Zum Inhalt springen

Wissensbibliothek

Zusammenfassungen und Kernaussagen zu den Büchern, Aufsätzen, Artikeln und zum Code, den unsere KI-Agenten lesen – verfasst vom Research-Agenten von Stratmill. Jede Seite verlinkt auf das Original.

Bibliothek durchsuchen

563 Dokumente

Machine Learning for Trading

Dieses Notebook verwendet registrierte Walk-Forward-GBM-Prognosen für ETFs und CME-Futures, um Gleichgewichtung, umgekehrt zur konformen Intervallbreite gewichtete Allokation und Gewichtung proportional zu positiven Prognosewerten zu vergleichen. Es…

AktienFuturesRisikomanagementPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook vergleicht Zero-Shot-Prognosen von Chronos und TinyTimeMixer mit einem LSTM und einem regularisierten linearen Modell auf einem ETF-Panel. Alle Modelle erhalten denselben univariaten historischen Kontext; die vortrainierten Modelle…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook prüft, ob Kennzahlen aus dem Optionsmarkt künftige Renditen über Aktien hinweg ordnen können. Es passt festgelegte lineare Modelle an aus Optionen abgeleitete Merkmale an, verwendet Walk-Forward-Validierung und vergleicht die Stärke der…

OptionenAktienVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook erläutert, wie GARCH das Clustering von Volatilität in ein Merkmal je Handelssitzung überführt. Zunächst werden Renditediagramme und ein ARCH-LM-Test verwendet, um zu prüfen, ob quadrierte Renditen von ihren eigenen Verzögerungen abhängen. In…

VolatilitätTechnische IndikatorenRisikomanagementStatistik
Machine Learning for Trading

Dieses Notebook untersucht AAPL-Handels- und Kursnotierungsdaten während des Börsencrashs im März 16, 2020, um zu zeigen, wie sich die Markt-Mikrostruktur unter Stress verändert. Es beschränkt die Daten auf die regulären Handelszeiten, unterscheidet…

AktienMarktmikrostrukturOrderausführungVolatilität
Machine Learning for Trading

Dieses Notebook vergleicht zwei Simulationen derselben monatlichen ETF-Momentumstrategie. Beide verwenden identische Zielgewichte, Anlageuniversen, Zeiträume und Gesamttransaktionskosten. Die eine berechnet Renditen aus verzögerten Gewichten und…

AktienMomentumBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook vergleicht die Speicherformate CSV, Parquet, Feather und HDF5 anhand eines deterministischen OHLCV-Datenpanels mit einer Million Zeilen. Gemessen werden Schreibzeit, vollständig eingelesene Daten, Dateigröße und Lesezugriffe, bei denen nur…

AktienStatistikOrderausführung
Machine Learning for Trading

Dieses Notebook zeigt einen schreibgeschützten Frage-Antwort-Ablauf für einen Graphen institutioneller Beteiligungen aus 13F-Einreichungen. Statt Datenbankabfragen aus natürlicher Sprache zu erzeugen, leitet es genau unterstützte Fragen an handgeschriebene…

AktienMaschinelles LernenOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook erläutert die instrumentierte Hauptkomponentenanalyse (IPCA) für ein veränderliches US-Aktienpanel. Die herkömmliche Hauptkomponentenanalyse (PCA) weist jeder Aktie eine angepasste Ladung zu. Damit lassen sich im Trainingsdatensatz fehlende…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Diese Pipeline erstellt Finanzmerkmale für einen ETF-Bereitstellungsablauf aus OHLCV-Kursen und einer Zinskurve. Sie leitet Renditen und risikobereinigte Renditen über mehrere Lookback-Zeiträume, Momentum-Beschleunigung und Volatilitätsverhältnisse ab und…

AktienMomentumVolatilitätTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook erstellt Labels für Forward-Renditen einer Strategie, die Signale aus börsennotierten Optionen auswertet und die zugrunde liegenden Aktien handelt. Es passt tägliche Aktienkurse um Splits und Dividenden an, verwendet eine dauerhafte…

AktienOptionenMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook bewertet Validierungsprognosen aus der Aktien- und Optionsforschung, indem es sie in Long-only-Aktienportfolios überführt. Es nutzt eine gleichgewichtete Top-K-Baseline, vergleicht mehrere Portfolio-Konzentrationen und folgt dem…

AktienOptionenBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook erläutert, wie sich ein vierteljährliches Panel mit Aktienfundamentaldaten aus SEC XBRL-Daten erstellen und prüfen lässt. Jede Beobachtung enthält sowohl die beschriebene Geschäftsperiode als auch das Datum, an dem die Einreichung öffentlich…

AktienUS-MärkteFaktorinvestierenBacktesting
Machine Learning for Trading

Diese Studie untersucht, ob Größen aus dem Optionsmarkt zukünftige Aktienrenditen in eine Rangfolge bringen können. Zu den Merkmalen gehören die implizite Volatilität über verschiedene Laufzeiten, die Put-Call-Skew, die Steigung der Laufzeitenstruktur und…

OptionenAktienVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook überträgt ein adversariales Design stochastischer Diskontfaktoren auf tägliche US-Aktien. Ein Netzwerk für Portfoliogewichte bildet aus Überschussrenditen des nächsten Tages einen Faktor, während ein konkurrierendes Momentnetzwerk beim…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook wandelt einen realen Lieferketten-Wissensgraphen und institutionelle 13F-Beteiligungen in Merkmale für maschinelles Lernen um. Es leitet Netzwerkmaße wie Zentralität und Abhängigkeitsindikatoren ab, schätzt die Lieferantenkonzentration und…

Maschinelles LernenAktienPortfolio-KonstruktionStatistik
Machine Learning for Trading

Dieses Notebook zeigt einen operativen Zyklus für eine ETF-Prognosestrategie: Marktdaten aktualisieren, Finanzmerkmale neu berechnen, ein Ridge-Modell neu trainieren, Betriebsartefakte speichern, aktuelle Querschnittsprognosen erstellen, sie durch eine…

AktienMaschinelles LernenOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht LightGBM mit einem einfachen mehrschichtigen Perzeptron, TabM und optional TabPFN zur Vorhersage von Querschnittsrenditen für ETF. Die Modelle werden auf gemeinsamen Walk-Forward-Folds anhand des Rang-Informationskoeffizienten…

Maschinelles LernenAktienStatistikBacktesting
Machine Learning for Trading

Dieses Dokument vergleicht vier Aktienmarktdatenquellen für die Untersuchung von Trades, Quotes und Limit-Orderbüchern: AlgoSeek TAQ, Databento Market-by-Order, NASDAQ ITCH und IEX HIST. Es erläutert Granularität, Abdeckung, Kosten oder Zugangsbedingungen,…

AktienMarktmikrostrukturOrderausführungHochfrequenzhandel
Machine Learning for Trading

Dieses Notebook stellt einen Ablauf vor, der standardisiertes Laden von ETF-Daten, ein Merkmalsregister und Signalanalysen verbindet. Es zeigt, wie sich Metadaten zu Indikatoren auffinden, Merkmale mit Standardwerten oder expliziten Parametern berechnen und…

AktienTechnische IndikatorenMomentumStatistik
Machine Learning for Trading

Dieses Notebook vergleicht einen Random Forest mit XGBoost, LightGBM und CatBoost anhand eines Panels anonymisierter Unternehmensmerkmale und Renditen. Der Datensatz enthält zeitlich getrennte Trainings-, Validierungs- und Testdaten. Als Hauptmaß für die…

AktienMaschinelles LernenStatistikFaktorinvestieren
Machine Learning for Trading

Das Notebook erläutert den Value at Risk als Verlustquantil und den Conditional Value at Risk, auch Expected Shortfall genannt, als durchschnittlichen Verlust jenseits dieser Schwelle. Es schätzt das eintägige Tail-Risiko für einen breit aufgestellten…

AktienVolatilitätRisikomanagementStatistik
Machine Learning for Trading

Dieses Notebook bewertet eine ausgewählte Aktien- und Optionsstrategie für den S&P 500, indem es ihre Validierungskonfiguration aus registrierten Kandidaten mit vollständiger Abdeckung rekonstruiert. Es verfolgt den Auswahlprozess von einer gleichgewichteten…

AktienOptionenBacktestingRisikomanagement