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

240 Dokumente

Machine Learning for Trading

Diese Fallstudie bewertet tägliche querschnittliche Signale in einem breiten US-Aktienuniversum und beschreibt eine umfangreiche Forschungspipeline: von zeitpunktgenauen Daten und entwickelten Features über Modellvergleiche und Portfoliokonstruktion bis hin…

AktienMaschinelles LernenMomentumRückkehr zum Mittelwert
Machine Learning for Trading

Dieses Modul schätzt Parameter für simulierte Kryptomärkte, die in Umgebungen für bestärkendes Lernen eingesetzt werden. Es lädt stündliche Daten zum Perpetual-Markt für ein ausgewähltes Symbol, berechnet logarithmische Renditen von Schlusskurs zu…

KryptoPerpetual FuturesVolatilitätMarktmikrostruktur
Machine Learning for Trading

Dieses Dokument beschreibt eine Gymnasium-Umgebung, in der ein Agent trainiert wird, eine Position über einen festen Zeitraum abzubauen. Die Beobachtung kombiniert Restbestand und verbleibende Zeit mit Spread, Markttiefe, Volatilität und einem normalen oder…

Maschinelles LernenOrderausführungMarktmikrostrukturVolatilität
Machine Learning for Trading

Dieses Notebook setzt einen vierphasigen Prognoseablauf mit einfacher Python-Orchestrierung, CrewAI und LangGraph um. Es vergleicht, wo der Zustand gehalten wird, wie sich Fehler untersuchen oder beheben lassen, welche Abhängigkeiten die Ansätze mitbringen…

Maschinelles LernenStatistikOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook fasst einen übergeordneten Auftrag als Steuerungsproblem mit endlichem Zeithorizont auf. In jedem Intervall wählt tabellarisches Q-Learning einen Multiplikator für eine auf VWAP basierende Handelstranche. Dabei berücksichtigt es Zeit und…

AktienOrderausführungMaschinelles LernenMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook zeigt einen operativen Ablauf für eine ETF-Aktienstrategie: Marktdaten aktualisieren, Finanzmerkmale berechnen, ein Ridge-Modell neu trainieren, aktuelle querschnittliche Prognosen erstellen, sie durch eine Backtest-Engine abspielen und einen…

AktienMaschinelles LernenOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook erläutert, wie sich aus einzelnen auslaufenden Kontrakten eine kontinuierliche Futures-Preishistorie erstellen lässt. Es ermittelt den Frontmonat anhand des Handelsvolumens, wendet eine Regel gegen Rückwechsel an, um unbegründete Wechsel zu…

FuturesBacktestingOrderausführungMarktmikrostruktur
Machine Learning for Trading

Dieses Prüfskript erprobt einen reduzierten CME-Futures-Research-Ablauf – von Modellprognosen über Portfoliogewichte bis zum Backtesting. Es prüft, ob die Prognosen genau die erwarteten Produkt-, Zeitstempel- und Fold-Schlüssel abdecken, ob trainierte…

FuturesBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Modul definiert eine differenzierbare Zielfunktion für das End-to-End-Portfolio-Lernen. Es wandelt begrenzte Risikogewichte auf Anlagenebene mithilfe der Volatilitätsskalierung in Portfolio-Engagements um, berechnet die durchschnittlichen…

Maschinelles LernenPortfolio-KonstruktionRisikomanagementOrderausführung
Machine Learning for Trading

Dieses Notebook analysiert rekonstruierte NASDAQ-Orderbücher, um Intraday-Spreads und die Tiefe am besten Geld- und Briefkurs zu beschreiben. Anschließend untersucht es, ob die Orderflow-Imbalance mit der Rendite des nächsten Zeitintervalls zusammenhängt.…

AktienMarktmikrostrukturOrderausführungStatistik
Machine Learning for Trading

Dieses Notebook legt eine Baseline auf Signalebene fest, um Modellvorhersagen für CME-Futures auszuwerten. Bei jeder wöchentlichen Entscheidung werden Produkte nach prognostizierter Rendite geordnet, die oberste Gruppe gekauft, die unterste leerverkauft und…

FuturesBacktestingPortfolio-KonstruktionOrderausführung
Machine Learning for Trading

Diese Konfiguration legt ein Experiment zur Rangfolge und Neugewichtung eines ausschließlich long ausgerichteten ETF-Universums fest. Sie definiert ein breites Universum aus 100 bis ETF ETFs mit Engagements in Aktien, Anleihen, Rohstoffen und verschiedenen…

AktienMulti-AssetBacktestingOrderausführung
Machine Learning for Trading

Dieser Benchmark vergleicht CSV, Parquet, Feather (Arrow IPC) und HDF5 anhand desselben deterministischen OHLCV-Panels. Gemessen werden Schreibzeit, materialisierte Lesezeit, Dateigröße und die Auswirkungen, wenn nur ausgewählte Spalten gelesen werden. Für…

AktienBacktestingOrderausführung
Machine Learning for Trading

Dieses operative Tutorial demonstriert Laufzeitsicherungen für ein Live-Trading-System mit einem synthetischen Broker. Es zeigt, wie SafeBroker Aufträge ablehnt, wenn Marktdaten zu alt sind oder Tagesverluste ein konfiguriertes Limit überschreiten, und wie…

RisikomanagementOrderausführungMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook vergleicht DQN, PPO und A2C in einer gemeinsamen simulierten Trading-Umgebung, die auf stündliche Renditen von Bitcoin-Perpetual-Futures kalibriert ist. Ein GARCH(1,1)-Modell erzeugt Volatilitätscluster. Die Umgebung berechnet Kosten für…

Maschinelles LernenKryptoPerpetual FuturesVolatilität
Machine Learning for Trading

Dieses Dokument erläutert eine Validierungsbaseline für Modellprognosen zu CME-Futures. Bei jeder wöchentlichen Entscheidung werden die Produkte nach prognostizierter Rendite geordnet; die oberste Gruppe wird long und die unterste short gehalten, wobei beide…

FuturesBacktestingPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Notebook beschreibt einen operativen Ablauf, um eine Strategie über TWS oder Gateway mit Interactive Brokers zu verbinden. Es prüft, ob es sich um ein Paper-Konto handelt, liest Kontowerte und Positionen aus und ruft historische Bars ab, um den…

OrderausführungRisikomanagementMomentumAktien
Machine Learning for Trading

Dieses Notebook untersucht, wie empfindlich ein Momentum-Backtest für ETF gegenüber der angenommenen Handelsgebühr ist. Es hält die Gewichte und den Handelszeitplan der Strategie konstant, führt den Simulator mit verschiedenen Kosten pro Handelsseite erneut…

AktienMomentumBacktestingOrderausführung
Machine Learning for Trading

Diese Analyse wertet eine registrierte Backtesting-Pipeline für eine monatliche US-Aktienstrategie auf Basis von Unternehmensmerkmalen aus. Sie berichtet die Unsicherheit des Sharpe-Werts, die Wahrscheinlichkeit eines positiven Sharpe-Werts und…

AktienFaktorinvestierenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook misst, wie sich Ausführungskosten auf eine bereits ausgewählte Konfiguration für Krypto-Perpetuals auswirken. Modell, Checkpoint, Einstiegsregel, Allokator und Risikokontrolle bleiben unverändert. Anschließend wird die Strategie mit einem…

KryptoPerpetual FuturesBacktestingOrderausführung
Machine Learning for Trading

Dieses Dokument beschreibt Datensatz-Hilfsprogramme zur Vorbereitung von Zeitreihenpanels für Modelltraining und gleitende Inferenz. Der Trainingsdatensatz gibt gleitende Sequenzen von Merkmalen, zukünftigen Renditen, Volatilitätsskalen und Masken mit…

Maschinelles LernenBacktestingPortfolio-KonstruktionOrderausführung
Machine Learning for Trading

Diese Studie verwendet Orderdaten von NVDA über zehn Handelstage, um zu untersuchen, wie die tägliche Handelsaktivität die Bildung von Bars beeinflusst. Sie filtert Trades auf die regulären Handelszeiten der US, klassifiziert Aggressor-Seiten anhand von…

AktienMarktmikrostrukturOrderausführungTechnische Indikatoren