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

123 Dokumente

Machine Learning for Trading

Diese explorative Analyse führt Optionskontrakte und den Aufbau von Optionsketten ein und untersucht anschließend eine 2020-Stichprobe von S&P-500-Optionen auf acht Basiswerte. Sie erläutert Moneyness, inneren Wert und Zeitwert, implizite Volatilität, die…

OptionenAktienVolatilitätBewertung von Derivaten
Machine Learning for Trading

Dieses Kapitel stellt Risikomanagement als Teil der Strategiegestaltung und des laufenden Betriebs dar. Es behandelt die Messung von Extremrisiken anhand von Value at Risk und Conditional Value at Risk, Ausmaß und Erholung des Drawdowns, die Aufschlüsselung…

RisikomanagementVolatilitätBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook erstellt Merkmale aus minutengenauen NASDAQ-100-Daten mit drei Verfahren: einer rollierenden heterogenen autoregressiven Regression für kurzfristige Varianzprognosen, einer Fourier-Transformation zur Beschreibung periodischer Strukturen in…

AktienVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook vergleicht Volatilitätsmessungen, schätzt ein heterogenes autoregressives (HAR)-Modell und misst Rauigkeit anhand von Hurst-Exponenten. Zunächst werden die realisierte Intraday-Varianz und tägliche Schätzer gegenübergestellt. Dabei werden…

VolatilitätStatistikTechnische IndikatorenBacktesting
Machine Learning for Trading

Das Kapitel erläutert klassische Ansätze zur Erzeugung synthetischer Finanzdaten, darunter kontinuierliche Preisprozesse, GARCH-Volatilität, Bootstrap-Stichprobenziehung und Modellvergleiche. Es beschreibt, wie Modelle wie geometrische Brownsche Bewegung,…

StatistikVolatilitätRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook wendet Double Machine Learning an, um zu prüfen, ob der Spread aus impliziter minus realisierter Volatilität nach Bereinigung um beobachtete Störfaktoren mit späteren Aktienrenditen zusammenhängt. Es identifiziert realisierte Volatilität,…

AktienOptionenVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook untersucht Tickdaten zu Trades und Quotes von AlgoSeek für AAPL während des Marktcrashs am 16. März 2020. Es beschränkt die Daten auf reguläre Handelszeiten, trennt Trade-Meldungen von NBBO-Updates und analysiert die Intraday-Aktivität,…

AktienMarktmikrostrukturOrderausführungVolatilität
Machine Learning for Trading

Dieses Notebook erstellt Merkmale für bedingte Volatilität für eine Aktien- und Optionsstudie zum S&P 500 mithilfe eines GJR-GARCH-Modells. Anders als feste Regeln auf Basis früherer Preise hängen angepasste Merkmale vom Schätzfenster ab. Daher legt die…

AktienOptionenVolatilitätBacktesting
Machine Learning for Trading

Dieses Dokument beschreibt, wie sich große S&P-500-Optionsketten für Forschungszwecke in tägliche Datensätze je Symbol umwandeln lassen. Die Zusammenfassung der Optionsfläche wählt Optionen nahe den angestrebten absoluten Deltas innerhalb von Laufzeitgruppen…

OptionenVolatilitätBewertung von Derivaten
Machine Learning for Trading

Dieses Modul definiert eine monatliche ETF-Allokationsbaseline anhand eines risikoadjustierten Momentum-Scores: der kumulierten Rendite des Rückblickzeitraums geteilt durch die annualisierte realisierte Volatilität. Überschreitet die Steigung der Zinskurve…

AktienMulti-AssetMomentumVolatilität
Machine Learning for Trading

Dieses Notebook gruppiert monatliche Renditen aus neun Faktor- und Marktzeitreihen zu Aktien, Anleihen, Währungen und Rohstoffen mithilfe von Gaußschen Mischmodellen. Nach dem Entfernen von Monaten mit unvollständigen Daten standardisiert es die Reihen,…

Multi-AssetFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Lehr-Notebook gibt einen Überblick über Preis- und Volumenmerkmale für quantitative Forschung. Es behandelt einfache und logarithmische Renditen über verschiedene Horizonte, Momentum mit Auslassung der jüngsten Periode, Übernacht- und…

AktienTechnische IndikatorenVolatilitätMomentum
Machine Learning for Trading

Diese Fallstudie bewertet wöchentlich eröffnete, am Geld liegende Short Straddles auf Bestandteile des S&P 500, die bis zur Fälligkeit gehalten und täglich delta-gehedgt werden. Die zentrale methodische Entscheidung ist, Renditen bis zur Fälligkeit zu…

OptionenVolatilitätBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook beschreibt die Anpassung von Diffusion-TS zur Erzeugung synthetischer ETF-Renditereihen. Der Entrauscher prognostiziert die unverrauschte Sequenz als Summe aus polynomialem Trend, Fourier-Saisonkomponente und Residuen, während ein…

Maschinelles LernenStatistikVolatilitätMulti-Asset
Machine Learning for Trading

Dieses Notebook stellt ein unbedingtes Sig-Wasserstein-GAN zur Erzeugung von Finanzzeitreihen vor. Es ersetzt einen trainierten Diskriminator für echte und generierte Daten durch eine Distanz, die auf erwarteten Pfad-Signaturen beruht, mathematischen…

Maschinelles LernenStatistikAktienVolatilität
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

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 passt Gradient-Boosting-Baummodelle an Optionsmarktmerkmale an, die Prognosen wie implizite Volatilität, Skew, Laufzeitenstruktur und Varianzrisikoprämie abbilden. Es vergleicht die Baumkapazität und die Wahl der Regressionsverlustfunktion…

OptionenMaschinelles LernenVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook verbindet die Positionsgrößenbestimmung mit der Analyse maximaler ungünstiger und günstiger Exkursionen. Es zeigt eine feste fraktionale Positionsgrößenbestimmung, bei der sich die Aktienanzahl aus dem Risikobudget des Portfolios und dem…

PositionsgrößenbestimmungRisikomanagementVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook erklärt die Konstruktion von Merkmalen anhand von Daten, die über die Kurshistorie eines einzelnen Vermögenswerts hinausgehen. Es leitet die annualisierte Futures-Rollrendite aus gleichzeitigen Kursen naher und späterer Kontrakte ab und…

FuturesOptionenCarryVolatilität
Machine Learning for Trading

Dieses Notebook erklärt, wie verborgene Markow-Modelle unbeobachtete Marktphasen anhand von Renditen und jüngster Volatilität erschließen. Zunächst werden einfache Vergleichsregeln festgelegt: ein Schwellenwert eines Volatilitätsindex für Stress und der Kurs…

Maschinelles LernenStatistikVolatilitätTechnische Indikatoren
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 entwickelt Labels für zukünftige Renditen von Short-At-the-Money-Straddles auf S&P-500-Aktien. Da der nominelle 30-Tage-Straddle im täglichen Panel in jeder Sitzung einen anderen Kontrakt darstellt, würde eine verschobene Preisreihe…

OptionenVolatilitätBewertung von DerivatenStatistik
Machine Learning for Trading

Dieses Notebook erläutert Tail-GAN, einen generativen adversariellen Ansatz zur Erzeugung finanzieller Renditeszenarien mit Fokus auf Value at Risk (VaR) und Expected Shortfall (ES). Differenzierbares Sortieren ermöglicht den Gradientenfluss durch…

Maschinelles LernenRisikomanagementVolatilitätPortfolio-Konstruktion