习的门控则调节状态空间输出。笔记本对比模型的线性时间递推与二次复杂度的序列混合和注意力机制，并解释仿射更新如何支持并行结合式扫描。 此实现经过有意简化：它使用 Python…
该工具根据资产分组标签和可选的组间连接，构建布尔型资产间邻接矩阵。分配到同一宏观组的资产彼此连接；每条提供的跨组边都会以双向方式连接两组中的所有成员。可选的自连接允许每项资产关注自身。没有映射的资产会被分配到未知组，因此会与其他未映射资产相连。…
本笔记本基于公司 10-K 申报文件摘录构建检索流水线。它载入稳定的一组申报文件，将文本切分为句子窗口，创建本地嵌入，并将文本块编入向量数据库。由于实时语言模型生成已禁用，本次测量重点关注检索。查询集中包括一个预期可回答的问题，以及若干超出语料或其覆盖范围的问题。…
本配置说明解释了为何带 L1 惩罚的三分类逻辑回归采用 SAGA，并明确收紧容差。它在 Nasdaq 100 微观结构预测面板上将 SAGA 与 liblinear 进行比较；在所测运行中，SAGA 拟合更快，样本外对数损失和准确率也更好。说明还介绍了在项目的 scikit-learn 版本约束下，liblinear 为何不适用。 核心方法论要点是，宽松的收敛容差可能使系数在数值上接近零，却未真正等于零，从而扭曲特征稀疏度计数。在所选惩罚强度下，收紧容差可使 SAGA…
本笔记本介绍路径签名，将其作为定长特征，用于保留时间序列窗口中观测值的顺序和联合几何结构。第一层记录每个坐标的总变化；第二层捕捉坐标对之间的带符号面积，从而揭示单独的汇总统计量无法描述的运动顺序。加入持续递增的时间坐标，可区分上下波动的路径与保持平坦的路径。更高层级编码更精细的路径结构，特征数量会随深度和维度增加而快速增长。对数签名通过移除代数冗余项，以更紧凑的表示保留信息。 示例使用归一化时间、价格和成交量构建向后延伸的路径，再比较路径签名特征与人工构建的形状特征，用于预测 ETF…
本笔记本介绍一种扩展窗口双重机器学习分析，研究在控制 Beta、IdioVol、LME 和 Variance 后，12至-2个月动量能否预测美国公司下个月的收益（US）。干扰项模型使用更早的决策月份进行训练，各公司的数据在折分边界两侧保持归属一致，并设置隔离期以防止重叠结果进入测试期。最终的 2016 留出集被排除。分析在相同的折外观测上比较朴素 OLS 与 DML，并采用允许公司间及时间上存在依赖的 Driscoll-Kraay 推断来评估不确定性。…