Wissensbibliothek

Dieses Notebook setzt eine monatliche ETF-Momentum- und Zinskurven-Regimestrategie auf zwei Arten um: mit vektorisierter Renditeberechnung und einer sequenziellen Kontosimulation. Beide verwenden dieselben Zielgewichte, Anlagen, Daten und gesamten…

Dieses Notebook beschreibt das Training eines Long-Short-Term-Memory-Netzes mit einminütigen NASDAQ-100-Mikrostrukturmerkmalen, um Renditen über mehrere Horizonte vorherzusagen. Das Modell verarbeitet eine zurückliegende Sequenz Schritt für Schritt und…

Das Notebook stellt einen bedingten Autoencoder vor, der die instrumentierte Hauptkomponentenanalyse erweitert: Eine lineare Abbildung von Aktienmerkmalen auf Faktor-Exposures wird durch ein neuronales Netz ersetzt. Die Struktur aus Exposure mal…

Dieses Notebook vergleicht Optuna-Hyperparametersuchen für XGBoost, LightGBM und CatBoost auf einem Datensatz mit Unternehmensmerkmalen. Jede Bibliothek erhält eine eigene Suchstudie mit einem Tree-structured-Parzen-Schätzer, Median-Pruning, vorzeitigem…

Dieses Notebook stellt einen Ablauf zur Beschaffung und Pflege von Finanzzeitreihen mit einer einheitlichen Verwaltung, vordefinierten oder benutzerdefinierten Symboluniversen und partitionierter Parquet-Speicherung vor. Es behandelt den Abruf einzelner und…

Dieses Dokument beschreibt die Architektur eines neuronalen Policy-Netzes, das Zeitreihen und Kontext auf Ebene einzelner Vermögenswerte in begrenzte Portfolio-Risikogewichte überführt. Sein Grundgerüst je Vermögenswert kombiniert Kontexteinbettungen,…

Dieses Notebook vergleicht Methoden zur Positionsbemessung für führende Aktiensignalkonfigurationen des S&P 500. Zunächst wird anhand der Validierungs-Sharpe-Kennzahl für jede Konfiguration der stärkste Checkpoint mit vollständiger Abdeckung ausgewählt.…

Dieses Notebook beschreibt die Holdout-Prognosephase einer Studie zu Unternehmensmerkmalen von US. Es übernimmt die anhand der Validierungsergebnisse ausgewählte Modellkonfiguration, rekonstruiert ihre Trainingsspezifikation und ihren Checkpoint und passt…

Das Notebook beschreibt eine Double-Machine-Learning-Analyse mit wachsendem Zeitfenster. Sie prüft, ob Momentum über 12 bis -2 Monate die Renditen von US-Unternehmen im Folgemonat vorhersagt, nachdem um Beta, idiosynkratische Volatilität,…

Dieses Notebook stellt eine Pipeline vor, die strukturierte Unternehmensereignisse aus SEC 8-Meldungen extrahiert und in einen Neo4j-Wissensgraphen lädt. Ein Sprachmodell verarbeitet Meldungen stapelweise und erzeugt Ereignisdatensätze mit Subjekten,…

Dieses Notebook wendet Double Machine Learning an, um zu prüfen, ob der Spread aus impliziter minus realisierter Volatilität nach Bereinigung um beobachtete Störfaktoren mit späteren Aktienrenditen zusammenhängt. Es identifiziert realisierte Volatilität,…

Diese Demonstration prüft, ob eine Implementierung eines doppelten gleitenden Durchschnittskreuzens in Backtest- und Live-Engines übereinstimmende Signale erzeugt. Beide Engines erhalten dieselben vorbereiteten ETF-Balken und verwenden dieselben…

Dieses Notebook untersucht Tickdaten zu Trades und Quotes von AlgoSeek für AAPL während des Marktcrashs am 16. März 2020. Es beschränkt die Daten auf reguläre Handelszeiten, trennt Trade-Meldungen von NBBO-Updates und analysiert die Intraday-Aktivität,…

Diese Analyse rekonstruiert einzelne NASDAQ-Limit-Orders aus ITCH-Nachrichten zu Hinzufügungen, Löschungen, Teilstornierungen, Ersetzungen und Ausführungen. Sie misst, ob Orders storniert oder ausgeführt werden und wie lange es bis zu diesen Ereignissen…

Dieses Notebook passt Ridge-, Lasso- und Elastic-Net-Modelle an veröffentlichte Unternehmensmerkmale einzelner US-Aktien an. Die Merkmale umfassen Value, Profitabilität, Investitionen, Größe, Momentum, Reversal, Risiko und Liquidität. Walk-Forward-Folds…

In dieser Fallstudie werden Gradient-Boosted Trees auf ETF-Rendite-Labels angepasst und mit einer linearen Baseline verglichen, die unter starker Ridge-Regularisierung gut abschnitt. Sie erklärt, warum Bäume Interaktionen erkennen können, etwa wenn sich…

Diese explorative Analyse untersucht ein historisches Aktienpanel für US, erklärt dessen rohe und angepasste Preisfelder und betrachtet die Symbolabdeckung im Zeitverlauf. Sie vergleicht jährliche Zahlen aktiver Symbole mit den jeweils ersten und letzten…

Dieses Notebook erstellt Merkmale für bedingte Volatilität für eine Aktien- und Optionsstudie zum S&P 500 mithilfe eines GJR-GARCH-Modells. Anders als feste Regeln auf Basis früherer Preise hängen angepasste Merkmale vom Schätzfenster ab. Daher legt die…

Dieses Dokument stellt Methoden zur Bereinigung von Finanzdaten vor und erklärt, wie sich die Vorverarbeitung an Trainings- und Testaufteilung ausrichten lässt. Die zentrale Lehre: Transformationen wie Skalierung und Winsorisierung dürfen nur anhand von…

Dieses Modul definiert eine monatliche ETF-Allokationsbaseline anhand eines risikoadjustierten Momentum-Scores: der kumulierten Rendite des Rückblickzeitraums geteilt durch die annualisierte realisierte Volatilität. Überschreitet die Steigung der Zinskurve…

Dieses Notebook vergleicht Implementierungen einer univariaten SPY-Preisprognose mit reinem PyTorch, sktime und Darts. Im Mittelpunkt steht der praktische Aufwand: Codeumfang, Schnittstellenanforderungen, erfolgreiche Installation und kombinierte Laufzeit…

Diese NASDAQ-100-Fallstudie untersucht, ob 15-Minuten-Mikrostruktursignale Handelskosten überstehen können. Der Ablauf bewertet Orderfluss, veraltete Quotierungen und relative Spreads und vergleicht dann eine Strategie für das gesamte Universum mit einer,…

Dieses Notebook prüft, ob eine tägliche US-Aktien-Rankingstrategie vor dem Anpassen eines Modells über genügend nutzbare Daten für eine faire Bewertung verfügt. Es erklärt, wie sich mit historischen Indexmitgliedern ein zeitpunktbezogenes Universum bilden…

Dieses Notebook untersucht, ob SHAP-Merkmalszuordnungen stabil genug sind, um Modellreduzierung, Risikoentscheidungen oder Berichte zu unterstützen. Anhand einer ETF-Prognoseaufgabe sucht es zunächst Testbeispiele, deren Vorhersagen ähnlich sind, während…