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

20 Dokumente

Machine Learning for Trading

Das Dokument erläutert, wie ein stochastischer Diskontfaktor (SDF) einen Preiskern schätzt, der jedes Asset bewerten sollte, statt gemeinsame Renditefaktoren zu schätzen. Es beschreibt adversariales Training: Ein Netzwerk schlägt den Diskontfaktor vor,…

OptionenBewertung von DerivatenMaschinelles LernenFaktorinvestieren
Machine Learning for Trading

Dieses Notebook erklärt, warum eine tägliche Optionsreihe mit konstanter Laufzeit nicht die Renditehistorie eines einzelnen handelbaren Kontrakts darstellt. Wird täglich ein neuer Straddle nahe am Geld ausgewählt, können sich der Ausübungspreis, der Verfall…

OptionenVolatilitätBewertung von DerivatenBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht gelernte und analytische Absicherungen für einen leerverkauften europäischen Call bei diskretem Rebalancing und proportionalen Handelskosten. Es definiert den selbstfinanzierenden End-P&L aus Absicherungsgewinnen,…

OptionenBewertung von DerivatenVolatilitätRisikomanagement
Machine Learning for Trading

Dieses Hilfsprogramm erstellt Label-Artefakte für 500-Optionsstraddles, wobei bei Einstieg und Ausstieg dasselbe Symbol, derselbe Strike und derselbe Verfall verwendet werden. Es ordnet Merkmalsdaten den folgenden Marktsitzungen zu, legt Ausstiegstermine…

OptionenBewertung von DerivatenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Dokument beschreibt ein Nebenbuch zur Verbuchung von Funding-Zahlungsströmen für Positionen in Perpetual Futures während eines Backtests. Zu jedem Funding-Zeitstempel berechnet es anhand der vorzeichenbehafteten Positionsmenge, des aktuellen…

Perpetual FuturesBacktestingBewertung von DerivatenRisikomanagement
Machine Learning for Trading

Diese Analyse führt in die Struktur von Optionsketten ein und untersucht einen Ausschnitt aus dem Jahr 2020 von S&P-500-Optionen auf acht Basiswerte. Sie erläutert Moneyness, inneren Wert und Zeitwert, Greeks, implizite Volatilität sowie die Informationen,…

OptionenVolatilitätBewertung von DerivatenMarktmikrostruktur
Machine Learning for Trading

Dieses Dokument beschreibt ein zweistufiges Verfahren zur Extraktion von Quelldaten für eine S&P-500-Straddle-Studie. Zunächst werden Call- und Put-Kontrakte anhand einer Auswahl nahe am Geld ermittelt, die auf Tagen bis zum Verfall, absolutem Delta,…

OptionenVolatilitätBewertung von DerivatenStatistik
Machine Learning for Trading

Dieses Dokument erklärt, warum eine tägliche Optionsreihe mit konstanter Laufzeit keine Renditereihe für eine tatsächlich gehaltene Position ist. Es wählt Call- und Put-Positionen mit gleichem Basispreis und Verfall aus, die Liquiditäts-, Laufzeit-,…

OptionenVolatilitätBacktestingBewertung von Derivaten
Machine Learning for Trading

Dieses Notebook veranschaulicht Deep Hedging für einen leerverkauften europäischen Call. Es simuliert Pfade der geometrischen Brownschen Bewegung, verwendet Delta-Hedging nach Black-Scholes als Referenz und trainiert ein halb-rekurrentes neuronales Netz.…

OptionenBewertung von DerivatenMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook erstellt vier modellbasierte Merkmale für die Optionsforschung zum S&P 500: Volatilitätsprognosen für den nächsten Tag aus GJR-GARCH und stochastischer Volatilität sowie die Abweichungen jeder Prognose von der impliziten Volatilität am…

OptionenVolatilitätBewertung von DerivatenBacktesting
Machine Learning for Trading

Dieses Notebook stellt die Black-Scholes-Bewertung europäischer Calls und Puts dar, prüft die Put-Call-Parität und berechnet die implizite Volatilität mit der Brent-Nullstellensuche. Es definiert außerdem Delta, Gamma, Vega, Theta und Rho und veranschaulicht…

OptionenBewertung von DerivatenVolatilitätRisikomanagement
Machine Learning for Trading

Dieses Kapitel stellt Reinforcement Learning als Werkzeug für sequenzielle Steuerung dar und grenzt es von überwachter Prognose ab. Im Mittelpunkt stehen Aufgaben, bei denen Aktionen spätere Ergebnisse beeinflussen und Belohnungen vergleichsweise konkret…

Maschinelles LernenOrderausführungMarket-MakingOptionen
Machine Learning for Trading

Dieses Dokument beschreibt eine Pipeline zum Herunterladen offizieller Binance-USD-M-Perpetual-Funding-Daten, deren Normalisierung und Zwischenspeicherung in einer spaltenorientierten Datei. Monatsarchive werden für die angeforderten Symbole und den…

KryptoPerpetual FuturesBewertung von DerivatenBacktesting
Machine Learning for Trading

Dieses Notebook erstellt Labels für künftige Renditen kurzfristiger Straddles am Geld bei Aktien des S&P 500. Da das tägliche Panel mit 30-Tage-Straddles in jeder Sitzung zu einem anderen Basispreis oder Verfallstermin wechselt, würde eine verschobene…

OptionenBewertung von DerivatenVolatilitätBacktesting
Machine Learning for Trading

Das Dokument leitet nach Black-Scholes Preise für europäische Calls und Puts her, prüft ihre Beziehung anhand der Put-Call-Parität und berechnet die implizite Volatilität durch numerische Lösung der Volatilität, die zu einem beobachteten Optionspreis passt.…

OptionenBewertung von DerivatenVolatilitätRisikomanagement
Machine Learning for Trading

Dieses Notebook demonstriert Deep Hedging für einen leerverkauften europäischen Call. Es simuliert Kursverläufe des Basiswerts mit geometrischer Brownscher Bewegung, berechnet die Black-Scholes-Delta als Benchmark und trainiert ein teilweise rekurrentes…

OptionenMaschinelles LernenRisikomanagementBewertung von Derivaten
Machine Learning for Trading

Dieses Notebook erläutert, warum ein allgemeines Risiko-Overlay mit Zielgewichtung die beschriebene S&P-500-Short-Straddle-Strategie nicht steuern kann. Die Options-Engine weist wöchentlichen Kohorten feste Kapitalanteile zu und normalisiert die Gewichte…

OptionenRisikomanagementBacktestingBewertung von Derivaten
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 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 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