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.
87 Dokumente
Dieses Notebook erläutert eine Baseline mit Hauptkomponenten zur Prognose von CME-Futuresrenditen. PCA wird an die Renditematrix der Produkte im Trainingsfold angepasst, sodass die Komponenten gemeinsame Bewegungsrichtungen über Kontrakte hinweg darstellen…
Diese Analyse erklärt, wie CME-Futuresdaten in Produkte, auslaufende Kontrakte und nach Volumen gerollte fortlaufende Reihen gegliedert sind. Anhand von E-mini-S&P-500-Daten wird gezeigt, dass einzelne Kontrakte begrenzte Handelszeiträume haben, die sich…
Dieses Notebook vergleicht gleich gewichtete, nach positiven Werten gewichtete und nach konformer Breite gewichtete Allokationen für hoch eingestufte ETFs und CME-Futures. Es schätzt entitätsspezifische Breiten von Split-Conformal-Intervallen anhand von…
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…
Dieses Audit vergleicht Trading-Engines, die dieselben eingefrorenen Modellziele und inhaltsadressierten historischen Eingaben für die ETF-Allokation, Futures, die Finanzierung von Krypto-Perpetuals, Devisen und US-Aktien wiedergeben. Es bewertet die…
Dieses Notebook prüft, ob die Daten eine wöchentliche, querschnittliche Futures-Strategie unterstützen, bevor ein Modell trainiert wird. Es beschreibt einen Ansatz, der CME-Produkte ordnet, Long-Positionen in den höchstbewerteten und Short-Positionen in den…
Dieses Tutorial erstellt eine kontinuierliche Futures-Reihe aus einzelnen ES-Kontrakten. Es bestimmt den Frontmonat anhand des Handelsvolumens, wobei eine monotone Rollbedingung gilt, und vergleicht den volumenbasierten Wechsel mit einer kalenderbasierten…
Dieses Notebook isoliert die Ergebnisse für die LEAN-Engine aus einer Prüfung, die beibehaltene Läufe realer Strategien mit passenden ML4T-Backtest-Profilen vergleicht. Es identifiziert vier unterstützte Arbeitslasten: ETF-Allokation, die Finanzierung von…
Dieses Notebook verwendet reale ETF-Daten, um zu prüfen, ob ein Momentum-Signal bei angemessenen Änderungen des Rückblickzeitraums, der Marktphase und der Umsetzung nützlich bleibt. Es berechnet querschnittliche Information Coefficients zwischen Momentum und…
Dieses Notebook vergleicht Verfahren zur Volatilitätsmessung und entwickelt heterogene autoregressive (HAR) Volatilitätsmodelle zusammen mit einer Analyse der Rauheit des Marktes. Es nutzt Intraday-Renditen, um die realisierte Sitzungsvarianz zu schätzen,…
Das Notebook erstellt mit einem Split-Conformal-Verfahren Prognoseintervalle um Gradient-Boosting-Prognosen. Es passt ein Modell an einem früheren Trainingsabschnitt an, misst absolute Residuen in einem späteren Kalibrierungsabschnitt und legt die…
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…
Dieses Notebook nutzt Double Machine Learning, um zu schätzen, ob Futures-Carry nach Berücksichtigung von Volatilität, Momentum und dem querschnittlichen Carry-Rang nachfolgende Renditen vorhersagt. Mithilfe flexibler Modelle und Cross-Fitting werden Carry…
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…
Das Notebook erklärt, wie sich binäre Zinskontrakte der US-Notenbank von Kalshi als Wahrscheinlichkeiten lesen und eine Staffel von Zinsschwellen in eine implizite Verteilung überführen lässt. Es betont, dass der Datenstrom YES-Gebote enthält, sodass die von…
Dieses Dokument vergleicht alternative Methoden zur Positionsgrößenbestimmung für CME-Futures-Strategien, die anhand einer nach gleich gewichteter Validierungs-Sharpe-Ratio geordneten Baseline ausgewählt wurden. Bei gleicher Gewichtung wird jedes ausgewählte…
Dieses Notebook verwendet Double Machine Learning, um zu schätzen, ob Futures-Carry nach Anpassung um Volatilität, Momentum und den querschnittlichen Carry-Rang spätere Renditen beeinflusst. Es unterscheidet kausale Erklärung von Prognoseleistung: Ein…
Dieses Notebook wendet ein neuronales Modell stochastischer Diskontfaktoren auf CME-Futures an. In der Asset-Preisbildung ist ein stochastischer Diskontfaktor eine Zufallsvariable, deren Produkt mit der Rendite jedes Vermögenswerts unter Arbitragefreiheit…
Diese Analyse prüft, ob Abrechnungsdaten eine wöchentliche, querschnittliche CME-Futures-Strategie unterstützen können, bevor ein Modell angepasst wird. Sie untersucht, ob an den Rebalancing-Terminen genügend Produkte notiert sind, um die vorgesehenen Long-…
Dieses Notebook verwendet Optuna zur Optimierung von LightGBM-Renditemodellen und berücksichtigt dabei sowohl den Informationskoeffizienten im Querschnitt (IC) als auch die Prognoseumschichtung. Eine Suche mit einem Ziel maximiert zum Vergleich IC; eine…
Diese Analyse erläutert, wie Informationskoeffizienten (ICs) im Querschnitt für CME-Futuresmodelle zu lesen sind und wie sie mit späteren Portfoliotests zusammenhängen. Sie berechnet für jedes Datum die Rangkorrelation zwischen prognostizierten und…
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 untersucht Gradient Boosting für querschnittliche Prognosen von CME-Futures-Renditen. Es variiert die Baumkapazität anhand von Blattzahlprofilen und vergleicht quadratische, absolute und Huber-Verlustfunktionen, die extreme Residuen…
Dieses Modul definiert einen nutzerorientierten Ablauf für die Futures-Forschung zu CME. Er umfasst Modellanfragen, Prognose- und Backtest-Ausführung, Kandidatenpools und die endgültige Auswahl. Es übernimmt die konfigurierte Label-Suche aus einer…