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

738 Dokumente

Machine Learning for Trading

Dieses Notebook beschreibt einen gepatchten Transformer für Sequenzprognosen in einer Studie zu S&P-500-Aktien und -Optionen. Er teilt ein Zeitfenster in zusammenhängende Blöcke und bildet jeden Block als Token ab. So kann die Attention weit voneinander…

AktienOptionenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses ETF-Merkmals-Notebook erläutert, wie angepasste statistische Modelle über ihre geschätzten Parameter Zukunftsinformationen einfließen lassen können, selbst wenn ihre Formeln vergangene Beobachtungen verwenden. Abhilfe schafft ein Walk-Forward-Zeitplan…

AktienMaschinelles LernenStatistikVolatilität
Machine Learning for Trading

Dieses Notebook untersucht Gradient Boosting für ein US-Aktienpanel und variiert Baumkapazität, Zielfunktion und Trainings-Checkpoint über drei Horizonte für Forward-Renditen. Es erläutert, wie flache Bäume Merkmalsinteraktionen lernen können und wie mit…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine Krypto-Perpetual-Funding-Strategie erstellt werden, nachdem ihre Konfiguration anhand von Validierungsergebnissen ausgewählt wurde. Es ermittelt den zulässigen Validierungs-Backtest mit der höchsten…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses gemeinsam genutzte Hilfsmodul unterstützt Kausalanalysen von Handelsdaten mit Double Machine Learning (DML) für Zeitreihen. Zu den dokumentierten Werkzeugen zählen Walk-Forward-Schätzungen mit Embargo, Nuisance-Modelle und Refutationstests.…

StatistikMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Diese Fallstudie erstellt Merkmale zum Vergleich von Varianzrisikoprämien bei S&P-500-Aktien. Verwendet werden At-the-Money-Straddles mit 30 Tagen Laufzeit und Daten zu den Basiswerten. Sie vergleicht implizite mit realisierter Volatilität über mehrere…

OptionenAktienVolatilitätBacktesting
Machine Learning for Trading

Diese Fallstudie erläutert, wie Prognosen für einen Holdout-Zeitraum erstellt werden, nachdem Modell und Strategie anhand von Validierungsdaten ausgewählt wurden. Sie lädt die zuvor gewählte Konfiguration, rekonstruiert deren Trainingsspezifikation und…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook erstellt einen LSTM-Allokator, der jüngste ETF-Rendite- und Volatilitätsmerkmale direkt auf Long-only-Portfoliogewichte abbildet. Eine Softmax-Ausgabe hält die Gewichte nichtnegativ und das Portfolio voll investiert. Eine differenzierbare…

Maschinelles LernenPortfolio-KonstruktionBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook stellt EdgarTools zur Untersuchung von SEC-Meldungen nach Unternehmen und Meldungsart vor. Es zeigt, wie Emittenten anhand stabiler CIK-Kennungen gesucht, Jahres- und Quartalsberichte abgerufen, XBRL-Abschlüsse extrahiert und Insider-Formular…

AktienUS-MärkteBacktestingStatistik
Machine Learning for Trading

Dieses Notebook beschreibt ein LSTM-Sequenzmodell, das Aktienrenditen anhand geordneter Fenster jüngster Merkmale vorhersagt. Jedes Beispiel verwendet 60 aufeinanderfolgende Sitzungen für eine Aktie; Fenster, die Listungslücken, Handelsaussetzungen oder…

AktienMaschinelles LernenStatistikUS-Märkte
Machine Learning for Trading

Diese Analyse prüft, ob tägliche Optionsdaten eine wöchentliche Strategie unterstützen können, die Straddles am Geld auf S&P-500-Bestandteile verkauft, Aktien delta-absichert und die Kontrakte bis zum Verfall hält. Sie erläutert, wie Calls und Puts einen…

OptionenVolatilitätOrderausführungBacktesting
Machine Learning for Trading

Diese Referenz fasst die gelisteten Kontraktmonate für 35 CME-Futures-Produkte aus den Bereichen Aktienindizes, US-Staatsanleihen, Energie, Metalle, Währungen, Zinssätze, Landwirtschaft, Viehwirtschaft und Krypto zusammen. Sie erläutert das Monatscodesystem…

FuturesMarktmikrostrukturBacktestingRohstoffe
Machine Learning for Trading

Dieses Dokument beschreibt eine Pipeline zum Herunterladen offizieller Binance-USD-M-Perpetual-Funding-Daten, deren Normalisierung und Zwischenspeicherung in einer spaltenorientierten Datei. Monatsarchive werden für die angeforderten Symbole und den…

KryptoPerpetual FuturesBewertung von DerivatenBacktesting
Machine Learning for Trading

Dieses Notebook wendet TabM, ein neuronales Ensemble mit gemeinsam genutzten Gewichten, auf ein US-Aktienpanel an, das pro Aktie und Sitzung eine Merkmalszeile enthält. Ein gemeinsam genutzter zweischichtiger Backbone speist mehrere Mitglieder, die jeweils…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook definiert Ziele für zukünftige Renditen, um US-Aktien zu ordnen, und erläutert, wie ihre Horizonte tatsächlichen Handelssitzungen entsprechen. Für Renditen verwendet es um Splits und Dividenden bereinigte Preise, für die Handelbarkeitsprüfung…

AktienMomentumStatistikBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Gradient-Boosting-Konfigurationen für Krypto-Perpetual-Futures anhand von Merkmalen, die auf dem Aufschlag der Perpetual-Kontrakte gegenüber dem Kassamarkt beruhen. Es variiert die Baumkapazität und die Verlustfunktion, darunter…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook entwickelt modellbasierte Merkmale für Krypto-Perpetual-Futures: bedingte Volatilitätsprognosen pro Anlage aus GJR-GARCH und eine marktweite Wahrscheinlichkeit für ein Stressregime aus einem Gaußschen Hidden-Markov-Modell mit zwei Zuständen,…

KryptoPerpetual FuturesVolatilitätMaschinelles Lernen
Machine Learning for Trading

Diese Fallstudie skizziert eine Forschungspipeline für Krypto-Perpetual-Futures. Dabei werden Funding-Zahlungen, die bei regelmäßigen Abrechnungen zwischen Long- und Short-Positionen ausgetauscht werden, als mögliche Renditequelle betrachtet. Beschrieben…

KryptoPerpetual FuturesFuturesMaschinelles Lernen
Machine Learning for Trading

Diese Analyse vergleicht die Ergebnisse der Merkmalsprüfung aus neun Trading-Fallstudien und untersucht, ob Merkmale, die das Screening bestehen, stärkere Strategien vorhersagen. Das Screening kombiniert die Kontrolle der Falschentdeckungsrate nach…

StatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt DeePM, eine durchgängige ETF-Portfolio-Policy, die die Wertentwicklung unter wechselnden Marktbedingungen verbessern soll. Zu ihren Bestandteilen gehören volatilitätsnormalisierte Rendite- und Trendmerkmale, ein auf LSTM…

Multi-AssetPortfolio-KonstruktionMaschinelles LernenRisikomanagement
Machine Learning for Trading

Diese Fallstudie wendet kausale Schätzverfahren auf das Momentum von ETF an und untersucht, ob dessen Effekt auf zukünftige Renditen je nach Marktvolatilität variiert. Sie verwendet ein kontinuierliches Momentum-Treatment, eine Zielgröße für die Rendite über…

AktienUS-MärkteMomentumMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook stellt NLinear als einfache Baseline für Sequenzmodelle zur Vorhersage von Renditen bei US-Aktien vor. Jedes Beispiel verwendet ein Fenster aus 60 aufeinanderfolgenden Sitzungen für eine Aktie, wobei die Merkmale zeitlich geordnet sind. Für…

AktienUS-MärkteMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook bewertet NLinear, ein minimales Sequenzmodell, das von jedem Wert im Rückblickfenster das zuletzt beobachtete Niveau abzieht und die verbleibenden Werte auf eine Prognose abbildet. Seine Einfachheit macht es zu einer nützlichen Benchmark für…

Maschinelles LernenStatistikBacktesting