معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Autoencoder Market Models (AEMM)

ویژگی	مقدار
سیستم عامل	-
نام فایل	aemm-0.0.2
نام	aemm
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	The Project Contributors
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/compatibl/aemm
آدرس اینترنتی	https://pypi.org/project/aemm/
مجوز	-

# Autoencoder Market Models (AEMM) ## Overview This package implements autoencoder-based models in Q- and P-measure. The initial set of models is for interest rates. More asset classes may be added at a later date. The package takes specialized autoencoders and classical methods for performing dimension reduction in quant models of financial markets from `aenc` package (https://pypi.org/project/aenc/). ## Quick Start Guide Install using: ```shell pip install aemm ``` ## Namespaces Namespace `aemm.core` implements autoencoder-based market models (AEMM) and related classical models. The implementation uses PyTorch and can be easily ported to TensorFlow 2 and other machine learning frameworks that support dynamic computational graphs. Namespace `aemm.dummy` includes dummy objects and generators for dummy market data for testing purposes. To perform testing or training on real historical or market-implied data, provide your own data files in the same format as the dummy data files, or use pretrained components. Namespace `aemm.pretrained` includes pretrained components to avoid lengthy test execution time. Use flags to ignore pretrained parameters and perform training from scratch (calculation time will increase). ## Licensing The code in this project is licensed under Apache 2.0 license. See [LICENSE](https://www.apache.org/licenses/LICENSE-2.0.html) for more information. ## Copyright Each individual contributor holds copyright over their contributions to the project. The project versioning is the sole means of recording all such contributions and copyright details. Specifying corporate affiliation or work email along with the commit shall have no bearing on copyright ownership and does not constitute copyright assignment to the employer. Submitting a contribution to this project constitutes your acceptance of these terms. Because individual contributions are often changes to the existing code, copyright notices in project files must specify The Project Contributors and never an individual copyright holder. ## Publications and Links 1. Alexander Sokol, Autoencoder Market Models for Interest Rates, SSRN Working Paper https://ssrn.com/abstract=4300756 2. This project on GitHub: https://github.com/compatibl/aemm 3. Autoencoders for financial markets on GitHub: https://github.com/compatibl/aenc

نیازمندی

مقدار	نام
>=0.0.1	aenc
>=2.0.0	cl-runtime
>=1.17.4	numpy
>=0.25.3	pandas
>=12.0.2	pdoc
>=4.14.3	plotly
>=6.1.1	pytest
==1.0.1	scikit-learn
>=1.12.1	torch

نحوه نصب

نصب پکیج whl aemm-0.0.2:

pip install aemm-0.0.2.whl

نصب پکیج tar.gz aemm-0.0.2:

pip install aemm-0.0.2.tar.gz