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

738 Dokumente

Machine Learning for Trading

Diese Fallstudie schätzt lineare Modelle zur Vorhersage von Renditen und Richtung bei Krypto-Perpetual-Futures. Die Merkmalsmatrix wird von Varianten des Perpetual-Aufschlags dominiert, der Differenz zwischen Kontrakt- und Kassakurs, die Funding-Zahlungen…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook stellt einen bedingten Autoencoder für Aktienrenditen vor, bei dem ein neuronales Netz Aktienmerkmale auf nichtlineare Faktorladungen abbildet, während ein weiteres Netz zeitgleiche latente Faktoren aus merkmalsgesteuerten Portfoliorenditen…

AktienMaschinelles LernenFaktorinvestierenStatistik
Machine Learning for Trading

Dieses Notebook misst, wie sich Transaktionskosten auf eine festgelegte CME-Futures-Strategiekonfiguration auswirken. Es wählt die berichtete Konfiguration in einem gemeinsamen Validierungsverfahren aus, übernimmt deren Risiko-Overlay in die Kostenläufe und…

FuturesRohstoffeBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook vergleicht Verfahren zur Absicherung einer Short-Position in einem europäischen Call bei diskretem Rebalancing und proportionalen Handelskosten. Es definiert den selbstfinanzierenden End-P&L und trainiert anschließend einen neuronalen Hedger,…

OptionenMaschinelles LernenRisikomanagementOrderausführung
Machine Learning for Trading

Dieses Notebook vergleicht die Hyperparameterabstimmung mit einem einzelnen Ziel mit einer Mehrzielsuche für LightGBM-Prognosemodelle. Die Baseline maximiert den Information Coefficient (IC) der Validierung. Die Suche mit NSGA-II maximiert stattdessen IC und…

Maschinelles LernenStatistikBacktestingOrderausführung
Machine Learning for Trading

Dieses Kapitel fasst neun Fallstudien zusammen, in denen Machine-Learning-Signale über Portfolioaufteilung, Handelskosten und Risiko-Overlays bis zur Auswertung eines eingefrorenen Holdouts verfolgt werden. Als Analyseeinheit dient der Verlauf jeder…

Maschinelles LernenAktienBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Diese Bewertung verfolgt eine einzelne US-Aktienstrategie von einer eingefrorenen Menge von Validierungs-Backtests bis zu ihrer Holdout-Auswertung. Sie wendet eine deterministische Regel an: Gewählt wird der Kandidat mit der höchsten Sharpe Ratio in der…

AktienBacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook führt eine ausgewählte NASDAQ-100-Mikrostrukturkonfiguration mit den registrierten Holdout-Prognosen aus. Modell, Portfolioaufteilung, Konzentration, Rebalancing-Zeitplan, Risiko-Overlay und Kostenannahmen stammen aus früheren Arbeiten und…

AktienUS-MärkteBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht Verfahren zur Positionsgrößenbestimmung in einem US-Aktienpanel, während Modell, Checkpoint, Rebalancing-Termine und ausgewählte Aktien unverändert bleiben. Prognosebasierte Verfahren skalieren das Kapital anhand der Prognosehöhe…

AktienUS-MärktePortfolio-KonstruktionPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook erläutert, wie eine Strategie aus einer festen Menge von US-Aktien-Backtests ausgewählt und anschließend in einem separaten Holdout-Zeitraum bewertet wird. Es prüft, ob die Kandidaten dieselben erforderlichen Daten- und Protokollkennungen…

AktienBacktestingRisikomanagementStatistik
Machine Learning for Trading

Dieses Notebook vergleicht drei lineare Zeitreihenmodelle, einen Transformer-Encoder und Prognosen ohne trainierbare Parameter für tägliche SPY-Renditen. Die linearen Ansätze bilden ein historisches Fenster auf eine Mehrtagesprognose ab; Varianten trennen…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook untersucht, ob Gradient-Boosting-Bäume nichtlineare Zusammenhänge in NASDAQ-100-Mikrostrukturmerkmalen finden können, die einem linearen Modell möglicherweise entgehen. Im Mittelpunkt steht die Möglichkeit, dass die Order-Flow-Imbalance…

AktienMaschinelles LernenMarktmikrostrukturStatistik
Machine Learning for Trading

Dieses Notebook erklärt einen operatorbasierten Forschungsagenten, der quantitative Fallstudien iterativ bearbeitet. Statt das Modell auf vorgegebene Prognoseaktionen zu beschränken, stellt es ihm allgemeine Werkzeuge für Dateien, Shell-Befehle,…

Maschinelles LernenBacktestingStatistikRisikomanagement
Machine Learning for Trading

Diese Machbarkeitsanalyse prüft, ob sich mit dem verfügbaren US-Aktienpanel eine tägliche Long-Short-Rangfolgestrategie untersuchen lässt. Sie untersucht die Point-in-Time-Konstruktion des Anlageuniversums anhand von Kurs- und Handelsumschlagsschwellen,…

AktienUS-MärkteBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook passt die in früheren Validierungsphasen ausgewählte Konfiguration mit Daten aus der Zeit vor -2021 erneut an und erstellt anschließend Prognosen für einen Holdout aus 2021. Es ruft die gewählte Konfiguration aus einem aufgezeichneten…

AktienOptionenMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook prüft einen Jahresberichtskorpus, bevor er für die Finanzrecherche indexiert wird. Es misst die Verzögerung zwischen dem Ende eines Geschäftsjahreszeitraums und dem Datum der öffentlichen Einreichung und zeigt, warum Point-in-Time-Anwendungen…

AktienMaschinelles LernenOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook prüft Finanz- und modellbasierte Merkmale auf ihren Zusammenhang mit der Rendite der nächsten acht Stunden bei Krypto-Perpetual-Kontrakten. Für jeden Abrechnungstermin berechnet es querschnittliche Spearman-Korrelationen über geeignete…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook aggregiert bestehende Walk-Forward-Modellergebnisse aus Finanzfallstudien und vergleicht LSTM, NLinear, TSMixer, TCN und PatchTST mit linearen, Gradient-Boosting- und neuronalen Netzwerk-Baselines für Tabellendaten. Die Hauptkennzahl ist der…

Maschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses gemeinsam genutzte Analysemodul beschreibt Methoden zur Schätzung von Handelsfriktionen über verschiedene Anlageklassen hinweg. Es umfasst Hoch-Tief- und Rendite-Autokovarianzschätzer für Geld-Brief-Spreads, rollierende Durchschnittswerte des Volumens…

OrderausführungMarktmikrostrukturRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook untersucht, warum der Informationskoeffizient eines Modells die Sharpe Ratio einer darauf aufgebauten Strategie nicht bestimmt. Anhand mehrerer Fallstudien vergleicht es Signalrangfolgen mit Backtest-Ergebnissen und untersucht, wie…

BacktestingMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook implementiert eine didaktische Anpassung eines adversativen stochastischen Diskontfaktormodells auf Tagesbasis. Ein Portfolio-Gewichtungsnetzwerk konstruiert anhand von Merkmalen und Marktinformationen, die zum vorherigen Börsenschluss…

AktienMaschinelles LernenStatistikFaktorinvestieren
Machine Learning for Trading

Diese Analyse beurteilt die Zuverlässigkeit ausgewählter Handelssignale, indem sie Evidenz zum Informationskoeffizienten (IC) mit den Sharpe Ratios vergleicht, die entstehen, wenn Prognosen in Positionen umgesetzt werden. Sie aggregiert Ergebnisse von…

Maschinelles LernenStatistikBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook aggregiert bereits berechnete Walk-Forward-Ergebnisse, um LSTM, NLinear, TSMixer, TCN und PatchTST in Fallstudien mit linearen, Gradient-Boosting- und TabM-Baselines zu vergleichen. Es berichtet durchschnittliche tägliche…

Maschinelles LernenStatistikBacktesting
Machine Learning for Trading

Diese Machbarkeitsanalyse prüft, ob Daten und Annahmen für eine wöchentliche, delta-gehedgte Short-Straddle-Strategie auf S&P-500-Bestandteile plausibel sind, bevor ein Modell angepasst wird. Sie erläutert, wie Calls und Puts mit demselben Strike und…

OptionenVolatilitätRisikomanagementBacktesting