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

123 Dokumente

Machine Learning for Trading

Dieses Notebook zur Merkmalsentwicklung erstellt Variablen, die Informationen über die Kurshistorie eines einzelnen Assets hinaus erfordern. Für Futures berechnet es die annualisierte Rollrendite aus zeitgleichen Kursniveaus naher und ferner Kontrakte sowie…

FuturesOptionenCarryVolatilität
Machine Learning for Trading

Dieses Notebook bildet beschreibende Marktregime aus monatlichen Wirtschaftsdaten der Federal Reserve: Arbeitslosigkeit, Federal Funds Rate, Treasury-Zinskurve und Inflation. Es erklärt, wie Reihen mit unterschiedlichen Veröffentlichungshäufigkeiten…

StatistikMaschinelles LernenUS-MärkteVolatilität
Machine Learning for Trading

Dieses Notebook erstellt modellbasierte bedingte Volatilitätsmerkmale für S&P-500-Aktien mit einem GJR-GARCH(1,1)-Modell. Anschließend vergleicht es einen optionsimpliziten Volatilitätsaufschlag gegenüber der realisierten Volatilität mit einem Aufschlag…

AktienOptionenVolatilitätMaschinelles Lernen
Machine Learning for Trading

Diese CME-Futures-Studie variiert die Kapazität und Verlustfunktion von Gradient-Boosting-Bäumen und zeichnet Vorhersagen an mehreren Trainings-Checkpoints auf. Die Anzahl der Blätter bestimmt, wie fein ein Modell den Merkmalsraum aufteilt, während sich…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook erstellt einen durchgängigen Portfolioallokator, der ein Variablenauswahl-Netzwerk im Stil eines Temporal Fusion Transformers vor einen LSTM schaltet. Separate gated Residual Networks bilden einzelne Merkmale ab, und gelernte weiche Gewichte…

Maschinelles LernenPortfolio-KonstruktionPositionsgrößenbestimmungVolatilität
Machine Learning for Trading

Dieses Setup-Dokument definiert eine wöchentliche Forschungs-Pipeline für 500-Aktien, die Optionsmarkt-Features mit preisbasierten Signalen kombiniert. Es legt das zulässige Universum, Entscheidungs- und Ausführungszeitpunkte sowie unterschiedliche…

OptionenAktienVolatilitätMomentum
Machine Learning for Trading

Dieses Notebook vergleicht quadratischen Fehler, absoluten Fehler und Huber-Verlust für Gradient-Boosting-Modelle, die Renditen von Short-ATM-Straddles prognostizieren. Das Ziel hat einen begrenzten Gewinn, aber potenziell schwere Verluste. Daher kann der…

OptionenVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Das Notebook behandelt jedes Renditefenster als empirische Verteilung und clustert Fenster anhand der eindimensionalen Wasserstein-Distanz. Bei gleich großen Stichproben ergibt das Sortieren die optimale Zuordnung der Quantile. Die Distanz bildet daher…

AktienMaschinelles LernenStatistikVolatilität
Machine Learning for Trading

Diese Analyse erklärt, wie der Premium-Index von Binance für Perpetual-Futures mit Spotpreisen zusammenhängt und wie die Börse diese Prämie in regelmäßige Funding-Zahlungen umwandelt. Der Index verwendet ausführbare Impact-Bid- und Ask-Preise im Verhältnis…

KryptoPerpetual FuturesCarryArbitrage
Machine Learning for Trading

Dieses Dokument beschreibt ein zweistufiges Verfahren zur Extraktion von Quelldaten für eine S&P-500-Straddle-Studie. Zunächst werden Call- und Put-Kontrakte anhand einer Auswahl nahe am Geld ermittelt, die auf Tagen bis zum Verfall, absolutem Delta,…

OptionenVolatilitätBewertung von DerivatenStatistik
Machine Learning for Trading

Das Notebook trainiert einen einfachen Autoencoder mit standardisierten Stundenrenditen einer Gruppe von Krypto-Perpetual-Märkten. Der Encoder komprimiert den anlageklassenübergreifenden Renditevektor in eine zweidimensionale latente Darstellung, und der…

KryptoPerpetual FuturesMaschinelles LernenVolatilität
Machine Learning for Trading

Dieses Dokument erklärt, warum eine tägliche Optionsreihe mit konstanter Laufzeit keine Renditereihe für eine tatsächlich gehaltene Position ist. Es wählt Call- und Put-Positionen mit gleichem Basispreis und Verfall aus, die Liquiditäts-, Laufzeit-,…

OptionenVolatilitätBacktestingBewertung von Derivaten
Machine Learning for Trading

Dieses Dokument stellt gemeinsame Methoden vor, um Merkmale aus angepassten Modellen ohne Verwendung zukünftiger Beobachtungen zu erzeugen. Für Hidden-Markov-Modelle unterscheidet es gefilterte Zustandswahrscheinlichkeiten, die auf Beobachtungen bis zum…

Maschinelles LernenVolatilitätStatistikBacktesting
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 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 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

Diese Pipeline erstellt Finanzmerkmale für einen ETF-Bereitstellungsablauf aus OHLCV-Kursen und einer Zinskurve. Sie leitet Renditen und risikobereinigte Renditen über mehrere Lookback-Zeiträume, Momentum-Beschleunigung und Volatilitätsverhältnisse ab und…

AktienMomentumVolatilitätTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook nutzt Analysen maximaler günstiger und ungünstiger Kursbewegungen, um Breiten von Triple Barriers anhand beobachteter Kursverläufe festzulegen. Bei einem Long-Einstieg zum Schlusskurs eines Balkens misst es den besten Höchstkurs und den…

RisikomanagementVolatilitätBacktesting
Machine Learning for Trading

Diese Studie untersucht, ob Größen aus dem Optionsmarkt zukünftige Aktienrenditen in eine Rangfolge bringen können. Zu den Merkmalen gehören die implizite Volatilität über verschiedene Laufzeiten, die Put-Call-Skew, die Steigung der Laufzeitenstruktur und…

OptionenAktienVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Dokument entwickelt ein tägliches Merkmals-Panel zur Rangordnung von zwanzig Währungspaaren zum New Yorker Schlusskurs um 5 PM. Es unterscheidet rangfähige Signale wie standardisierte Renditen über mehrere Zeithorizonte und die Kanalposition von…

DevisenhandelRückkehr zum MittelwertMomentumVolatilität