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

837 Dokumente

Machine Learning for Trading

Dieses Notebook vergleicht vier Referenzallokationen für ETF anhand historischer Krisenphasen, manuell festgelegter gleichzeitiger Schocks auf mehrere Anlageklassen, Student-t-Monte-Carlo-Simulationen und Marktregimestatistiken. Es erläutert das Maß für den…

Multi-AssetRisikomanagementPortfolio-KonstruktionVolatilität
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine FX-Strategie erstellt werden, nachdem ihre Konfiguration bereits anhand von Validierungsergebnissen ausgewählt wurde. Unter den zugelassenen Kandidaten, die nicht insolvent geworden sind, wird der…

DevisenhandelBacktestingMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook wendet zuvor ausgewählte Prognosen zu Unternehmensmerkmalen und eine festgelegte Portfoliokonfiguration auf einen einjährigen Holdout-Zeitraum an. Es trifft keine neuen Entscheidungen zu Prognosen, Allokation, Konzentration, Rebalancing oder…

AktienFaktorinvestierenPositionsgrößenbestimmungBacktesting
Machine Learning for Trading

Diese Analyse vergleicht Risiko-Overlays über mehrere Fallstudien hinweg. Dazu lädt sie deren Overlay-Backtests aus einem Register und misst Sharpe-Ratio sowie maximalen Drawdown im Vergleich zu einer Baseline aus der Allokationsphase; falls diese fehlt,…

RisikomanagementBacktestingStatistik
Machine Learning for Trading

Dieses Notebook bewertet Stop-Losses je Position, nachlaufende Stops und zeitbasierte Ausstiege auf Basis von Konfigurationen aus der Allokationsphase einer NASDAQ-100-Intraday-Strategie. Entscheidungen fallen alle fünfzehn Minuten, während die…

AktienRisikomanagementBacktestingOrderausführung
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 gemeinsam genutzte Hilfsmodul unterstützt Kausalanalysen von Handelsdaten mit Double Machine Learning (DML) für Zeitreihen. Zu den dokumentierten Werkzeugen zählen Walk-Forward-Schätzungen mit Embargo, Nuisance-Modelle und Refutationstests.…

StatistikMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook erstellt einen LSTM-Allokator, der jüngste ETF-Rendite- und Volatilitätsmerkmale direkt auf Long-only-Portfoliogewichte abbildet. Eine Softmax-Ausgabe hält die Gewichte nichtnegativ und das Portfolio voll investiert. Eine differenzierbare…

Maschinelles LernenPortfolio-KonstruktionBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook wendet die Hauptkomponentenanalyse auf Änderungen von acht Treasury-Renditen mit konstanter Laufzeit zwischen einem und dreißig Jahren an. Es entfernt per Forward-Fill ergänzte Kalenderzeilen ohne Renditeänderungen und standardisiert die…

Festverzinsliche WertpapiereStatistikRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook nutzt Double Machine Learning, um zu schätzen, ob Futures-Carry nach Berücksichtigung von Volatilität, Momentum und dem querschnittlichen Carry-Rang nachfolgende Renditen vorhersagt. Mithilfe flexibler Modelle und Cross-Fitting werden Carry…

FuturesCarryMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook beschreibt DeePM, eine durchgängige ETF-Portfolio-Policy, die die Wertentwicklung unter wechselnden Marktbedingungen verbessern soll. Zu ihren Bestandteilen gehören volatilitätsnormalisierte Rendite- und Trendmerkmale, ein auf LSTM…

Multi-AssetPortfolio-KonstruktionMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook untersucht, warum zwei Backtesting-Engines bei identischen Signalen unterschiedliche Ergebnisse liefern können. Es hält Strategie und handelbares Universum konstant, legt bei gleichen Prognosen deterministische Portfolio-Gewichte fest und…

BacktestingOrderausführungPositionsgrößenbestimmungRisikomanagement
Machine Learning for Trading

Dieses Kapitel behandelt einen Backtest als Versuch, eine Strategie anhand expliziter Annahmen zu Signalzeitpunkt, Ausführung, Neugewichtung, Positionsgröße, Kosten, Beschränkungen und Benchmarks zu widerlegen. Es vergleicht vektorisierte und…

BacktestingOrderausführungRisikomanagementStatistik
Machine Learning for Trading

Diese Quelle beschreibt Schutzmaßnahmen zur Rekonstruktion einer Modellanfrage anhand ihrer unveränderlichen Trainingsspezifikation und zur Validierung des resultierenden Laufs. Sie prüft, ob die Anfrage eine unterstützte Identitätsversion, eine kanonische…

Maschinelles LernenBacktestingStatistikRisikomanagement
Machine Learning for Trading

Das Notebook erklärt, wie sich binäre Zinskontrakte der US-Notenbank von Kalshi als Wahrscheinlichkeiten lesen und eine Staffel von Zinsschwellen in eine implizite Verteilung überführen lässt. Es betont, dass der Datenstrom YES-Gebote enthält, sodass die von…

FuturesStatistikMarktmikrostrukturTechnische Indikatoren
Machine Learning for Trading

Diese Machbarkeitsanalyse prüft, ob Daten und Annahmen eine wöchentliche Strategie unterstützen können, die S&P-500-Aktien anhand der impliziten Volatilität am Geld einordnet und die führenden Aktien kauft. Optionen liefern das Signal, die Positionen werden…

AktienOptionenVolatilitätRisikomanagement
Machine Learning for Trading

Dieses Kapitel erklärt, wie Finanzmodelle des maschinellen Lernens unter Berücksichtigung der zu jedem Entscheidungszeitpunkt verfügbaren Informationen bewertet werden. Es unterscheidet Training, Validierung und einen abschließenden Holdout und erläutert,…

Maschinelles LernenBacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook fragt Register für mehrere Handelsfallstudien ab und erstellt fallübergreifende Tabellen zum Vergleich von Signalen, Allokation, Kosten und Risiko. Es berichtet Diagnosen zum nach Validierung gereihten Konfigurationscluster, darunter die…

BacktestingStatistikMulti-AssetRisikomanagement
Machine Learning for Trading

Dieses Capstone-Notebook vergleicht gleiche Gewichtung, inverse Volatilität, Mean-Variance-Optimierung und hierarchische Risikoparität anhand eines gemeinsamen Signals für ein diversifiziertes ETF-Universum. Ein rollendes Ridge-Modell verwendet Momentum-,…

Portfolio-KonstruktionBacktestingAktienOrderausführung
Machine Learning for Trading

Dieses Notebook isoliert die Portfolioallokation, indem es das ausgewählte Signal jeder Fallstudie festhält und Backtests der Allokationsstufe vergleicht. Es betrachtet Methoden wie gleiche Gewichtung, inverse Volatilität, Score-Gewichtung,…

Portfolio-KonstruktionBacktestingRisikomanagementStatistik
Machine Learning for Trading

Dieses Notebook vergleicht Portfolioallokationsmethoden in mehreren Fallstudien und hält dabei das ausgewählte Signal jeder Studie fest. Es lädt Backtests der Allokationsstufe, die an dasselbe zentrale Signal gebunden sind, und untersucht anschließend…

Portfolio-KonstruktionBacktestingRisikomanagementStatistik
Machine Learning for Trading

Dieses Notebook untersucht, wie sich der Rebalancing-Takt auf den Portfolio-Umschlag, die Brutto-Performance und kostenbereinigte Ergebnisse eines Momentum-Portfolios aus den am höchsten gerankten ETFs auswirkt. Es schätzt den Portfolio-Umschlag anhand…

AktienMomentumOrderausführungBacktesting