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

1,119 Dokumente

Machine Learning for Trading

Dieses Notebook bewertet Stop-Losses je Position, nachlaufende Stops und zeitbasierte Ausstiege auf Basis von Konfigurationen aus der Allokationsphase einer NASDAQ-100-Intraday-Strategie. Entscheidungen fallen alle fünfzehn Minuten, während die…

AktienRisikomanagementBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook stellt die Black-Scholes-Bewertung europäischer Calls und Puts dar, prüft die Put-Call-Parität und berechnet die implizite Volatilität mit der Brent-Nullstellensuche. Es definiert außerdem Delta, Gamma, Vega, Theta und Rho und veranschaulicht…

OptionenBewertung von DerivatenVolatilitätRisikomanagement
Machine Learning for Trading

Dieses Notebook beschreibt einen gepatchten Transformer für Sequenzprognosen in einer Studie zu S&P-500-Aktien und -Optionen. Er teilt ein Zeitfenster in zusammenhängende Blöcke und bildet jeden Block als Token ab. So kann die Attention weit voneinander…

AktienOptionenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Kapitel stellt Reinforcement Learning als Werkzeug für sequenzielle Steuerung dar und grenzt es von überwachter Prognose ab. Im Mittelpunkt stehen Aufgaben, bei denen Aktionen spätere Ergebnisse beeinflussen und Belohnungen vergleichsweise konkret…

Maschinelles LernenOrderausführungMarket-MakingOptionen
Machine Learning for Trading

Dieses ETF-Merkmals-Notebook erläutert, wie angepasste statistische Modelle über ihre geschätzten Parameter Zukunftsinformationen einfließen lassen können, selbst wenn ihre Formeln vergangene Beobachtungen verwenden. Abhilfe schafft ein Walk-Forward-Zeitplan…

AktienMaschinelles LernenStatistikVolatilität
Machine Learning for Trading

Dieses Notebook untersucht Gradient Boosting für ein US-Aktienpanel und variiert Baumkapazität, Zielfunktion und Trainings-Checkpoint über drei Horizonte für Forward-Renditen. Es erläutert, wie flache Bäume Merkmalsinteraktionen lernen können und wie mit…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine Krypto-Perpetual-Funding-Strategie erstellt werden, nachdem ihre Konfiguration anhand von Validierungsergebnissen ausgewählt wurde. Es ermittelt den zulässigen Validierungs-Backtest mit der höchsten…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Modul definiert eine Point-in-Time-Simulationsumgebung für die Ausführung einer großen Verkaufsorder in Krypto-Perpetual-Futures. Die Beobachtungen kombinieren den verbleibenden Bestand und die verbleibende Zeit mit Marktvolatilität, Premium-Index,…

KryptoPerpetual FuturesOrderausführungMarktmikrostruktur
Machine Learning for Trading

Dieses Kapitel stellt Marktdaten als Ergebnis von Handelsregeln, Liquidität und dem Verhalten der Marktteilnehmer dar. Es gibt einen Überblick von Quotes auf der obersten Orderbuchebene bis hin zu Order-Level-Feeds und beschreibt anschließend, wie…

MarktmikrostrukturOrderausführungHochfrequenzhandelStatistik
Machine Learning for Trading

Dieses gemeinsam genutzte Hilfsmodul unterstützt Kausalanalysen von Handelsdaten mit Double Machine Learning (DML) für Zeitreihen. Zu den dokumentierten Werkzeugen zählen Walk-Forward-Schätzungen mit Embargo, Nuisance-Modelle und Refutationstests.…

StatistikMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Diese Fallstudie erstellt Merkmale zum Vergleich von Varianzrisikoprämien bei S&P-500-Aktien. Verwendet werden At-the-Money-Straddles mit 30 Tagen Laufzeit und Daten zu den Basiswerten. Sie vergleicht implizite mit realisierter Volatilität über mehrere…

OptionenAktienVolatilitätBacktesting
Machine Learning for Trading

Diese Fallstudie erläutert, wie Prognosen für einen Holdout-Zeitraum erstellt werden, nachdem Modell und Strategie anhand von Validierungsdaten ausgewählt wurden. Sie lädt die zuvor gewählte Konfiguration, rekonstruiert deren Trainingsspezifikation und…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook erstellt einen LSTM-Allokator, der jüngste ETF-Rendite- und Volatilitätsmerkmale direkt auf Long-only-Portfoliogewichte abbildet. Eine Softmax-Ausgabe hält die Gewichte nichtnegativ und das Portfolio voll investiert. Eine differenzierbare…

Maschinelles LernenPortfolio-KonstruktionBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook stellt EdgarTools zur Untersuchung von SEC-Meldungen nach Unternehmen und Meldungsart vor. Es zeigt, wie Emittenten anhand stabiler CIK-Kennungen gesucht, Jahres- und Quartalsberichte abgerufen, XBRL-Abschlüsse extrahiert und Insider-Formular…

AktienUS-MärkteBacktestingStatistik
Machine Learning for Trading

Dieses Notebook wendet die Hauptkomponentenanalyse auf Änderungen von acht Treasury-Renditen mit konstanter Laufzeit zwischen einem und dreißig Jahren an. Es entfernt per Forward-Fill ergänzte Kalenderzeilen ohne Renditeänderungen und standardisiert die…

Festverzinsliche WertpapiereStatistikRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook beschreibt ein LSTM-Sequenzmodell, das Aktienrenditen anhand geordneter Fenster jüngster Merkmale vorhersagt. Jedes Beispiel verwendet 60 aufeinanderfolgende Sitzungen für eine Aktie; Fenster, die Listungslücken, Handelsaussetzungen oder…

AktienMaschinelles LernenStatistikUS-Märkte
Machine Learning for Trading

Diese Analyse prüft, ob tägliche Optionsdaten eine wöchentliche Strategie unterstützen können, die Straddles am Geld auf S&P-500-Bestandteile verkauft, Aktien delta-absichert und die Kontrakte bis zum Verfall hält. Sie erläutert, wie Calls und Puts einen…

OptionenVolatilitätOrderausführungBacktesting
Machine Learning for Trading

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…

FuturesMarktmikrostrukturBacktestingRohstoffe
Machine Learning for Trading

Dieses Notebook fasst registrierte Validierungsergebnisse von fünf Schätzern latenter Faktoren – PCA, IPCA, CAE, SDF und SAE – über neun Fallstudien hinweg zusammen. Zunächst wird berichtet, für welche Schätzer Ergebnisse in den einzelnen Panels vorliegen;…

FaktorinvestierenMaschinelles LernenStatistikAktien
Machine Learning for Trading

Dieses Dokument beschreibt eine Pipeline zum Herunterladen offizieller Binance-USD-M-Perpetual-Funding-Daten, deren Normalisierung und Zwischenspeicherung in einer spaltenorientierten Datei. Monatsarchive werden für die angeforderten Symbole und den…

KryptoPerpetual FuturesBewertung von DerivatenBacktesting
Machine Learning for Trading

Dieses Notebook wendet TabM, ein neuronales Ensemble mit gemeinsam genutzten Gewichten, auf ein US-Aktienpanel an, das pro Aktie und Sitzung eine Merkmalszeile enthält. Ein gemeinsam genutzter zweischichtiger Backbone speist mehrere Mitglieder, die jeweils…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook definiert Ziele für zukünftige Renditen, um US-Aktien zu ordnen, und erläutert, wie ihre Horizonte tatsächlichen Handelssitzungen entsprechen. Für Renditen verwendet es um Splits und Dividenden bereinigte Preise, für die Handelbarkeitsprüfung…

AktienMomentumStatistikBacktesting