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 Dokument beschreibt Registry-Prüfungen, mit denen entschieden wird, ob Modelltraining und Backtests wiederverwendet oder erneut ausgeführt werden. Läufe werden anhand von Hashes identifiziert, die aus ihren Spezifikationen abgeleitet werden; ein Lauf…

BacktestingMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook erläutert, warum ein allgemeines Risiko-Overlay mit Zielgewichtung die beschriebene S&P-500-Short-Straddle-Strategie nicht steuern kann. Die Options-Engine weist wöchentlichen Kohorten feste Kapitalanteile zu und normalisiert die Gewichte…

OptionenRisikomanagementBacktestingBewertung von Derivaten
Machine Learning for Trading

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…

FuturesRohstoffeMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook ergänzt einen Vergleich von Sequenzmodellen zur Prognose von Funding-Aufschlägen bei Krypto-Perpetuals um ein zeitliches Faltungsnetz (TCN). Kausales Padding stellt sicher, dass jede Position nur aktuelle und frühere Beobachtungen verwendet,…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Fallstudie bewertet tägliche querschnittliche Signale in einem breiten US-Aktienuniversum und beschreibt eine umfangreiche Forschungspipeline: von zeitpunktgenauen Daten und entwickelten Features über Modellvergleiche und Portfoliokonstruktion bis hin…

AktienMaschinelles LernenMomentumRückkehr zum Mittelwert
Machine Learning for Trading

Dieses Notebook vergleicht LightGBM mit einem MLP, TabM und, sofern verfügbar, TabPFN zur Prognose zukünftiger ETF-Renditen anhand tabellarischer Merkmale. Die Modelle werden über gemeinsame chronologische Walk-Forward-Falten bewertet;…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Das Dokument beschreibt einen Vergleich fester und nachgezogener Stop-Regeln für FX-Strategien in der Validierungsphase. Für jedes Rendite-Label wählt es eine übergeordnete Strategie aus einer abgeschlossenen Kohorte von Signal- und Allokationsergebnissen…

DevisenhandelRisikomanagementBacktestingPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook vergleicht gewöhnliche kleinste Quadrate mit Ridge, LASSO und Elastic Net zur Prognose zukünftiger Renditen über 21 Tage anhand von ETFs. Die Modelle verwenden dieselben festgelegten Walk-Forward-Falten und eine an den Labelhorizont…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Das Dokument untersucht die Kausalentdeckungsaufgabe von ADIA Lab als überwachte Inferenz innerhalb einer bekannten synthetischen Datengenerierungsfamilie. Die Aufgabe weist Variablen acht Rollen rund um eine Behandlung und ein Ergebnis zu und nutzt dafür…

Maschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Modul erstellt ein Ensemble mittlerer Prognosen aus registrierten Vorhersagemengen und legt besonderen Wert auf Reproduzierbarkeit sowie die Vermeidung von Auswahlverzerrungen. Es ermittelt geeignete Modellkonfigurationen aus dem Register, statt eine…

Maschinelles LernenStatistikBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook setzt einen vierphasigen Prognoseablauf mit einfacher Python-Orchestrierung, CrewAI und LangGraph um. Es vergleicht, wo der Zustand gehalten wird, wie sich Fehler untersuchen oder beheben lassen, welche Abhängigkeiten die Ansätze mitbringen…

Maschinelles LernenStatistikOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook untersucht die Regularisierung linearer Modelle für ein Universum von Währungspaaren, deren Renditen miteinander verbunden sind, weil jedes Paar einen Kurs zwischen gemeinsamen Währungen darstellt. Es unterscheidet die Merkmalskollinearität,…

DevisenhandelStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Kapitel gibt einen Überblick darüber, wie sich angepasste statistische Verfahren in Merkmale für Handelsmodelle umwandeln lassen. Es behandelt Diagnostik und Stationarität, Strukturbrüche, fraktionale Differenzierung, Kalman-Filterung, Spektral- und…

StatistikVolatilitätMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook erstellt Labels für zukünftige Aktienrenditen für eine Strategie, die gelistete Optionsdaten auswertet, um Aktien zu ordnen, und diese anschließend hält. Es erstellt eine angepasste Kursreihe, die Kapitalmaßnahmen berücksichtigt,…

AktienOptionenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt einen Screen, der Kandidatensignale über 20 Währungspaare hinweg jeweils einzeln bewertet. Für jedes Merkmal berechnet es anhand ausschließlich Walk-Forward-validierter Zeitfenster die tägliche querschnittliche Rangübereinstimmung…

DevisenhandelStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht eine vollständige Grid Search mit Optunas TPE-Sampler zur Abstimmung eines LightGBM-Modells für Renditeprognosen. Zunächst erhalten beide Methoden dasselbe Versuchskontingent im selben diskreten Parametergitter: Die Aufzählung…

Maschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook bewertet einen querschnittlichen Momentum-Faktor anhand von Informationskoeffizienten, Quantilrenditen, Spreads zwischen oberen und unteren Quantilen sowie Klassifikationsdiagnostik. Es führt Spearman-IC als tagweise Rangkorrelation zwischen…

MomentumFaktorinvestierenStatistikBacktesting
Machine Learning for Trading

Diese Fallstudie untersucht, ob Informationen aus börsennotierten Optionen bei der Auswahl von S&P-500-Aktien helfen können. Sie kombiniert tägliche Aktienkurse mit optionsimplizierten Volatilitätsniveaus, Schiefe, Laufzeitstruktur und Kennzahlen der…

AktienOptionenBacktestingRisikomanagement
Machine Learning for Trading

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…

FuturesMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook nutzt die maximale günstige Kursbewegung (MFE) und die maximale ungünstige Kursbewegung (MAE), um die Breite der Triple-Barrier-Labels an beobachteten Kursverläufen auszurichten. Für eine Position, die zum Balkenschluss eröffnet wird, misst…

AktienFuturesKryptoVolatilität
Machine Learning for Trading

Diese Analyse prüft, ob die Daten eine querschnittliche Krypto-Perpetual-Strategie unterstützen können, bevor ein Modell angepasst oder Prognosen erstellt werden. Der vorgeschlagene Ansatz ordnet Kontrakte bei jeder Finanzierungsabrechnung nach ihrer Prämie…

KryptoPerpetual FuturesStatistikBacktesting
Machine Learning for Trading

Dieses Notebook zeigt einen operativen Ablauf für eine ETF-Aktienstrategie: Marktdaten aktualisieren, Finanzmerkmale berechnen, ein Ridge-Modell neu trainieren, aktuelle querschnittliche Prognosen erstellen, sie durch eine Backtest-Engine abspielen und einen…

AktienMaschinelles LernenOrderausführungBacktesting
Machine Learning for Trading

Das Dokument beschreibt eine Allokationsstudie für ein FX-Portfolio, die Positionsgrößen von der Signalauswahl isolieren soll. Sie beginnt mit eingefrorenen, gleich gewichteten Basiskandidaten, die nach der Backtest-Leistung in der Validierung geordnet sind,…

DevisenhandelPortfolio-KonstruktionBacktestingRisikomanagement