دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Thomas Barrau, Raphael Douady سری: ISBN (شابک) : 9783030973193, 9783030973186 ناشر: Springer سال نشر: 2022 تعداد صفحات: زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 18 Mb
در صورت تبدیل فایل کتاب Artificial Intelligence for Financial Markets: The Polymodel Approach به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی برای بازارهای مالی: رویکرد چند مدلی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب تکنیک جدید هوش مصنوعی چند مدلها را معرفی میکند و آن را در پیشبینی بازده سهام به کار میبرد. ایده چند مدلها توصیف یک سیستم با حساسیتهایش به یک محیط، و نظارت بر آن، تقلید کاری که یک مغز طبیعی به طور خود به خود انجام میدهد، است. در عمل این شامل اجرای مجموعه ای از مدل های تک متغیره غیر خطی است. این تکنیک مستقل بسیار قدرتمند دارای چندین مزیت نسبت به رگرسیون چند متغیره سنتی است. با تفسیر آسان نتایج، این روش یک گام اولیه ایده آل به سمت رویکرد شبکه عصبی سنتی را فراهم می کند. دو فصل اول این تکنیک را با سایر گزینههای رگرسیون مقایسه میکند و یک روش تخمینی را معرفی میکند که یک رگرسیون چند جملهای را با استفاده از اعتبارسنجی متقاطع منظم میکند. بقیه کتاب این ایده ها را در بازارهای مالی اعمال می کند. مؤلفههای بازده سهام خاص با استفاده از چند مدل به روشهای بسیار متفاوتی پیشبینی میشوند، و یک الگوریتم ژنتیک توصیف میشود که این پیشبینیهای مختلف را در یک سبد واحد با هدف بهینهسازی بازده پرتفوی بدون هزینههای مبادله ترکیب میکند. خطاب به سرمایه گذاران در تمام سطوح تجربه، این کتاب برای آماردانان باتجربه و غیرمرتب نیز مورد توجه قرار خواهد گرفت.
This book introduces the novel artificial intelligence technique of polymodels and applies it to the prediction of stock returns. The idea of polymodels is to describe a system by its sensitivities to an environment, and to monitor it, imitating what a natural brain does spontaneously. In practice this involves running a collection of non-linear univariate models. This very powerful standalone technique has several advantages over traditional multivariate regressions. With its easy to interpret results, this method provides an ideal preliminary step towards the traditional neural network approach. The first two chapters compare the technique with other regression alternatives and introduces an estimation method which regularizes a polynomial regression using cross-validation. The rest of the book applies these ideas to financial markets. Certain equity return components are predicted using polymodels in very different ways, and a genetic algorithm is described which combines these different predictions into a single portfolio, aiming to optimize the portfolio returns net of transaction costs. Addressed to investors at all levels of experience this book will also be of interest to both seasoned and non-seasoned statisticians.
Foreword Preface Contents Chapter 1: Introduction 1.1 Financial Market Predictions: A Concise Literature Review 1.2 A Simple Model of Portfolio Returns 1.3 Plan of the Book References Chapter 2: Polymodel Theory: An Overview 2.1 Introduction 2.2 Mathematical Formulation 2.3 Epistemological Foundations 2.3.1 A Statistical Perspectivism 2.3.2 A Phenomenological Approach 2.4 Comparison of Polymodels to Multivariate Models 2.4.1 Reducing Overfitting 2.4.2 Increasing Precision 2.4.3 Increasing Robustness 2.5 Considerations Raised by Polymodels 2.5.1 Aggregation of Predictions 2.5.2 Number of Variables Per Elementary Model 2.6 Conclusions References Chapter 3: Estimation Method: The Linear Non-Linear Mixed Model 3.1 Introduction 3.2 Presentation of the LNLM Model 3.2.1 Definition 3.2.2 Fitting Procedure 3.3 Evaluation Methodology 3.4 Results 3.4.1 For 126 Observations (Tables 3.1 and 3.2) 3.4.2 For 252 Observations (Tables 3.3 and 3.4) 3.4.3 For 756 Observations (Tables 3.5 and 3.6) 3.4.4 For 1,260 Observations (Tables 3.7 and 3.8) 3.4.5 Computation Time (Table 3.9) 3.4.6 Interpretations 3.5 Conclusions References Chapter 4: Predictions of Market Returns 4.1 Introduction 4.2 Data 4.3 Systemic Risk Indicator 4.3.1 Model Estimation 4.3.2 Systemic Risk Indicator Definition 4.3.3 Primary Analysis 4.3.4 Roots of the Predictive Power 4.4 Trading Strategy 4.4.1 Methodology 4.4.2 Results 4.5 Robustness Tests 4.5.1 Sensitivity to the Noise Filter 4.5.2 Sensitivity to Future Returns Windows 4.5.3 Sensitivity to Half-life 4.5.4 Sensitivity to Rolling Window Length 4.5.5 Asset-Class Specific Performances 4.5.6 Sensitivity to Trading Strategy 4.6 Conclusions References Chapter 5: Predictions of Industry Returns 5.1 Introduction 5.2 Data 5.2.1 Summary Statistics 5.3 Methodology 5.3.1 Measuring Antifragility 5.3.2 Predicting Industry Returns 5.4 Results 5.4.1 Long/Short Trading Strategy 5.4.2 Regressions on Future Returns 5.4.3 Comparisons to Classical Factors 5.4.4 Separating Concavity and Convexity 5.4.5 Separating Positive and Negative Market Returns 5.5 Robustness Tests 5.5.1 Stability of the Signal 5.5.2 Sensitivity to Hyper-Parameters 5.6 Conclusions References Chapter 6: Predictions of Specific Returns 6.1 Introduction 6.2 Methodological Foundations 6.2.1 Data 6.2.2 Time-series Predictions, Cross-sectional Portfolio Construction 6.2.3 Subtracting the Average Return 6.3 Predictions Selection 6.3.1 Root Mean Squared Error Filter Evaluation 6.3.2 p-value Filter Evaluation 6.3.3 Bayesian Information Criterion Filter Evaluation 6.3.4 Selection Using Dynamic Optimal Filtering 6.4 Aggregation of Predictions 6.4.1 Prediction Aggregation Using Bayesian Model Averaging 6.4.2 Prediction Aggregation Using Added Value Averaging 6.4.3 Uncertainty of Aggregate Predictions 6.5 Trading Strategy 6.5.1 Methodology 6.5.2 Performance 6.5.3 Significance of the Methods 6.6 Robustness Tests 6.6.1 Correlations with Standard Factors 6.6.2 Sensitivity to the Filter Regression Window 6.6.3 Stability of the Performance 6.6.4 Sensitivity to the Believability Measure Window 6.6.5 Sensitivity to the Originality Measure Window 6.6.6 Unaccounted Parameter Sensitivities 6.7 Conclusions References Chapter 7: Genetic Algorithm-Based Combination of Predictions 7.1 Introduction 7.2 Analysis of Strategies 7.2.1 Predictions of Market Returns 7.2.2 Predictions of Industry Returns 7.2.3 Predictions of Specific Returns 7.2.4 Correlation Analysis 7.3 Risk Parity Combination 7.3.1 Introducing Risk Parity 7.3.2 Transaction Costs Matter 7.3.3 Ex-ante Optimal Reduction of the Transaction Costs 7.4 Genetic Algorithm-Based Combinations 7.4.1 Methodology 7.4.2 Results 7.5 Robustness Tests 7.5.1 Mutation Probability 7.5.2 Number of Chromosomes 7.5.3 Number of Epochs 7.5.4 Seed 7.5.5 Optimal Trading Rate Window 7.6 Conclusions References Chapter 8: Conclusions Appendix Representative RMSE Distributions per Stock Index Market Timed Portfolio and Systemic Risk Indicator per Stock Index Industry Buckets Summary Statistics AFI Scores per Industry over Time