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

Specialized autoencoders for dimension reduction in quant models of financial markets (AENC)

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

# Autoencoders for Financial Markets (AENC) ## Overview This package implements specialized autoencoders and related classical methods for performing dimension reduction in quant models of financial markets. Potential uses include investment strategy research, portfolio valuation, and risk management. ## Quick Start Guide Install using: ```shell pip install aenc ``` ## Namespaces Namespace `aenc.core` implements autoencoders and related classical methods, including generic (such as PCA) and specialized (such as Nelson-Siegel). The implementation uses PyTorch and can be easily ported to TensorFlow 2 and other machine learning frameworks that support dynamic computational graphs. Namespace `aenc.dummy` includes dummy objects and generators for dummy market data for testing purposes. To perform testing or training on real market data, provide your own historical market data files in the same format as the dummy data files, or use pretrained components. Namespace `aenc.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. GitHub repository: https://github.com/compatibl/aenc

نیازمندی

مقدار	نام
>=8.2.0	approvaltests
>=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 aenc-0.0.2:

pip install aenc-0.0.2.whl

نصب پکیج tar.gz aenc-0.0.2:

pip install aenc-0.0.2.tar.gz