XiaoMi-AI文件搜索系统
World File Search System交易者
战略复杂和交易利润：与专业交易者的实验
我们进行了一个实验，专业交易者赋予了私人信息，在多个时期内交易资产。在交易游戏之后，我们通过执行一系列任务来收集有关专业交易者特征的信息。我们研究这些特征中的哪些预测交易游戏中的利润。我们发现，在猜测游戏中衡量的战略复杂性（例如，通过级别K理论）是专业交易者利润的唯一重要决定因素。相比之下，利润不是由个人特征（例如认知能力或行为特征）驱动的。此外，更高的利润是由于能够以优惠的价格进行交易而不是获得更高股息的能力。将这些结果与学生样本的结果进行比较，我们表明，尽管认知技能对学生很重要，但它们并不适合交易者，而战略成熟的情况却相反。关键词：实验，金融市场，专业交易者，战略成熟_________________ cipriani：纽约联邦储备银行（电子邮件：marco.cipriani@ny.frb.org）。angrisani：南加州大学经济与社会研究中心（电子邮件：angrisan@usc.edu）。瓜里诺：伦敦大学学院和CEPR经济系（电子邮件：a.guarino@ucl.ac.uk）。作者感谢Giorgio Coricelli，Rosemarie Nagel，Julen Ortiz de Zarate Pina以及2022年ESA会议的参与者，以获取有益的评论。他们还要感谢Antonella Buccione，Andrea Giacometti，Seungmoon Park和James Symons-Hicks提供了出色的研究援助，以及自愿参加这项研究的专业商人和投资组合经理。
iffs和商品交易：使用集团的企业申请来识别能源交易者金融行为中风险的机会
本工作论文构成了OECD发展援助委员会的子公司，是反腐败任务团队（ACTT）的主持下的多年工作计划“非法金融流量和石油商品交易”的一部分。工作论文描述了作者的初步结果或正在进行的研究，并发表了有关经合组织在其中工作的广泛问题的讨论。本工作文件不应报告为代表经合组织或其成员国的官方观点。表达的意见和所采用的论点是作者的观点。工作文件应用了团队作为ERC Advanced G Rant的一部分开发的比较法医方法：公司套利和CPL地图：全球经济中控制的隐藏结构（Corplink）。授予号。69494。我们要感谢凯瑟琳·安德森（Catherine Anderson），面团波特（Dough Porter），丽贝卡·恩格布森（Rebecca Engebretsen），迈克尔·沃茨（Michael Watts），菲尔·库尔伯特（Phil Culbert），奥利娜·艾萨瓦（Olena Isaeva），他们对商品贸易和IFF的复杂世界的专家洞察力以及他们对早期出版草案的建议和评论。
关于算法石油交易者的神话和现实
新的有关能源码头系列的第一篇文章介绍了石油衍生品市场的主要参与者1。文章解释了这些参与者的描述是如何充满错误称呼的，并且许多交易者的行为经常被公众误解，不幸的是，监管机构误会了标签。例如，根据监管定义，生产商的标签违反直觉适用于大型物理投机者，而真正的石油生产商的交易活动是通过交换经销商进行的。此外，许多分析师倾向于错误地将所有定量基金，财务投机者和算法交易者称为CTA，代表商品交易顾问。这样的概括反映了对CTA是谁及其在石油市场中的作用的误解。本文的目的是阐明他们的实际交易策略，即使CTA本身恰好只是另一个错误称呼。
交易者乔的案例研究-UNL Digital Commons
本文由荣誉计划在内布拉斯加大学 - 林肯大学提供免费和公开访问。已被授权的Nebraska@Nebraska University of Nebraska University of Nebraska -Lincoln的授权管理员所接受，内布拉斯加州林肯大学。
澳大利亚堪培拉，2020 年 12 月 1 日至 4 日 方法至关重要：没有智能的交易代理通常比基于人工智能的交易者表现更好
摘要 — 使用计算智能（即人工智能 (AI) 和机器学习 (ML) 的方法）来自动发现、实施和微调金融市场中自主自适应自动交易的策略的研究由来已久，有关该主题的一系列研究论文已在 IJCAI 等主要 AI 会议和《人工智能》等著名期刊上发表：我们在此展示的证据是，这一研究领域存在许多方法上的失误，实际上，一些据称表现最佳的公共领域 AI/ML 交易策略通常会被完全不涉及 AI 或 ML 的极其简单的交易策略所超越。我们在此强调的结果很容易在十多年前相关关键论文发表时就被揭示，但这些论文发表时公认的方法涉及一种对交易代理进行实验评估的最低限度的方法，仅根据在少数市场场景中对交易代理进行的几千次测试做出断言。在本文中，我们展示了使用并行云计算设施对广泛参数值进行详尽测试的结果，我们在其中进行了数百万次测试，从而创建了更丰富的数据，可以从中得出更可靠的结论。我们表明，已发表文献中最好的公共领域 AI/ML 交易员的表现通常不如“零以下智能”交易策略，这种策略从表面上看似乎过于简单，以至于会造成财务损失，但它与市场的互动方式在实践中比研究文献中众所周知的 AI/ML 策略更有利可图。这种简单的策略可以胜过现有的基于 AI/ML 的策略，这表明 AI/ML 交易策略可能是对错误问题的良好回答。