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

Das Notebook erstellt vollständige Pipelines für tägliche Aktiendaten und stündliche Krypto-Perpetual-Futures, von der Erfassung und Validierung über die Kennzeichnung der Quelle bis zur Speicherung. Im Aktienbeispiel werden historische WikiPrices-Daten mit…

AktienKryptoFuturesMarktmikrostruktur
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 bildet Unsicherheitsintervalle für ETF-Zukunftsrenditen mit Ridge-Regression und drei konformen Methoden: Split Conformal Prediction, Conformalized Quantile Regression und Adaptive Conformal Inference. Es bewertet sie anhand von…

AktienMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook verwendet Double Machine Learning, um zu schätzen, ob ein Premium-z-Wert bei Perpetual Futures nach Bereinigung um sechs Vorbehandlungskontrollen mit der folgenden Acht-Stunden-Rendite zusammenhängt. Es vergleicht die Effekte in Phasen hoher…

KryptoPerpetual FuturesMaschinelles LernenStatistik
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 prüft, ob Portfolioaufbau eine Strategie mit Trades in jedem NASDAQ-100-Balken retten kann, deren Ergebnis durch Kosten zunichtegemacht wird. Es wählt anhand des festgelegten Auswahluniversums führende Baseline-Prognosen aus und führt…

AktienPortfolio-KonstruktionPositionsgrößenbestimmungOrderausführung
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

Die fraktionale Differenzierung wendet eine nichtganzzahlige Potenz des verzögerten Differenzenoperators auf logarithmierte Kurse an. Ihre Binomialgewichte klingen über frühere Beobachtungen hinweg ab, sodass das Ergebnis Kursänderungen mit einem Teil der…

StatistikTechnische IndikatorenMaschinelles Lernen
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
Machine Learning for Trading

Dieses Notebook beschreibt ein LSTM-Modell, das Renditen anhand geordneter Zeitfenster von Aktienmerkmalen in einem US-Aktienpanel prognostiziert. Anders als ein flaches Tabellenmodell verarbeitet das LSTM die Sitzungen sequenziell und führt in jedem Fenster…

Maschinelles LernenAktienUS-MärkteBacktesting
Machine Learning for Trading

Dieses Notebook stellt TimeGAN vor, ein rekurrentes generatives adversariales Modell zur Erzeugung synthetischer Finanzzeitreihen. Seine fünf Module lernen eine Einbettung und Rekonstruktion, prognostizieren aufeinanderfolgende latente Zustände, erzeugen…

Maschinelles LernenAktienStatistikBacktesting
Machine Learning for Trading

Dieses Dokument erläutert eine gemeinsame Methode zur Erstellung von Walk-Forward-Validierungssplits anhand der Evaluierungseinstellungen von Fallstudien. Die Fold-Erstellung wird an einen kalenderbewussten Splitter delegiert; dabei werden eindeutige…

BacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook implementiert eine ausschließlich long ausgerichtete RSI-Mean-Reversion-Regel für unbefristete BTC/USDT-Kontrakte auf Basis eines ereignisgesteuerten Backtesting-Systems. Es fasst untertägige Beobachtungen zu täglichen UTC-Balken zusammen,…

KryptoPerpetual FuturesRückkehr zum MittelwertTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook wendet zwei sequentielle Detektoren auf echte Validierungsprognosefehler aus zwei US-Aktienkonfigurationen mit linearen Modellen über ein Kalenderjahr an. Ein Zwei-Fenster-Detektor für Mittelwertverschiebungen sucht nach Veränderungen der…

Maschinelles LernenStatistikRisikomanagementAktien
Machine Learning for Trading

Dieses Dokument erläutert, wie TWAP und VWAP eine große Parent-Order über eine Handelssitzung in Child-Orders aufteilen. TWAP teilt jedem Zeitintervall gleich große Anteile zu; VWAP weist Anteile proportional zu einer Prognose des Intervallvolumens zu. Das…

OrderausführungMarktmikrostrukturBacktestingAktien
Machine Learning for Trading

Dieses Notebook stellt einen überwachten Autoencoder zur Prognose zukünftiger ETF-Renditen vor. Das Netzwerk komprimiert die Merkmalszeile eines Fonds in eine niedrigdimensionale Darstellung und prognostiziert Renditen direkt daraus. Anders als bedingte…

Maschinelles LernenAktienStatistikBacktesting
Machine Learning for Trading

Dieses Dokument beschreibt, wie sich aus einer bestehenden Walk-Forward-Validierungsspezifikation ein einzelnes Trainingsintervall für den Holdout ableiten lässt. Es übernimmt die in der Studienkonfiguration angegebenen Holdout-Daten, verwendet den frühesten…

BacktestingMaschinelles LernenRisikomanagementStatistik