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

714 Dokumente

Machine Learning for Trading

Dieses Notebook vergleicht zwei vortrainierte Zeitreihen-Grundmodelle, Chronos und TinyTimeMixer, mit einem LSTM und einer regularisierten linearen Basislinie auf einem ETF-Panel. Jedes Modell erhält einen univariaten historischen Kontext; die vortrainierten…

Maschinelles LernenAktienMomentumBacktesting
Machine Learning for Trading

Dieses Kapitel stellt einen Rahmen zur Bewertung kausaler Aussagen in der quantitativen Trading-Forschung vor. Es beginnt mit klaren Definitionen von Behandlung, Ergebnis, Estimand, Gegenfaktum und Adjustierungsmenge und ordnet Forschungsfragen anschließend…

Maschinelles LernenStatistikBacktestingFaktorinvestieren
Machine Learning for Trading

Dieses Notebook passt lineare Modelle an NASDAQ-100-Mikrostrukturmerkmale an, die in Ein-Minuten-Intervallen beobachtet werden, um Renditen über mehrere zukünftige Horizonte zu prognostizieren. Es soll eine einfache Basislinie vor ausdrucksstärkeren Modellen…

AktienMaschinelles LernenStatistikTechnische Indikatoren
Machine Learning for Trading

Diese Merkmalsbewertung prüft finanzielle und modellbasierte Kandidaten anhand von Forward-Renditen für CME-Futures. Für jedes Merkmal prüft sie Datenabdeckung und Aktualität, misst die tägliche querschnittliche Rangkorrelation zwischen Merkmalswerten und…

FuturesStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Kapitel vertritt die Auffassung, dass belastbare Trading-Forschung einen disziplinierten Prozess erfordert, der sich an veränderte Märkte, verrauschte Evidenz und Implementierungskosten anpassen kann. Es unterscheidet strukturelle Brüche, Regime,…

Maschinelles LernenBacktestingRisikomanagementStatistik
Machine Learning for Trading

Dieses Evaluierungsnotebook prüft finanzielle und modellbasierte Merkmale auf ihren Zusammenhang mit der Rendite der nächsten acht Stunden bei Krypto-Perpetual-Futures. Es erstellt die Evaluierungsstichprobe aus Walk-Forward-Validierungsfenstern, lässt den…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook untersucht, wie sich Regularisierung auf ein CME-Futures-Modell mit korrelierten Merkmalsfamilien auswirkt, darunter Carry, gleitende Sharpe Ratio, Momentum und Volatilitätskennzahlen. Es vergleicht Ridge, Lasso und ElasticNet: Ridge…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt die Anpassung von Diffusion-TS zur Erzeugung synthetischer ETF-Renditereihen. Der Entrauscher prognostiziert die unverrauschte Sequenz als Summe aus polynomialem Trend, Fourier-Saisonkomponente und Residuen, während ein…

Maschinelles LernenStatistikVolatilitätMulti-Asset
Machine Learning for Trading

Das Kapitel vertritt die Auffassung, dass wiederholbare Forschungsdisziplin eine beständigere Quelle für Handelsvorteile ist als jede einzelne Strategie. Es stellt einen Ablauf vor, der auf falsifizierbaren Hypothesen, Out-of-Sample-Auswertung und…

Maschinelles LernenStatistikRisikomanagementDeFi
Machine Learning for Trading

Das Dokument erläutert, warum TabM zur Modellierung von Perpetual-Funding-Paneldaten eingesetzt wird: Sein gemeinsames neuronales Grundgerüst kombiniert alle Eingabemerkmale, während nichtlineare Schichten Interaktionen abbilden können. Anders als ein Baum,…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook modelliert institutionelle Aktienbestände aus SEC 13F-Meldungen als Graph, der Fondsmanager mit Wertpapieren verknüpft und Sektorbeziehungen zur Aggregation enthält. Das Schema bewahrt sowohl das Berichtsdatum zum Quartalsende als auch das…

AktienStatistikMarktmikrostruktur
Machine Learning for Trading

Dieser Evaluierungsablauf prüft Finanz- und modellbasierte Merkmale anhand zukünftiger Renditen für ein NASDAQ-100-Intraday-Panel. Zunächst wird der abschließende Testzeitraum reserviert; Beobachtungen, deren zukünftige Labels innerhalb dieses Zeitraums…

AktienStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Analyse schätzt, ob Momentum unter Auslassung der jüngsten Periode mit einer kausalen Veränderung der zukünftigen ETF-Renditen verbunden ist, statt zu fragen, wie gut Momentum Renditen prognostiziert. Double Machine Learning modelliert Ergebnis und…

Maschinelles LernenStatistikMomentumBacktesting
Machine Learning for Trading

Diese Methode zur Benchmark-Erstellung erzeugt eine gleichgewichtete tägliche Renditereihe aus den angegebenen Vermögenswerten einer Fallstudie. Zunächst wird für jedes Symbol der letzte Schlusskurs jeder Sitzung herangezogen; anschließend werden…

BacktestingPortfolio-KonstruktionStatistikRisikomanagement
Machine Learning for Trading

Diese Analyse profiliert ein festes Universum aus 100 ETFs in neun Anlagegruppen. Sie prüft die Abdeckung nach Fonds und Jahr, bestätigt, dass das Preispanel zur Gruppenkonfiguration passt, überprüft fehlende Werte und die OHLC-Reihenfolge und vergleicht das…

Multi-AssetStatistikRisikomanagementBacktesting
Machine Learning for Trading

Dieses Dokument stellt das neuronale Netzwerk-Grundgerüst PatchTST zur Prognose multivariater Zeitreihen vor. Es teilt jede Eingabereihe in überlappende Abschnitte auf, projiziert jeden Abschnitt in einen erlernten Merkmalsraum, ergänzt Positionskodierungen…

Maschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Dokument erläutert, wie Renditen rund um Ereignisse wie Signalauslösungen, Gewinnmeldungen oder makroökonomische Veröffentlichungen gemessen werden. Das ausgearbeitete Beispiel verwendet Momentum-Ausbrüche bei liquiden ETFs. Für jedes Ereignis liefert…

AktienEreignisgesteuertMomentumAusbruch
Machine Learning for Trading

Dieses Notebook schätzt, ob der Prämien-Z-Score eines Krypto-Perpetuals die nachfolgenden Acht-Stunden-Renditen beeinflusst, wenn drei festgelegte Treiber – Preisvolatilität, Funding-Satz und durchschnittliche Prämienabweichung – konstant gehalten werden. Da…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook stellt ein unbedingtes Sig-Wasserstein-GAN zur Erzeugung von Finanzzeitreihen vor. Es ersetzt einen trainierten Diskriminator für echte und generierte Daten durch eine Distanz, die auf erwarteten Pfad-Signaturen beruht, mathematischen…

Maschinelles LernenStatistikAktienVolatilität
Machine Learning for Trading

Dieses Notebook verwendet tägliche ETF-Renditen, um zu erläutern, wie GARCH-Modelle Volatilitätscluster erfassen und daraus ein Merkmal für jede Handelssitzung bilden. Zunächst werden anhand visueller Diagnosen und eines ARCH-LM-Tests geprüft, ob verzögerte…

VolatilitätStatistikRisikomanagementAktien
Machine Learning for Trading

Dieses Notebook erklärt, wie sich ein Limit-Orderbuch der NASDAQ für ein einzelnes Symbol aus Nachrichten zu einzelnen Aufträgen rekonstruieren lässt. Es verarbeitet Hinzufügungen, Ausführungen, Stornierungen, Löschungen und Ersetzungen und verfolgt dabei…

AktienMarktmikrostrukturOrderausführungStatistik
Machine Learning for Trading

Dieses Quellmodul enthält Loader für US-Aktienkurse, Indexdaten, Optionen, Markt-Mikrostruktur, Fundamentaldaten und institutionelle Beteiligungen. Das wichtigste methodische Detail betrifft die Resampling-Aggregation untertägiger Handelsdaten: Eröffnung,…

AktienMarktmikrostrukturOrderausführungUS-Märkte
Machine Learning for Trading

Dieses Notebook erläutert, wie sich anhand eines Fallstudienregisters ein Katalog von Modellversuchen rekonstruieren und mit MLflow vergleichen lässt. Es verfolgt Experimente über Trainingsläufe, Prognosesätze und Backtest-Läufe hinweg und verknüpft jede…

Maschinelles LernenBacktestingStatistikRisikomanagement