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.
738 Dokumente
Dieses Notebook vergleicht LightGBM-Modelle in einem Panel mit US-Aktien über drei Renditehorizonte. Das Raster variiert die Anzahl der Baumblätter und die Verlustfunktionen; anschließend bewertet es jede Konfiguration bei mehreren Baumzahl-Prüfpunkten. Die…
Dieses Notebook erstellt Labels für künftige Renditen kurzfristiger Straddles am Geld bei Aktien des S&P 500. Da das tägliche Panel mit 30-Tage-Straddles in jeder Sitzung zu einem anderen Basispreis oder Verfallstermin wechselt, würde eine verschobene…
Dieses Notebook vergleicht Gleichgewichtung, inverse Volatilität, Minimum-Varianz und hierarchische Risikoparität mit demselben ETF-Universum, denselben Prognosen, demselben Umschichtungsplan und demselben Backtestverfahren. Ein rollierendes Ridge-Modell…
Dieses Hilfsmodul stellt statistische Funktionen zur Diagnose von Panels mit Trading-Daten bereit. Seine Autokorrelationsmethode berechnet die Kurve zunächst für jede Einheit einzeln und bündelt die Ergebnisse erst danach, um eine scheinbare Abhängigkeit…
Das Notebook erläutert den Value at Risk (VaR), der ein Verlustquantil markiert, und den Conditional Value at Risk (CVaR), der die Verluste jenseits dieser Schwelle mittelt. Anhand täglicher ETF-Renditen vergleicht es historische, gaußsche,…
Dieses Lehr-Notebook vergleicht Methoden zur Erstellung von Ziel-Labels für überwachte Trading-Modelle anhand von ETF-Daten. Es behandelt Renditen und Richtungs-Labels mit festem Horizont, rollierende Zeitreihen-Perzentile, querschnittliche Perzentile,…
Dieses Notebook zeigt Prüfungen auf Lookahead-Bias anhand von ETF-Kursen und makroökonomischen Zeitreihen. Es zeigt, dass ein zentrierter gleitender Durchschnitt zukünftige Beobachtungen einschließt, Kurswendepunkte zu genau nachzeichnen kann und am jüngsten…
Diese explorative Analyse beschreibt ein Vier-Stunden-OANDA-Panel mit 20 Währungspaaren und erläutert die Interpretation der Daten. Sie unterscheidet direkte, indirekte und Kreuzkurse anhand der Position des Dollars und zeigt, warum direkte Notierungen…
Dieses gemeinsame Modellierungsmodul unterstützt quantitative Forschungsabläufe, indem es Merkmale, Labels, Zeitdaten und Konfigurationen lädt und anschließend Walk-Forward-Cross-Validation-Folds vorbereitet. Das Design legt Wert auf Reproduzierbarkeit und…
Dieses Notebook vergleicht drei Möglichkeiten, Marktregime für Prognosen zu nutzen: ein Basismodell ohne Regimeeingabe, ein einzelnes Modell mit der gefilterten Wahrscheinlichkeit eines volatilen Zustands und separate Modelle, die innerhalb fest zugeordneter…
Dieses Notebook verwendet Double Machine Learning (DML), um den adjustierten Effekt eines kontinuierlichen ETF-Momentummaßes auf nachfolgende Renditen zu schätzen. Dabei kontrolliert es für jüngere und längerfristige Volatilität, Marktregime und die Steigung…
Dieses Notebook erläutert die hierarchische Risikoparität (HRP), eine Portfolioaufbaumethode, die die Empfindlichkeit gegenüber verrauschten Kovarianzschätzungen begrenzen soll. Es beschreibt drei Schritte: Vermögenswerte anhand ihrer Korrelationsdistanz…
Dieses Notebook bewertet registrierte ETF-Backtests entlang der Strategiepipeline, von Signalen und Allokation bis zu Kosten und Risikoüberlagerungen. Es liest bestehende Prognosen und Backtests aus, statt Modelle anzupassen oder neue Backtests hinzuzufügen,…
Dieses Notebook richtet einen Prognoselauf mit LSTM für eine Fallstudie zu FX-Paaren ein. Das Modell trägt einen verborgenen Zustand durch eine Rückblicksequenz weiter. Architektur- und Trainingseinstellungen werden mithilfe gemeinsamer Konfigurations- und…
Dieses Notebook vergleicht sechs Methoden zur Gewichtung von ETF-Portfolios, die anhand derselben prognostizierten Rangfolge ausgewählt wurden: gleiche Gewichtung, Score-Gewichtung, inverse Volatilität, Risikoparität, Mean-Variance-Optimierung und…
Dieses Notebook sammelt registrierte Schätzungen aus dem Double Machine Learning mehrerer Trading-Fallstudien und vergleicht ihre Unsicherheit und Diagnosen. Es lädt aktuelle Zeilen aus dem Register jeder Studie, prüft die Registerintegrität und die…
Dieses Notebook passt ein festgelegtes LSTM-Modell für Prognosen in einer S&P-500-Optionsstudie an. Das Netzwerk erhält chronologische Zeitfenster der Historie jedes Symbols und verwendet einen gesteuerten rekurrenten Zustand, um Informationen über mehrere…
Dieses Notebook trainiert einen PPO-Agenten, um einen übergeordneten Verkaufsauftrag über stündliche Perpetual-Futures-Balken zu verteilen. Es ergänzt Preis- und Volumenhistorie um den Perpetual-Aufschlag und die Zeit bis zur nächsten Funding-Abrechnung und…
Dieses Notebook bewertet bilanz- und preisbasierte Merkmale als eigenständige Prognosefaktoren für die Renditen von US-Aktien im Folgemonat. Es berechnet monatliche querschnittliche Rangkorrelationen zwischen jedem Merkmal und dem Rendite-Label und fasst sie…
Dieses Notebook prüft mögliche Merkmale für eine CME-Futures-Fallstudie anhand künftiger Renditen. Für jedes Merkmal berechnet es querschnittliche Rangkorrelationen zwischen Merkmalswerten und nachfolgenden Renditen, fasst die Korrelation über Zeitpunkte…
Dieses Notebook stellt einen diagnostischen Rahmen für einen ETF-Allokations-Backtest vor. Es berechnet Risiko- und Renditemaße wie Sharpe, Sortino, Calmar, Volatilität, Value at Risk und maximalen Drawdown, verfolgt die rollierende Wertentwicklung und die…
Dieses Notebook führt vektorisiertes Backtesting mit VectorBT anhand einer Long-only-Mean-Reversion-Regel RSI auf Marktdaten zu Bitcoin-Perpetuals ein. Es berechnet einen auf Schlusskursen basierenden RSI, eröffnet Positionen, wenn der Wert des Vortags unter…
Dieses Notebook verbindet die Positionsgrößenbestimmung mit der Analyse maximal ungünstiger und günstiger Kursbewegungen während eines Trades. Es zeigt eine feste prozentuale Positionsgrößenbestimmung, bei der sich die Aktienzahl aus einem Risikobudget je…
Dieses Notebook erläutert, wie Ridge-Regressionsprognosen für ein ETF-Panel mit SHAP interpretiert werden. Bei einem linearen Modell entspricht der Beitrag jedes Merkmals seinem Koeffizienten multipliziert mit der Abweichung des Merkmals vom…