知识库

本文说明如何使用在验证数据上选定的配置，为预留的NASDAQ-100微观结构留出期生成预测。它仅使用截止于留出期开始之前的历史数据重新拟合所选模型，并设置足以覆盖最长指定结果期限的标签缓冲区。重新拟合会获得独立的训练身份；本笔记还会检查所选模型的验证期是否与留出窗口重叠。…

本案例研究使用正则化线性模型拟合持有至到期的平值卖出跨式策略收益。由于权利金收入限制了收益上限，而亏损可能无限扩大，少数严重亏损会主导平方误差回归目标。本笔记比较不同惩罚强度下的岭回归、Lasso 和 ElasticNet，并使用仓位和波动率曲面特征，例如期权希腊值、隐含与已实现波动率、方差风险溢价、价差和行权价距离。…

本笔记使用真实ETF数据，评估动量信号在回看期、市场状态和实现方式的合理变化下是否仍然有用。它计算动量与未来收益之间的横截面信息系数，然后一次扫描一个回看期参数，以观察表现的响应面。稳健性以接近峰值的参数选择范围衡量，而非单一最佳结果的高度。HAC标准误处理序列相关性和重叠的未来收益标签。…

本文介绍一种独立于对话记录的研究智能体结构化状态记录。该记录保存问题与截止时间、收集到的证据、未解决的问题、工具调用历史、关卡结果以及综合分析状态。将证据与工具轨迹分开保存，有助于区分搜索无结果和根本没有执行搜索。保存和恢复状态支持可恢复的运行，也便于比较不同运行结果。…

本文研究在现有加密货币永续策略中加入的仓位级退出规则：固定止损、移动止损和基于时间的退出。文中说明这些控制措施只会平掉底层策略选定的仓位，并将其与未叠加控制的同一策略进行评估。指定搜索包含十四种控制措施，并应用于经过严格筛选的配置，以减少在相同验证数据上反复比较。…

这项可行性分析检查能否使用现有面板数据评估基于 US 公司特征的月度多空策略。分析验证指标是否以排名形式编码，描述公司可观测时长，按再平衡日期统计公司数量并与多空两侧所需持仓数比较，将月度价差与假定的交易成本区间进行比较，并检查历史数据是否足以支持多轮滚动验证且不触及留出集。分析没有拟合模型，也没有进行预测。…

本笔记本使用历史危机窗口、手动设定的同步资产冲击、Student-t 蒙特卡洛模拟和市场状态统计，对比四种参考 ETF 配置。它解释了最大回撤指标，并使用每日固定权重投资组合考察复合收益、回撤及其他压力测试结果。历史回放涵盖全球金融危机、COVID 和 2022 紧缩时期等重大抛售；假设情景则检验多个持仓同时遭受冲击时投资组合的反应。 模拟将 Student-t…

这个共享工具模块支持使用时间序列双重机器学习（DML）对交易数据进行因果分析。文档列出的工具包括带有隔离期的滚动估计、干扰模型和证伪检查。区块置换能在安慰剂检验中保留局部时间依赖；面板置换则按实体和观测时间网格中的间隙分段，避免区块跨越不连续处。工具还会测量实际观测频率，以便将标签间隔缓冲换算为适当的隔离期，并提醒固定 bar 周期假设可能造成误导性间隙。 实现会记录配置和运行来源信息，以便复现和比较运行结果。某次版本变更将证伪检验从原始效应切换为 HAC t…

本笔记本查询多个交易案例研究的登记表，并生成跨数据集的信号、资产配置、成本和风险比较表。它报告了验证集排名靠前的配置簇诊断指标，包括排名第一与第十的夏普比率差距、各折表现及其他测量值，用于显示选择结果的稳定程度。其选择流程固定完整的策略规格，包括信号、资产配置和风险叠加，并在有结果时将验证结果与重新训练后的留出集结果配对。标签和执行机制的限制使特定比较符合案例研究的预期分析。…

本文提供一套可复用的金融数据诊断检查，涵盖索引完整性、重复项、缺失值、异常值、日历缺口和特定领域异常。检查内容包括时间类型、排序和唯一性（包括面板数据中按代码排序），并区分完全重复行与取值不同但键重复的记录。覆盖报告按字段、资产和时间汇总缺失值；其他检查则针对无效价格或成交量、异常收益变动等问题。 这些诊断用于在清洗前评估原始数据，不会修改输入。示例强调，列完整并不保证面板覆盖完整，异常规则也必须符合市场惯例。例如，应根据拆股信息识别公司行动，而不是从收益阈值推断；对于 FX…

本文演示一个经纪商封装层：在转发交易前检查订单和投资组合状态。其控制包括单笔订单的股数和金额上限、持仓敞口上限、订单频率限制、资产允许列表和屏蔽列表，以及紧急停机功能。模拟经纪商会显示请求被接受或拒绝的情况，并通过断言确保每个情景都产生预期结果。…

本笔记区分收益预测与声称动量会导致收益这两种说法。它将股票过去一年的收益（不包括最近一个月）视为处理变量，将未来收益视为结果变量。近期波动率、流动性不足排名和成交量比率被设为潜在混杂因素。双重机器学习分别根据这些变量对结果和处理变量建模，然后通过将残差化后的结果对残差化后的处理变量进行回归来估计影响。两个干扰项模型都采用滚动方式拟合，并设置隔离期，以避免使用未来信息。…

本工具介绍用于诊断量化研究流程所生成数据产物的方法。它会统计数值列中的空值、非有限值、零值、不同值数量、分位数和尾部行为，并标记超出可配置提示阈值的列。它还会将已生成的键与明确声明的预期范围进行比较，报告缺失和意外的键，避免仅因现有行完整，就误以为规模不足的输出状况良好。…

本笔记使用拆分保形预测，为梯度提升预测构建区间。模型在较早的训练片段上拟合，在较晚的校准片段上测量绝对残差，并使用有限样本次序统计量设定区间宽度。校准数据按时间顺序划分，并通过与标签期限相关的隔离期与训练数据分开，以处理前瞻目标造成的信息泄漏。研究比较了 ETF、加密货币和期货数据上的区间覆盖率与宽度，涵盖分位数回归、保形化分位数回归和自适应保形推断。…

本笔记说明如何在通过验证结果选定 FX 策略配置后生成留出集预测。它会在获准且保持偿付能力的候选项中，选定验证回测夏普比率最高的一项，然后根据所选标签的观测时间线构建留出区间。训练会在留出集之前预留一段标签缓冲区，避免训练结果延伸至评估期。笔记根据验证规格重建模型请求，在保留所选配置和检查点的同时调整折的几何结构。…

本笔记说明日频 OHLCV 数据的生命周期：加载初始历史数据，获取少量有重叠的增量数据，检测缺失交易日，并汇总每个标的的数据新鲜度和校验问题。它说明更新窗口为何应截止于数据服务商最近一根完整 K 线，因为当日记录可能包含未完成价格；也说明重叠窗口有助于捕获供应商修订数据。此外，笔记还概述了适用于不同更新需求的增量更新、仅追加、全量刷新和回填方式。 示例使用日频 US 股票数据，报告新增可用交易日之前每个标的的初始面板有 502…

本笔记将先前选定的公司特征预测和固定投资组合配置应用于一年期留出集。它不再对预测、资金分配、集中度、再平衡或交易成本作出新选择，以保留留出集用于样本外评估。投资组合的保形分配器使用验证残差估计预测可靠性；残差过少的公司使用汇总后的备用区间宽度。权重依据投资组合各部分内相对区间宽度的倒数确定，因此分配器侧重可靠性，而非单纯偏向预测收益最高的公司。…

本笔记展示一种只读问答流程，其机构持仓图谱基于 13F 文件构建。该流程不从自然语言生成数据库查询，而是将明确支持的问题路由到手写且实体固定的 Cypher 模板。模板用于检索持有人、持有两只相同证券的机构，或某机构持仓最大的证券。数据生产方提供的快照包含最新可用的申报日期；查询会按公开可用性筛选并选取最近的报告期，从而将这两个时间概念区分开来。…

本分析从登记系统加载各案例研究的叠加规则回测，将其夏普和最大回撤与配置阶段基准比较；若不可用，则使用信号阶段基准。分析按规则类型分类配置，报告每项研究中夏普最高的叠加规则，以及各类别的均值、中位数和正向改善率。参数扫描中的最佳结果会与典型配置分开处理，因为选择最大值会夸大表面收益。…

本笔记评估 NASDAQ-100 日内策略中配置阶段排名靠前的配置，并考察持仓级止损、移动止损和时间退出。策略每十五分钟决策一次，而回测引擎每分钟监控持仓，因此叠加规则可以在信号更新之间退出。移动止损阈值既包括预设网格，也包括根据最大不利偏移（MAE）校准的变体；最大不利偏移是指定持有期限内观察到的最差不利价格变动。…

本笔记推导欧式看涨期权和看跌期权的 Black-Scholes 定价，检验看涨看跌平价，并使用 Brent 求根法计算隐含波动率。还定义 Delta、Gamma、Vega、Theta 和 Rho，并用图表展示期权敏感度如何随实值程度和到期时间变化。希腊值被视为用于对冲和理解风险敞口的局部指标；隐含波动率则是使模型价格与观察到的期权价格相匹配的波动率输入。…

本章将强化学习定位为一种序列控制工具，并将其与监督式预测区分开来。重点是行动会影响后续结果且奖励相对具体的任务：交易执行、做市和衍生品对冲。内容还讨论如何将这些问题映射为部分可观测决策过程、如何在基于价值的方法和演员评论家方法之间选择，以及如何将学习策略与既有执行计划或对冲基准进行比较。 案例研究包括模拟执行比较、加密货币永续期货重放、考虑库存风险的报价，以及计入交易成本的对冲。研究强调配对路径、行动分布、损益分布和风险指标可作为有用的评估证据；本章概述并未广泛证明 RL…

本笔记从冻结的验证候选集中重建选定的 FX 配对配置，再评估其验证和留出期证据。选择规则是取符合条件且验证夏普最高的配置，并在并列时按回测标识确定性地打破平局；成本变体不纳入候选集。留出期谱系按模型系列、配置、标签和检查点进行匹配，因为真正重新训练后的训练标识会不同。分析会读取先前登记的留出期预测和回测，检查来源，并列出验证期、留出期及两者差异的区间估计和配对比较。…

本笔记构建了一个 LSTM 配置器，将近期 ETF 收益和波动率特征直接映射为仅做多的投资组合权重。Softmax 输出确保权重非负且总仓位为满仓；可微的夏普比率目标函数则在不经过单独收益预测阶段的情况下训练网络。实验采用滚动训练、验证和测试划分，并将学习得到的配置与等权和逆波动率基准进行比较。…