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 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
Machine Learning for Trading

Dieses Notebook zeigt eine gemeinsame OHLCV-Schnittstelle für Yahoo Finance, ein US-Aktienarchiv mit langer Historie und FRED-Makrodatenreihen. Es erstellt ein ETF-Universum für eine spätere Rotationsfallstudie, zeigt die Kombination historischer und…

Multi-AssetAktienUS-MärkteOrderausführung
Machine Learning for Trading

Diese Fallstudie entwickelt Merkmale, um zu untersuchen, ob die implizite Varianz am Geld bei S&P-500-Aktien die anschließend realisierte Varianz übersteigt und ob sich der Unterschied zwischen Wertpapieren unterscheidet. Sie kombiniert Straddle-Kurse mit…

OptionenVolatilitätAktienBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht die gewöhnliche Methode der kleinsten Quadrate mit Ridge, LASSO und Elastic Net, um zukünftige Renditen in einem ETF-Universum vorherzusagen. Alle Modelle verwenden dieselben Walk-Forward-Folds mit einem zeitlichen…

Maschinelles LernenAktienStatistikBacktesting
Machine Learning for Trading

Dieses Notebook entwickelt ein einheitensensitives Framework zur Schätzung von Handelskosten bei Aktien, ETFs, Futures, Devisen und Krypto-Perpetuals. Zunächst unterscheidet es gehandeltes Volumen von Aktivitätsmaßen, die sich nicht in den Dollar-Umsatz…

OrderausführungMarktmikrostrukturRisikomanagementFutures
Machine Learning for Trading

Dieses Kapitel zeigt, wie sich zeitkonsistente Analysen von Fundamentaldaten und alternativen Daten für Aktien, makroökonomische Reihen, Futures, Krypto und Prognosemärkte aufbauen lassen. Im Mittelpunkt stehen bitemporale Speicherung und Abfragen zum…

BacktestingStatistikMaschinelles LernenOn-Chain-Daten
Machine Learning for Trading

Dieses Notebook entwickelt ein Long-only-Mean-Varianz-Framework mit vollständiger Investition für ein diversifiziertes ETF-Universum. Es konstruiert zulässige Portfolios und eine Effizienzlinie und berechnet anschließend Gewichte mit maximaler Sharpe-Ratio…

Multi-AssetPortfolio-KonstruktionStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook berechnet die Kosten führender ETF-Allokationskonfigurationen anhand zweier Kostenraster neu, während Prognosen, Konzentration und Allokationsregeln unverändert bleiben. Es vergleicht das Kommissions- und Halbspreadmodell der Fallstudie je…

AktienOrderausführungBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook misst, wie Ausführungskosten die bereits ausgewählte Konfiguration für Krypto-Perpetual-Futures beeinflussen. Modell, Checkpoint, Einstiegsregel, Allokation und Risikokontrolle bleiben unverändert; anschließend werden Backtests über ein…

KryptoPerpetual FuturesOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook verwendet eine Hauptkomponentenanalyse für eine liquide Teilmenge von US-Aktien, um bruttonormalisierte Eigenportfolios zu bilden und ihre Rolle als latente Risikofaktoren zu untersuchen. Es analysiert die erklärte Varianz, interpretiert…

AktienFaktorinvestierenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht lineare Modelle zur Prognose von ETF-Renditen anhand überlappender, aus Kursen abgeleiteter Merkmale. Da mehrere Renditehorizonte und Indikatorfamilien ähnliche Informationen codieren können, kann die gewöhnliche Methode der…

AktienMulti-AssetMaschinelles LernenStatistik
Machine Learning for Trading

Diese Konfiguration beschreibt monatliche Long-Short-Portfolios mit US-Aktien, die nach Unternehmensmerkmalen sortiert sind. Sie legt ein Universum vollständiger Fälle mit 46 Merkmalen, Entscheidungen zum Monatsende, Ausführung zur nächsten Eröffnung,…

AktienFaktorinvestierenMomentumBacktesting
Machine Learning for Trading

Dieser Leitfaden ordnet kausale Fragestellungen Python-Bibliotheken zu und verdeutlicht den Unterschied zwischen der Schätzung von Effekten unter einer angenommenen Kausalstruktur und der Entdeckung möglicher Strukturen aus Daten. Er stellt Double Machine…

Maschinelles LernenStatistikAktienKrypto
Machine Learning for Trading

Dieses Framework zeigt Qualitätsprüfungen für tägliche US-Aktien-OHLCV-Daten. Die strukturelle Validierung prüft Preisbeziehungen, positive Preise, nichtnegative Volumina, fehlende Werte, doppelte Datumsangaben, chronologische Reihenfolge, veraltete Preise…

AktienStatistikRisikomanagementUS-Märkte
Machine Learning for Trading

Dieses Notebook stellt ein Modell mit stochastischem Diskontfaktor zur Bewertung eines ETF-Querschnitts vor. Statt Fondsengagements und Faktorrenditen getrennt zu schätzen, trainiert es Netzwerke darauf, eine gemeinsame Diskontfaktorreihe zu finden, deren…

Maschinelles LernenFaktorinvestierenStatistikAktien
Machine Learning for Trading

Dieses Notebook wendet TabM, ein neuronales Ensemble mit gemeinsam genutzten Gewichten, auf ein Panel von Merkmalen für Krypto-Perpetual-Futures an. Die Mitglieder teilen sich ein neuronales Grundgerüst, haben jedoch eigene Skalierungsvektoren und…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook rekonstruiert für jeden AAPL-Trade während einer einzelnen Sitzung im März 2020 das jeweils aktuelle beste Geld- und Briefgebot. Anschließend wendet es die Lee–Ready-Methode an, um abzuleiten, ob Käufer oder Verkäufer den Trade initiiert…

AktienMarktmikrostrukturOrderausführungStatistik
Machine Learning for Trading

Dieses Notebook prüft Finanzmerkmale und modellbasierte Merkmale darauf, ob sie ETFs anhand nachfolgender Renditen in eine Rangfolge bringen können. Es berechnet für jedes Datum einen Information Coefficient, indem es die Querschnittsränge jedes Merkmals mit…

AktienStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook erstellt einen nachvollziehbaren Bericht für eine reine Bitcoin-Long-Strategie, deren Ein- und Ausstieg anhand von RSI-Schwellenwerten erfolgt. Es vergleicht Brutto- und Nettoergebnisse und misst anschließend die Leistung gegenüber einer…

KryptoRückkehr zum MittelwertTechnische IndikatorenBacktesting
Machine Learning for Trading

Dieses Notebook untersucht gezielt, ob eine gelernte Sequenzdarstellung von Perpetual-Funding-Merkmalen handgefertigte Zusammenfassungen der Prämie verbessert, also des Abstands zwischen Perpetual- und Spotpreisen. Es vergleicht NLinear, das Änderungen…

KryptoPerpetual FuturesMaschinelles LernenBacktesting