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 bewertet ETF-Merkmale einzeln, indem es für jedes Datum einen Rang-Informationskoeffizienten zwischen Merkmalswerten und nachfolgenden Monatsrenditen berechnet. Es prüft Finanz- und modellbasierte Merkmale über Walk-Forward-Validierungsdaten…

AktienStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook veranschaulicht anhand konstruierter Beispiele Ausstiege auf Positionsebene und Kontrollen auf Portfolioebene. Zu den statischen Regeln gehören Stop-Losses, Gewinnziele und zeitbasierte Ausstiege; dynamische Regeln umfassen Trailing-Stops,…

RisikomanagementPositionsgrößenbestimmungBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook bewertet Kandidatenmerkmale zur Rangfolge von US-Aktien anhand nachfolgender Renditen. Es berechnet tägliche querschnittliche Informationskoeffizienten, fasst deren Mittelwert mit Unsicherheitsschätzungen unter Berücksichtigung serieller…

AktienStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook zeigt, wie makroökonomische Beobachtungen den Daten zugeordnet werden, an denen Händler tatsächlich darüber verfügen konnten. Es unterscheidet den Zeitraum, den ein Wert misst, von seinem Veröffentlichungsdatum, schätzt Veröffentlichungsdaten…

Multi-AssetBacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook erläutert PCA als Basismodell latenter Faktoren zur Prognose von ETF-Renditen. Es zerlegt ein Trainingspanel zukünftiger Renditen in die führenden Richtungen und schätzt das Exposure jedes Fonds sowie die Faktorprämien. Der Schätzer ignoriert…

FaktorinvestierenMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieser Leitfaden beschreibt einen täglichen Datensatz für US Aktien von NASDAQ Data Link Wiki Prices mit angepassten OHLCV-Daten und einer Abdeckung von 1962 bis März 2018. Er erklärt, wie Sie das Archiv mit einem API-Schlüssel abrufen, laden, nach Symbol…

AktienUS-MärkteBacktesting
Machine Learning for Trading

Dieses Hilfsprogramm misst die absolute relative Änderung der Prämie eines eröffneten Optionsstraddles über festgelegte Sitzungshorizonte. Es bildet eine gültige Straddle-Prämie aus zusammengehörigen Call- und Put-Kursen mit positiven Geldkursen und…

OptionenVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook stellt ein deterministisches Verfahren vor, um zu prüfen, ob Backtest- und Live-Trading-Pipelines gleich funktionieren. Es vergleicht aufeinanderfolgende Stufen: Merkmale aus denselben Balken, Prognosen anhand dieser Merkmale, Signale bei…

BacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Diese Analyse vergleicht Prognosemodelle zur Rangordnung von NASDAQ-100-Aktien anhand ihrer Rendite in den nächsten 15 Minuten. Verwendet werden Intraday-Mikrostrukturmerkmale wie Spreads, Ungleichgewicht der Markttiefe, vorzeichenbehaftetes Volumen und…

AktienMarktmikrostrukturMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook vergleicht sklearn HistGradientBoosting, XGBoost, LightGBM und CatBoost zur Prognose zukünftiger ETF-Renditen. Es misst den querschnittlichen Information Coefficient, die Trainingszeit und den Speicherverbrauch für verschiedene…

Maschinelles LernenAktienBacktestingStatistik
Machine Learning for Trading

Dieses Notebook prüft, ob eine Standard-Portfolioallokation eine NASDAQ-100-Handelsstrategie verbessern kann, die bei jedem Balken handelt und bereits durch Transaktionskosten belastet ist. Es wählt Prognosen anhand der Validierungsperformance im…

AktienPositionsgrößenbestimmungPortfolio-KonstruktionOrderausführung
Machine Learning for Trading

Dieses Notebook erläutert, wie ein Suchwerkzeug für einen Prognoseagenten gestaltet wird, damit Belege eine einheitliche Struktur, eine nachvollziehbare Herkunft und einen prüfbaren Weg ins Modell haben. Ein gemeinsames Client-Protokoll liefert typisierte…

Maschinelles LernenBacktestingMarktstimmung
Machine Learning for Trading

Dieses Notebook untersucht, wie sich die Positionsgröße auf FX-Backtests auswirkt, nachdem das Modell bereits die zu handelnden Währungspaare ausgewählt hat. Es übernimmt Prognosen, Signalzuordnung, Kosten und Ausführungseinstellungen der besten Baseline und…

DevisenhandelPositionsgrößenbestimmungPortfolio-KonstruktionBacktesting
Machine Learning for Trading

Dieses Hilfsprogramm erstellt Label-Artefakte für 500-Optionsstraddles, wobei bei Einstieg und Ausstieg dasselbe Symbol, derselbe Strike und derselbe Verfall verwendet werden. Es ordnet Merkmalsdaten den folgenden Marktsitzungen zu, legt Ausstiegstermine…

OptionenBewertung von DerivatenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook wendet positionsbezogene Risikokontrollen auf führende ETF-Allokationskombinationen an und hält dabei jede zugrunde liegende Prognose, Konzentration und Allokationsmethode konstant. Es vergleicht Stop-Losses, Trailing Stops und zeitbasierte…

AktienRisikomanagementBacktestingPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook erläutert, wie sich aus drei Kontraktlaufzeiten je Produkt eine querschnittliche Futures-Feature-Matrix erstellen lässt. Carry und Kurvenkrümmung werden aus Börsenabrechnungskursen abgeleitet, während rollbereinigte Preise für Rendite-,…

FuturesRohstoffeCarryMomentum
Machine Learning for Trading

Dieses Notebook zeigt, warum die Suche über viele Signale oder Strategien das beste beobachtete Ergebnis stärker erscheinen lässt, als es seinem tatsächlichen Prognosewert entspricht. Eine Simulation mit Faktoren ohne echte Information veranschaulicht, wie…

StatistikFaktorinvestierenBacktestingMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook erläutert, wie ein veröffentlichtes, querschnittlich rangiertes US-Unternehmensmerkmal-Panel in eine Feature-Matrix mit Schlüsseln für eine Faktorenstudie überführt wird. Es gruppiert Eingaben in festgelegte Familien, kombiniert Merkmale und…

AktienFaktorinvestierenBacktestingStatistik
Machine Learning for Trading

Diese Merkmalsstudie zu US-Aktien erläutert, wie sich Merkmale aus geschätzten Modellen erstellen lassen, ohne zukünftige Daten in frühere Beobachtungen einfließen zu lassen. Der Schätzplan sieht eine Aufwärmphase mit historischen Daten vor, passt Parameter…

AktienVolatilitätTechnische IndikatorenStatistik
Machine Learning for Trading

Dieses Notebook wendet TSMixer auf ETF-Sequenzen an und nutzt dafür eine global über alle Fonds geteilte Funktion. Jedes Beispiel enthält die Historie und Kovariaten eines einzelnen Fonds; zeitliche und merkmalsbezogene Wechselwirkungen werden über das Panel…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt ein Modell mit stochastischem Diskontierungsfaktor (SDF) zur Bewertung der Querschnittsrenditen von US-Unternehmen. Statt zunächst Faktoren zu schätzen und anschließend anzuwenden, lernt es direkt Gewichte für Unternehmen und…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook fragt Backtest-Register aus neun Fallstudien ab und erstellt vergleichbare Tabellen für nachgelagerte Analysen. Es ordnet Ergebnisse nach Anlageklasse und Datenfrequenz und erfasst die Performance über die Phasen Signal, Allokation, Kosten…

BacktestingStatistikPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Notebook stellt eine Brücke für die Bereitstellung zwischen einer Offline-Pipeline für maschinelles Lernen und der Handels-Engine LEAN von QuantConnect vor. Es wählt reproduzierbar einen Modelllauf aus einer Registry aus, exportiert dessen…

Maschinelles LernenPortfolio-KonstruktionOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook bewertet vier aus Nachrichten abgeleitete Signale – gewichtete Überraschung, durchschnittliche Stimmung, Stimmungsänderung und Artikelabdeckung – anhand künftiger Aktienrenditen. Es berechnet täglich einen Spearman-Informationskoeffizienten…

AktienMarktstimmungStatistikFaktorinvestieren