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 Notebook erklärt PCA als latente Faktoren-Baseline ohne Merkmale zur Prognose von ETF-Renditen. Es zerlegt die Renditematrix des Trainingszeitraums für jedes Label und erstellt Prognosen anhand einer Ladung für jeden Fonds sowie geschätzter…

FaktorinvestierenMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook führt durch die Bereitstellung eines täglichen FX-Paarmodells, bei dem Interactive Brokers sowohl als Live-Datenquelle als auch als Ausführungsplatz dient. Es trainiert ein Ridge-Regressionsmodell auf einem historischen Panel, berechnet eine…

DevisenhandelMaschinelles LernenOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook stellt ein neuronales Modell des stochastischen Diskontfaktors für ein Panel von CME-Futures vor. Das Modell verwendet sowohl Produktrenditen als auch beobachtbare Merkmale wie Carry, Momentum und Volatilität, um latente Faktoren zu…

FuturesMaschinelles LernenFaktorinvestierenBacktesting
Machine Learning for Trading

Diese Studie bewertet führende Kombinationen aus ETF-Allokation und Risikokontrolle anhand zweier Kostenraster neu, während jede registrierte Strategiekonfiguration unverändert bleibt. Ein Raster verwendet Basispunkte pro Trade; das andere die festgelegte…

BacktestingOrderausführungPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht sechs Long-only-Portfolioallokationen für ein Multi-Asset-ETF-Universum. Es verwendet die Kovarianz-Shrinkage nach Ledoit-Wolf, um Stichprobenvariationen zu verringern, die Optimierungen destabilisieren können, und vergleicht…

Portfolio-KonstruktionRisikomanagementMulti-AssetBacktesting
Machine Learning for Trading

Dieses Notebook zeigt, wie PCMCI verzögerte Beziehungen zwischen Renditen von ETF und Volatilitätsrenditen untersucht, ohne vorab einen Kausalgraphen festzulegen. Es vergleicht bedingte Unabhängigkeitstests auf Paneldaten mit paarweisen Granger-Tests, die…

Maschinelles LernenStatistikMulti-AssetBacktesting
Machine Learning for Trading

Dieses Experiment untersucht, wie stark ein ausgewähltes monatliches US-Long-Short-Aktiensignal von Small-Cap-Aktien abhängt. Ein verzögerter Filter nach Marktkapitalisierung entfernt das kleinste Quartil aus den Validierungsprognosen; anschließend werden…

AktienUS-MärkteFaktorinvestierenBacktesting
Machine Learning for Trading

Dieses Notebook erklärt, wie PatchTST anhand gleich langer Abschnitte sequenzieller Marktmerkmale NASDAQ-100-Zielwerte prognostiziert. Die Attention verknüpft Abschnitte über eine rückwärtsgerichtete Stunde hinweg und verkürzt die Sequenz im Vergleich zu…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Dokument beschreibt ein CME-Futures-Experiment mit TabM, einem parametereffizienten neuronalen Ensemble, anhand derselben konstruierten Merkmalszeilen und Walk-Forward-Folds wie bei linearen Modellen und Gradient-Boosting-Modellen. TabM teilt die…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Material erklärt, wie eine anhand von Validierungsdaten ausgewählte Strategie mit Prognosen aus einem separaten 2021-Holdout bewertet wird. Die gewählte Allokation, Konzentration, Risikokontrollen, der Handelsplan und die Kosten bleiben unverändert;…

AktienBacktestingRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Dieses Modul beschreibt die Migration eines Registers, nachdem eine Bibliothek die Nummerierung der Walk-Forward-Folds geändert hatte, während deren Datumsfenster und angepasste Werte unverändert blieben. Da Fold-IDs in Trainingsspezifikationen,…

BacktestingMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook untersucht erhaltene Ergebnisse einer Prüfung realer Strategien, bei der die LEAN-Engine mit entsprechenden ML4T-Backtestprofilen verglichen wird. Es ermittelt, welche Workloads der Anlageklassen durch die eingefrorenen Eingaben unterstützt…

BacktestingOrderausführungAktienFutures
Machine Learning for Trading

Dieses Notebook beschreibt die Erstellung von Prognosen für den Holdout-Zeitraum einer US-Aktienstudie, nachdem eine Konfiguration anhand von Validierungs-Folds ausgewählt wurde. Es löst die ausgewählte Konfiguration auf, behält die Wahl des Checkpoints bei…

AktienMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook stellt ein Rahmenwerk vor, um zu prüfen, ob die scheinbare Qualität eines Momentum-Signals bei vertretbaren Forschungsentscheidungen Bestand hat. Anhand realer ETF-Daten aus dem Zeitraum vor dem festgelegten Holdout-Zeitraum wird jeweils ein…

AktienMomentumStatistikBacktesting
Machine Learning for Trading

Das Notebook vergleicht zwei Möglichkeiten, einen großen Aktienauftrag über eine Handelssitzung in kleinere Aufträge aufzuteilen. TWAP sendet in jedem Zeitintervall ungefähr gleiche Mengen und benötigt keine Marktprognose. VWAP teilt die Aktien anhand eines…

AktienOrderausführungMarktmikrostrukturBacktesting
Machine Learning for Trading

Das Notebook erläutert, wie Prognosemodelle für S&P-500-Optionen verglichen werden können, ohne dass unvollständige oder nicht übereinstimmende Evaluierungsstichproben die Ergebnisse verzerren. Es kennzeichnet jedes Modell anhand von Familie, Konfiguration…

OptionenMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook erläutert einen bedingten Autoencoder, der Aktienrenditen als merkmalsabhängige Faktorladungen modelliert, multipliziert mit latenten Faktoren. Zunächst schätzt es mit einer gemeinsamen querschnittlichen Kleinste-Quadrate-Anpassung die…

AktienFaktorinvestierenMaschinelles LernenPortfolio-Konstruktion
Machine Learning for Trading

Dieser Leitfaden zum Datensatz beschreibt eine Sammlung fortlaufender CME-Futures-Kontrakte aus Aktienindizes, Zinsen, Energie, Metallen, Währungen, Landwirtschaft und Viehwirtschaft. Er erläutert die stündlichen Quelldaten und die daraus abgeleitete…

FuturesMulti-AssetRohstoffeBacktesting
Machine Learning for Trading

Dieses Notebook untersucht, wie Allokationsregeln ETF-Strategien beeinflussen, nachdem ein Modell die Assets bereits eingestuft hat. Es hält Prognosemengen und Rebalancing-Kalender fest, wählt für jeden Vergleich denselben Top-k-Korb aus und variiert die…

AktienPortfolio-KonstruktionPositionsgrößenbestimmungRisikomanagement
Machine Learning for Trading

Dieses Notebook nimmt führende Prognosekonfigurationen aus der Validierung, die auf einer gleichgewichteten Signalstufen-Baseline beruhen, und testet alternative Allokationsmethoden anhand derselben Prognosen. Es vergleicht scorebasierte und konforme…

AktienPortfolio-KonstruktionPositionsgrößenbestimmungBacktesting
Machine Learning for Trading

Dieses Notebook bewertet, wie sich registrierte ETF-Prognosemengen in Portfolios umsetzen lassen. Es kombiniert jede Prognosemenge aus der Validierung mit festgelegten Einstiegsregeln, etwa unterschiedlichen Top-k-Positionen, und hält dabei Handelskalender,…

AktienBacktestingPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Kapitel beschreibt einen Weg von der Forschung zur Live-Ausführung, bei dem dieselbe Strategielogik im Backtest, im Paper Trading und im Live-Trading laufen kann. Es behandelt Broker- und Plattformintegrationen, Bereitstellungsschleifen, Prüfungen auf…

OrderausführungRisikomanagementBacktestingMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook entwickelt Merkmale für eine querschnittliche Hypothese: Ungewöhnlich teure Long-Positionen in Perpetual Futures könnten einer relativen Schwäche vorausgehen, wenn sich überfüllte Trades auflösen. Es wandelt Funding-Raten und…

KryptoPerpetual FuturesCarryBacktesting
Machine Learning for Trading

Dieses Kapitel ordnet Finanzdaten Markt-, Fundamental- und alternativen Quellen zu und vergleicht anschließend, wie Anlageklassen die Bedeutung von Preisen, Liquidität und Beobachtungen prägen. Es hebt hervor, dass Zeitstempel, Anpassungen, Kennungen und…

Multi-AssetStatistikBacktestingRisikomanagement