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

1,119 Dokumente

Machine Learning for Trading

Dieses Notebook stellt PCMCI als Methode vor, mit der sich verzögerte Beziehungen in multivariaten Finanzzeitreihen erkennen lassen, ohne vorab einen Kausalgraphen festzulegen. Es wendet die Methode auf Renditen von ETF und Volatilitätsindizes an, vergleicht…

Maschinelles LernenStatistikMulti-AssetAktien
Machine Learning for Trading

Dieses Notebook erläutert, wie Wahrscheinlichkeitsprognosen bewertet und Prognosepipelines gesteuert werden. Es vergleicht Brier- und Log-Scores, den erwarteten Kalibrierungsfehler und die Schärfe; zeigt, wie Zuverlässigkeitsdiagramme Bereiche mit über- oder…

StatistikMaschinelles LernenRisikomanagementBacktesting
Machine Learning for Trading

Diese Einsatzdemonstration trainiert ein Ridge-Modell mit historischen Tagesdaten für einen Querschnitt wichtiger FX-Paare neu, ruft aktuelle Balken über eine Paper-Sitzung von Interactive Brokers ab, ordnet die Paare und erstellt ein Long-Portfolio. Sie…

DevisenhandelOrderausführungMaschinelles LernenMarktmikrostruktur
Machine Learning for Trading

Dieses Tutorial wandelt ETF-Querschnittssignale in Long-only-Portfolios mit gleicher Gewichtung der zehn Spitzenwerte um. Es vergleicht Ridge-Regression und logistische Klassifikation mit Momentum- und Gleichgewichtungs-Benchmarks. Die Modelle werden in…

AktienBacktestingOrderausführungPortfolio-Konstruktion
Machine Learning for Trading

Diese Studie prüft, ob die schlechte Anpassung eines linearen Modells an monatliche US-Aktienrenditen auf dessen quadratische Fehlerfunktion zurückzuführen ist. Zielvariable für die zukünftigen Renditen, Merkmale und Walk-Forward-Folds bleiben unverändert;…

AktienUS-MärkteMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook trainiert einen Proximal-Policy-Optimization-Agenten, der eine feste Order über einen festgelegten Zeitraum liquidiert. Es vergleicht die erlernte zeitliche Ausführung mit TWAP und einem Almgren–Chriss-Zeitplan, misst den Implementation…

KryptoPerpetual FuturesOrderausführungMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook stellt das Rademacher-Anti-Serum-Protokoll (RAS) vor, mit dem sich Leistungsschätzungen bei der Auswahl aus einer endlichen Klasse von Strategien oder Signalen anpassen lassen. Die empirische Rademacher-Komplexität schätzt, wie gut sich die…

StatistikBacktestingRisikomanagementMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook führt NLinear als Basismodell zur Prognose von Aktienrenditen anhand geordneter Merkmalsfenster ein. Jedes Beispiel umfasst 60 aufeinanderfolgende Handelssitzungen für eine Aktie. Für jedes Merkmal zieht das Modell den jüngsten Wert ab,…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Diese Referenz beschreibt zwei öffentliche SEC-Meldequellen zur Untersuchung von Aktienpositionen und Insideraktivitäten. Quartalsmeldungen nach 13F enthalten institutionelle Bestände, entweder für eine ausgewählte Gruppe von Vermögensverwaltern oder als…

AktienUS-MärktePortfolio-KonstruktionEreignisgesteuert
Machine Learning for Trading

Dieses Notebook passt neuronale TabM-Modelle an ein Renditeziel für einen Short Straddle auf Optionen des S&P 500 an und vergleicht drei Modellkapazitäten anhand desselben Merkmalsdatenbestands wie bei linearen und Boosting-Ansätzen. TabM nutzt einen…

OptionenAktienMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook veranschaulicht Deep Hedging für einen leerverkauften europäischen Call. Es simuliert Pfade der geometrischen Brownschen Bewegung, verwendet Delta-Hedging nach Black-Scholes als Referenz und trainiert ein halb-rekurrentes neuronales Netz.…

OptionenBewertung von DerivatenMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook bewertet positionsbezogene Risikokontrollen für eine Aktien- und Optionsallokation im S&P 500. Feste Stop-Losses, nachgezogene Stop-Losses und zeitbasierte Ausstiege werden jeweils mit der eigenen Strategie ohne zusätzliche Regel verglichen.…

AktienOptionenRisikomanagementBacktesting
Machine Learning for Trading

Dieses Dokument beschreibt einen Devisen-OHLCV-Datensatz mit G10-Hauptwährungspaaren und Kreuzkursen sowie Tages- und Vier-Stunden-Balken von OANDA. Es erläutert, wie die Daten heruntergeladen, geladen, nach Währungspaar oder Zeitraum gefiltert und anhand…

DevisenhandelStatistikVolatilität
Machine Learning for Trading

Dieses Dokument veranschaulicht instrumentierte PCA, bei der Faktorladungen von Anlagen als lineare Funktionen von Merkmalen modelliert werden, die vor der Rendite beobachtet wurden. Wechselseitige kleinste Quadrate schätzen die Abbildung von Merkmalen auf…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Dokument beschreibt einen reproduzierbaren US-Aktienbenchmark aus dem Replikationsarchiv zur Anlagebewertung von Chen, Pelger und Zhu. Er enthält rund 1.2 Millionen monatliche Aktienbeobachtungen von 1967 bis 2016, 46 Unternehmensmerkmale,…

AktienFaktorinvestierenMaschinelles LernenUS-Märkte
Machine Learning for Trading

Dieses Dokument erläutert, wie TSMixer die jüngste Merkmalsgeschichte einer Aktie als Matrix aus Handelssitzungen und Merkmalen verarbeitet. Seine Blöcke mischen Informationen entlang der Merkmalsspalten über die Zeit und anschließend zwischen Merkmalen…

AktienMaschinelles LernenMomentumBacktesting
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 schätzt, ob ein z-Wert der Prämie von Krypto-Perpetuals unter einer Intervention mit den anschließenden Acht-Stunden-Renditen zusammenhängt. Dabei werden Preisvolatilität, Finanzierungssatz und die Abweichung der Prämie von ihrem jüngsten…

KryptoPerpetual FuturesMaschinelles LernenStatistik
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