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

100 Dokumente

Machine Learning for Trading

Dieses Notebook wandelt Modellrankings in einfache Krypto-Perpetual-Futures-Portfolios um, damit spätere Experimente die Auswirkungen veränderter Positionsgrößen, Kosten oder Risikokontrollen messen können. Es nutzt Einstiegsregeln wie die Auswahl der…

KryptoPerpetual FuturesBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook verwendet Optuna zur Optimierung von LightGBM-Renditemodellen und berücksichtigt dabei sowohl den Informationskoeffizienten im Querschnitt (IC) als auch die Prognoseumschichtung. Eine Suche mit einem Ziel maximiert zum Vergleich IC; eine…

Maschinelles LernenStatistikFuturesKrypto
Machine Learning for Trading

Diese Analyse vergleicht drei Verfahren, um vorzeichenbehaftete Modellprognosen von Renditen in binäre Positionen umzuwandeln: einen festen Schwellenwert von null, ein nachlaufendes Perzentil je Symbol und ein Perzentil im Querschnitt der Symbole. Sie wendet…

Maschinelles LernenOrderausführungBacktestingKrypto
Machine Learning for Trading

Dieses Notebook führt vektorisiertes Backtesting mit VectorBT anhand einer Long-only-Mean-Reversion-Regel RSI auf Marktdaten zu Bitcoin-Perpetuals ein. Es berechnet einen auf Schlusskursen basierenden RSI, eröffnet Positionen, wenn der Wert des Vortags unter…

KryptoPerpetual FuturesRückkehr zum MittelwertTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook vergleicht sechs Allokationsmethoden für Krypto-Perpetual-Strategien, die bereits einen grundlegenden Auswahlprozess bestanden haben. Prognosen und Einstiegsregeln jeder Strategie bleiben fest, während sich die Kapitalzuweisung ändert: Ein…

KryptoPerpetual FuturesPositionsgrößenbestimmungPortfolio-Konstruktion
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

Dieses Modul schätzt Parameter für simulierte Kryptomärkte, die in Umgebungen für bestärkendes Lernen eingesetzt werden. Es lädt stündliche Daten zum Perpetual-Markt für ein ausgewähltes Symbol, berechnet logarithmische Renditen von Schlusskurs zu…

KryptoPerpetual FuturesVolatilitätMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook untersucht, ob eine extreme Prämie bei Perpetual Futures nachfolgende BTC-Renditen oder eine Prämienumkehr beeinflusst. Als Behandlung definiert es einen Zustand mit hoher Prämie und vergleicht ein breites Marktergebnis, das von vielen…

KryptoPerpetual FuturesArbitrageStatistik
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 erklärt, wie angepasste GJR-GARCH- und Hidden-Markov-Modelle in Handelsmerkmale umgewandelt werden, während Look-ahead-Bias kontrolliert wird. GJR-GARCH schätzt die bedingte Volatilität und erfasst die stärkere Wirkung negativer…

KryptoPerpetual FuturesVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook vergleicht zwei kausale Fragen zu extremen Prämien bei Bitcoin-Perpetual-Futures: Sagt ein Prämienzustand zukünftige Renditen voraus, und sagt er eine spätere Rückbildung der Prämie voraus? Die Behandlung ist ein binärer Indikator für einen…

KryptoPerpetual FuturesStatistikMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook vergleicht DQN, PPO und A2C in einer gemeinsamen simulierten Trading-Umgebung, die auf stündliche Renditen von Bitcoin-Perpetual-Futures kalibriert ist. Ein GARCH(1,1)-Modell erzeugt Volatilitätscluster. Die Umgebung berechnet Kosten für…

Maschinelles LernenKryptoPerpetual FuturesVolatilität
Machine Learning for Trading

Das Dokument erläutert ein temporales Faltungsnetzwerk zur Prognose von Funding-Prämien bei Krypto-Perpetuals anhand eines Fensters von 60 Abrechnungen. Vier kausale Faltungsblöcke verwenden einen Kernel der Größe drei und Dilatationen von 1, 2, 4 und 8. Ihr…

KryptoPerpetual FuturesMaschinelles LernenRückkehr zum Mittelwert
Machine Learning for Trading

Dieses Notebook misst, wie sich Ausführungskosten auf eine bereits ausgewählte Konfiguration für Krypto-Perpetuals auswirken. Modell, Checkpoint, Einstiegsregel, Allokator und Risikokontrolle bleiben unverändert. Anschließend wird die Strategie mit einem…

KryptoPerpetual FuturesBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook testet ein Zwei-Modell-Design für Ausstiege anhand stündlicher Perpetual-Daten von BTC, ETH und SOL. Ein Einstiegs-Klassifikator erkennt ungewöhnlich hohe zukünftige Renditen; seine vorhergesagte Wahrscheinlichkeit fließt anschließend…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Analyse vergleicht Validierungsprognosen mehrerer Modellfamilien für das Funding von Perpetual-Futures. Sie erläutert, dass der Informationskoeffizient die Rangfolge späterer Renditen misst, AUC die Ordnung positiver und negativer Ergebnisse misst und…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Diese Fallstudie bewertet die Total-Value-Locked-Daten von DeFi Llama als möglichen Input für eine Ether-Handelsforschungspipeline. Sie trennt Signalstärke, Datenqualität, rechtliche Eignung und kommerziellen Wert; rechtliche Fragen und das Fehlen…

KryptoDeFiOn-Chain-DatenStatistik
Machine Learning for Trading

Dieses Notebook bewertet positionsbezogene Exits bei Krypto-Perpetual-Futures-Positionen, die eine frühere Allokationsphase ausgewählt hat. Es definiert feste Verlust-Stopps, an den besten Preis jeder Position gebundene Trailing-Stops und Zeit-Exits nach…

KryptoPerpetual FuturesRisikomanagementBacktesting
Machine Learning for Trading

Dieses Dokument beschreibt einen Datensatz und Ablauf zur Untersuchung von Kryptowährungs-Perpetual-Futures zusammen mit ihrem Prämienindex. Es umfasst stündliche OHLCV-Beobachtungen und Prämienmessungen im Acht-Stunden-Takt für ein festgelegtes Universum…

KryptoPerpetual FuturesFuturesArbitrage
Machine Learning for Trading

Dieses Notebook führt eine Einsatzprobe für ein Modell zur Prognose der Richtung von Krypto-Funding-Raten durch. Es trainiert ein dreiklassiges LightGBM-Modell mit historischen, von Binance abgeleiteten Perpetual-Daten, ruft anschließend Live-Stundenbalken…

KryptoPerpetual FuturesSpotmärkteMaschinelles Lernen
Machine Learning for Trading

Diese Demonstration beschreibt den Betrieb einer kontinuierlich laufenden Krypto-Strategie, die mit einem USD-Spot-Broker verbunden ist. Sie überträgt ein größeres Universum aus einer Perpetual-Futures-Fallstudie auf die kleinere Auswahl verfügbarer…

KryptoPerpetual FuturesSpotmärkteMomentum
Machine Learning for Trading

Diese explorative Analyse untersucht stündliche OHLCV-Daten für Krypto-Perpetual-Kontrakte zusammen mit einem achtstündigen Prämienindex. Sie betrachtet die Abdeckung von Symbolen und Daten, wechselnde Kontraktmitgliedschaften, Prämieneinheiten und…

KryptoPerpetual FuturesMarktmikrostrukturStatistik