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

934 Dokumente

Machine Learning for Trading

Dieses Notebook stellt Pfadsignaturen als Merkmale fester Länge vor, die Reihenfolge und gemeinsame Geometrie von Beobachtungen in einem Zeitreihenfenster erhalten. Die erste Ebene erfasst die Gesamtänderung jeder Koordinate; die zweite bildet die…

AktienTechnische IndikatorenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook beschreibt eine Double-Machine-Learning-Analyse mit expandierendem Fenster dazu, ob Momentum über 12 bis -2 Monate die Renditen von US-Unternehmen im Folgemonat vorhersagt, wenn Beta, IdioVol, LME und Varianz berücksichtigt werden.…

AktienMomentumMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook erstellt N-BEATS zur Prognose von Schlusskursen für SPY. Vollständig verbundene Blöcke verarbeiten ein ganzes Rückblickfenster; jeder erzeugt einen Backcast, der vor dem nächsten Block abgezogen wird, sowie eine Prognose für den künftigen…

Maschinelles LernenAktienStatistikBacktesting
Machine Learning for Trading

Dieses Notebook stellt einen strukturierten Zustandsdatensatz für Research-Agenten vor, der die Frage eines Durchlaufs, den Stichtag, Belege, offene Fragen, den Werkzeugverlauf, Ergebnisse der Qualitätsprüfungen und den Synthesestatus bewahrt. Es…

Maschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Das Notebook trainiert einen einfachen Autoencoder mit standardisierten Stundenrenditen einer Gruppe von Krypto-Perpetual-Märkten. Der Encoder komprimiert den anlageklassenübergreifenden Renditevektor in eine zweidimensionale latente Darstellung, und der…

KryptoPerpetual FuturesMaschinelles LernenVolatilität
Machine Learning for Trading

Das Notebook vergleicht Monte-Carlo-Dropout und tiefe Ensembles als Verfahren zur Schätzung der Unsicherheit täglicher ETF-Renditeprognosen. Bei Dropout bleibt die Ausblendung während wiederholter Prognosen aktiv, während die Ensemblemitglieder getrennt…

Maschinelles LernenStatistikRisikomanagementPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook gibt einen Überblick über Methoden zur Erkennung von Veränderungen in Finanzzeitreihen und verwendet SPY als Beispiel. Es stellt den Zivot-Andrews-Test, der einen Bruch schätzt und zugleich eine Einheitswurzelhypothese testet, PELT und der…

AktienStatistikMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook bewertet ein vortrainiertes Finanzstimmungsmodell anhand von FinMarBa-Schlagzeilen und erläutert, warum das Ergebnis kein sauberer Test der Übertragung von Sentiment ist. FinBERT wurde anhand menschlicher Einschätzungen der Textstimmung…

Maschinelles LernenMarktstimmungAktienStatistik
Machine Learning for Trading

Dieses Notebook vergleicht Sequenzmodelle auf einem Wochenraster, um dieselbe Rendite über fünf Sitzungen vorherzusagen, die auch auf einem Tagesraster verwendet wird. Bei einer Abtastung freitags wird dieses Label ungefähr zu einem Ein-Schritt-Ziel. Dadurch…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook wendet TabM, ein neuronales Ensemble mit gemeinsamen Gewichten, auf Aktienrendite-Zielwerte an, die aus Aktienoptionsmerkmalen gebildet werden. Die Mitglieder nutzen ein gemeinsames zweischichtiges Netzwerk als Grundgerüst sowie separate…

AktienOptionenMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Kapitel gibt einen Überblick über Verfahren zur Erzeugung synthetischer Finanzdaten und darüber, wie sich deren Nutzen beurteilen lässt. Es geht von der begrenzten Zahl realisierter Marktverläufe und dem Risiko aus, dass wiederholte Strategiesuchen…

Maschinelles LernenStatistikBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook definiert und berechnet eine Double-Machine-Learning-Analyse zur Wirkung der Varianzrisikoprämie auf die Renditen von S&P-500-Optionen bis zum Verfall. Vor der Ausführung macht es Zielgröße, beobachteten Zeitbezug, Störfaktoren, zeitliches…

OptionenUS-MärkteMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook wendet TabM auf eine flache Tabelle mit US-Aktienmerkmalen an und ordnet das Verfahren zwischen linearer Regularisierung und Baum-Ensembles ein. Jedes Ensemblemitglied teilt sich ein neuronales Netzwerk als Grundgerüst, hat aber einen eigenen…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt einen überwachten Autoencoder, der ETF-Merkmalszeilen komprimiert und aus dieser niedrigdimensionalen Darstellung direkt zukünftige Renditen prognostiziert. Anders als ein bedingter Autoencoder setzt er nicht voraus, dass Renditen…

Multi-AssetMaschinelles LernenFaktorinvestierenStatistik
Machine Learning for Trading

Dieses Notebook passt Ridge-, Lasso- und Elastic-Net-Modelle an eine breite Auswahl etablierter Merkmale von US-Aktien an, darunter Kennzahlen zu Value, Profitabilität, Investitionen, Momentum, Größe, Risiko und Liquidität. Mit Walk-Forward-Folds werden rohe…

AktienFaktorinvestierenMomentumMaschinelles Lernen
Machine Learning for Trading

Diese Analyse vergleicht registrierte ETF-Prognosemodelle verschiedener Familien auf einem gemeinsamen, anlageklassenübergreifenden Panel. Mithilfe von Informationskoeffizienten wird bewertet, wie gut jedes Modell Fonds nach ihren späteren Renditen ordnet.…

Multi-AssetMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht drei Möglichkeiten, Prognosen mit Vorzeichen für Renditen in binäre Positionen umzuwandeln: einen festen Schwellenwert von null, ein nachlaufendes Perzentil der eigenen Werte jedes Symbols und ein querschnittliches Perzentil über…

Maschinelles LernenTechnische IndikatorenKryptoAktien
Machine Learning for Trading

Dieses Dokument stellt einen überwachten Autoencoder als Kontrollmodell für bedingte latente Faktormodelle vor. Er bildet Unternehmensmerkmale direkt auf zukünftige Renditen ab und komprimiert 57 Eingaben durch einen schmalen Engpass. Der Vergleich mit einem…

AktienMaschinelles LernenFaktorinvestierenStatistik
Machine Learning for Trading

Dieses Notebook verwendet ETF-Merkmale und zukünftige Renditen, um klassische Inferenz mit der Methode der kleinsten Quadrate zu veranschaulichen, bevor es prognoseorientierte Methoden behandelt. Es untersucht Koeffiziententests und Standardfehler und…

AktienStatistikMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Experiment kombiniert Validierungsprognosen eines Gradient-Boosted-Tree-Modells, eines tabellarischen neuronalen Netzes und eines latenten Faktormodells zur monatlichen ETF-Rangbildung. Zunächst werden die Prognosen querschnittlich mit z-Werten…

Multi-AssetMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Dokument stellt gemeinsame Methoden vor, um Merkmale aus angepassten Modellen ohne Verwendung zukünftiger Beobachtungen zu erzeugen. Für Hidden-Markov-Modelle unterscheidet es gefilterte Zustandswahrscheinlichkeiten, die auf Beobachtungen bis zum…

Maschinelles LernenVolatilitätStatistikBacktesting
Machine Learning for Trading

Dieses Notebook stellt PCMCI als Methode vor, mit der sich verzögerte Beziehungen in multivariaten Finanzzeitreihen erkennen lassen, ohne vorab einen Kausalgraphen festzulegen. Es wendet die Methode auf Renditen von ETF und Volatilitätsindizes an, vergleicht…

Maschinelles LernenStatistikMulti-AssetAktien
Machine Learning for Trading

Dieses Notebook erläutert, wie Wahrscheinlichkeitsprognosen bewertet und Prognosepipelines gesteuert werden. Es vergleicht Brier- und Log-Scores, den erwarteten Kalibrierungsfehler und die Schärfe; zeigt, wie Zuverlässigkeitsdiagramme Bereiche mit über- oder…

StatistikMaschinelles LernenRisikomanagementBacktesting