Wissensbibliothek

Dieses Notebook beschreibt eine Double-Machine-Learning-Analyse des Effekts einer FX-Momentum-Behandlung nach Anpassung um festgelegte Störvariablen. Flexible Hilfsmodelle schätzen anhand dieser Störvariablen Ergebnis und Behandlung; Cross-Fitting nutzt…

Dieses Notebook vergleicht drei lineare Prognosemodelle, einen Transformer-Encoder und zwei parameterfreie Prognosen für tägliche SPY-Renditen. Lineare Modelle übertragen ein historisches Fenster auf eine Mehrtagesprognose; Varianten trennen zunächst eine…

Dieses Notebook konfiguriert einen NLinear-Prognoselauf für FX-Paare. Das Modell verwendet ein festes, lückenlos aufeinanderfolgendes Rückblickfenster und zieht den zuletzt beobachteten Wert ab, sodass es auf Veränderungen in diesem Fenster ausgerichtet…

Dieser Code definiert Schutzmaßnahmen für reproduzierbare Kreuzvalidierung, die Nachverfolgung der Eignung und zeitlich auf Folds begrenzte Merkmale. Er normalisiert Fold-Grenzen, vergleicht angeforderte Folds mit den Grenzen, die zur Erstellung zeitlicher…

Dieses Notebook skizziert Diagnosen ausschließlich für die Validierung eines 10-Sitzungs-Renditelabels für delta-gehedgte S&P-500-Optionen. Es ordnet Finanzprognosevariablen in Gruppen ein, die von impliziter Volatilität abhängen oder unabhängig davon sind,…

Dieses Notebook fasst die Prognose von 21-Sitzungs-ETF-Zukunftsrenditen als binäre Aufgabe: Positive Renditen werden als steigend und alle übrigen als fallend klassifiziert. Es passt eine logistische Regression mit L2- und L1-Regularisierung anhand…

Dieses Notebook prüft, ob ein LSTM zeitliche Strukturen aus ETF-Merkmalshistorien extrahieren kann, die flache Merkmalsmodelle möglicherweise übersehen. Vor dem Fitten gleicht es die definierte Sequenzpopulation mit verfügbaren Merkmalen, Labels, Entitäten…

Dieses Tutorial leitet den Kelly-Anteil für eine binäre Wette her, indem es das erwartete logarithmische Vermögenswachstum maximiert, und erweitert das Konzept anschließend auf stetige Renditen und ein Mehrwertpapierportfolio. Es verwendet symbolische…

Dieses Notebook erstellt mehrere Stichprobenverfahren aus einem einzelnen Handelstag mit NASDAQ ITCH-Transaktionen einer Aktie: zeitbasierte, Tick-, Volumen-, Dollar-, Imbalance- und Run-Balken. Es vergleicht ihre statistischen Eigenschaften, darunter…

Dieses Notebook zeigt zwei sequenzielle Überwachungsverfahren für Validierungsprognosefehler aus zwei linearen Aktienmodellkonfigurationen: einen Mittelwertverschiebungsdetektor mit zwei Fenstern und einen Monitor für die Häufigkeit schlechter Tage. Jeder…

Dieses Notebook bewertet vier aus Nachrichtentext abgeleitete Signale: gewichtete Überraschung, durchschnittliche Stimmung, Stimmungsdynamik und Artikelabdeckung. Es verwendet zukünftige Renditen, die in einem früheren Schritt zur Merkmalsbildung vorbereitet…

Dieses Notebook wendet Double Machine Learning (DML) an, um den Effekt von Skip-Recenter-Momentum auf zukünftige ETF-Renditen zu schätzen – eine Kausalfrage, die sich von der Prognose von Renditen unterscheidet. Es modelliert das Ergebnis und die…

Das Notebook demonstriert die Abstimmung von LightGBM für die Prognose von ETF-Renditen mit Optunas TPE-Sampler. Es durchsucht Einstellungen für Baumstruktur, Stichprobenziehung und Regularisierung, wählt mithilfe vorzeitigen Abbruchs die Boosting-Runden aus…

Dieses Kapitel stellt einen Forschungsablauf für den Einsatz von Prognosemodellen im Trading vor, bei dem stabile Prognosen außerhalb der Stichprobe wichtiger sein können als unverzerrte Koeffizientenschätzungen. Es behandelt regularisierte…

Dieses Notebook wandelt institutionelle 13F-Bestände in einen bipartiten Graphen von Institutionen und Aktien um und leitet daraus Forschungsmerkmale ab, darunter Ähnlichkeit gemeinsamer Aktienbestände, Breite und Konzentration des Eigentums sowie…

Dieses Notebook vergleicht eine vollständige Gittersuche mit Optunas TPE-Bayes-Sampler, um ein LightGBM-Modell für die Prognose künftiger ETF-Renditen abzustimmen. Zunächst erhalten beide Methoden dasselbe Versuchskontingent für ein kleines kategoriales…

Dieses Notebook untersucht, wie Zeit-, Tick-, Volumen-, Dollar- und Imbalance-Bars anhand mehrerer Handelssitzungen mit NVDA-Handelsdaten auf Auftragsebene kalibriert werden. Es filtert die Trades auf die regulären Handelszeiten, verwendet die…

Dieses Notebook definiert Labels für künftige Renditen in einem US-Aktienpanel und erläutert, warum ihre Konstruktion alle nachgelagerten Modelle und Backtests beeinflusst. Es legt Renditefenster anhand bereinigter Preise und Handelssitzungen fest, prüft, ob…

Dieses Notebook erstellt modellbasierte Merkmale für die Optionsforschung zum S&P-500 anhand der Renditen des Basiswerts. Es passt GJR-GARCH an, das negativen Renditeschocks zusätzliches Gewicht verleiht, sowie ein stochastisches Volatilitätsmodell, dessen…

Dieses Notebook trainiert TabM-neuronale Netze, um ETFs anhand derselben flachen Merkmalstabelle wie lineare und Boosting-Modelle zu ordnen. Jedes Ensemblemitglied teilt sich ein zweischichtiges Backbone, verfügt aber über einen eigenen Skalierungsvektor und…

Dieses Notebook erläutert, wie sich Renditen und Risiken von ETF anhand von CAPM- und Fama-French-Faktorregressionen zerlegen lassen. Es schätzt Engagements über die gesamte Stichprobe mit robusten Standardfehlern gegen Heteroskedastizität und…

Dieses Notebook passt Skip-Gram-Word2Vec an institutionelle Bestände an: Jedes 13F-Portfolio wird als Satz behandelt, jede Aktienkennung als Token und der Rang der Positionsgröße als Tokenreihenfolge. Benachbarte Positionen bilden den Kontext. So können…

Dieses Notebook stellt ein von GT-GAN inspiriertes generatives Modell für Finanzzeitreihen vor, die in unregelmäßigen Abständen erfasst werden, etwa Tick-, Volumen- oder Dollar-Balken. Encoder, Generator, Diskriminator und Decoder verwenden kontinuierliche…

Dieses Notebook beschreibt die Anpassung von PatchTST an Minutendaten des NASDAQ-100, um Renditen über mehrere künftige Horizonte vorherzusagen. Das Modell gruppiert aufeinanderfolgende Beobachtungen in Abschnitte und wendet Aufmerksamkeit auf diese an. So…