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 erweitert eine Merkmalsbewertung für ETF von einem einzelnen Renditehorizont auf eine Untersuchung von zehn Merkmalen und drei Horizonten und korrigiert für Mehrfachtests. Anschließend wendet es mechanismusbasierte Diagnosen auf Momentum mit…

Multi-AssetMomentumRückkehr zum MittelwertStatistik
Machine Learning for Trading

Dieses Notebook schätzt, ob der Anteil des vorzeichenbehafteten, käuferinitiierten Volumens mit künftigen 15-Minuten-Renditen zusammenhängt, nachdem relativer Spread, jüngste realisierte Volatilität und die Rendite des Vormonats berücksichtigt wurden. Double…

AktienMarktmikrostrukturMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook erläutert die hierarchische Risikoparität (HRP), eine Portfolioaufbaumethode, die die Empfindlichkeit gegenüber verrauschten Kovarianzschätzungen begrenzen soll. Es beschreibt drei Schritte: Vermögenswerte anhand ihrer Korrelationsdistanz…

Portfolio-KonstruktionRisikomanagementBacktestingMulti-Asset
Machine Learning for Trading

Dieses Notebook erläutert, wie der Marktimpact mit der Auftragsgröße wächst, und nutzt das Wurzelmodell der Partizipation zur Einordnung der Strategiekapazität. Es unterscheidet Eingaben aus Marktdaten wie Volatilität und durchschnittlichem Tagesvolumen vom…

MarktmikrostrukturOrderausführungRisikomanagementPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook untersucht, wie Renditeprognosen für ETFs Unsicherheit ausdrücken können, und vergleicht Monte-Carlo-Dropout mit tiefen Ensembles. Dropout bleibt bei wiederholten Inferenzdurchläufen aktiv, während ein Ensemble die Abweichungen zwischen…

AktienMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht sechs Methoden zur Gewichtung von ETF-Portfolios, die anhand derselben prognostizierten Rangfolge ausgewählt wurden: gleiche Gewichtung, Score-Gewichtung, inverse Volatilität, Risikoparität, Mean-Variance-Optimierung und…

AktienPortfolio-KonstruktionBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook sammelt registrierte Schätzungen aus dem Double Machine Learning mehrerer Trading-Fallstudien und vergleicht ihre Unsicherheit und Diagnosen. Es lädt aktuelle Zeilen aus dem Register jeder Studie, prüft die Registerintegrität und die…

StatistikMaschinelles LernenRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook stellt einen diagnostischen Rahmen für einen ETF-Allokations-Backtest vor. Es berechnet Risiko- und Renditemaße wie Sharpe, Sortino, Calmar, Volatilität, Value at Risk und maximalen Drawdown, verfolgt die rollierende Wertentwicklung und die…

Portfolio-KonstruktionRisikomanagementBacktestingAktien
Machine Learning for Trading

Dieses Notebook erstellt einen Überwachungsablauf für ein eingesetztes Finanzmodell anhand realer Holdout-Artefakte. Bevor Drift gemessen wird, prüft es, ob eingehende Merkmalsdaten ausgefüllt und strukturell gültig sind; anschließend vergleicht es Referenz-…

Maschinelles LernenStatistikRisikomanagementAktien
Machine Learning for Trading

Dieses Notebook verbindet die Positionsgrößenbestimmung mit der Analyse maximal ungünstiger und günstiger Kursbewegungen während eines Trades. Es zeigt eine feste prozentuale Positionsgrößenbestimmung, bei der sich die Aktienzahl aus einem Risikobudget je…

PositionsgrößenbestimmungRisikomanagementVolatilitätBacktesting
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 Modul legt fest, wie ein Holdout-Auswahlfeld über Validierungsstufen und Strategielabels hinweg zusammengestellt wird. Es behandelt Abweichungen, durch die eingefrorene Kandidatensätze und die Rekonstruktion im Live-Betrieb unterschiedliche…

BacktestingRisikomanagementPortfolio-KonstruktionStatistik
Machine Learning for Trading

Dieses Notebook zeigt, wie sich prüfen lässt, ob vier Strategien für verwaltete Portfolios nach Kontrolle der durch zehn Hauptkomponenten erfassten breiten Bewegungen zusätzliche Erklärungskraft für SPY-Renditen liefern. Die Kandidatenportfolios ordnen ETFs…

AktienMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook leitet die Kelly-Positionsgröße her, indem es bei einer binären Wette das erwartete logarithmische Vermögen maximiert. Anschließend veranschaulicht es, wie die Einsatzhöhe die Verteilung simulierter Vermögenspfade verändert. Der Ansatz wird…

PositionsgrößenbestimmungRisikomanagementPortfolio-KonstruktionStatistik
Machine Learning for Trading

Dieses Notebook bewertet eine zuvor ausgewählte ETF-Strategie in einem reservierten Holdout-Zeitraum. Es ruft die passenden Prognosen anhand ihrer Trainingsidentität und ihres Checkpoints ab, wendet die zuvor festgelegte Strategiespezifikation und…

BacktestingPortfolio-KonstruktionRisikomanagementPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Modul erläutert, wie historische S&P-500-Kurse aufbereitet werden, wenn Tickersymbole im Zeitverlauf für unterschiedliche Wertpapiere stehen können. Es wendet Anpassungsfaktoren für Kapitalmaßnahmen an, verfolgt Wertpapierkennungen und markiert…

AktienUS-MärkteBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook beschreibt, wie sich Bruttorenditen in eine Nettoperformance überführen lassen, indem Handelsfriktionen, Finanzierung und Fondskosten getrennt modelliert werden. Das parametrisierte Kostenmodell berechnet Handelskosten anhand von…

AktienOrderausführungRisikomanagementBacktesting
Machine Learning for Trading

Diese Fallstudie erläutert, warum Stop-Losses, Trailing-Stops und andere Positions-Overlays für US-Portfolios aus Unternehmensmerkmalen, die auf Monatsbeobachtungen beruhen, nicht getestet werden können. Der vektorisierte Backtest wendet einen Gewichtsvektor…

AktienRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt ein Verfahren zur Bewertung eines Herausforderermodells im Shadow-Modus, bevor es Kapital erhält. Es vergleicht gespeicherte Prognosen eines festen Bestandsmodells und eines Kandidaten, erstellt gleich gewichtete, nach Rang…

Maschinelles LernenRisikomanagementBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Evaluierungsframework unterscheidet vier Arten von Fehlern in einer Finanzpipeline mit Retrieval-Augmented Generation: relevante Belege abrufen, Antworten auf diese Belege stützen, unbeantwortbare Fragen ablehnen und unsicheren Anweisungen in…

Maschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook misst, wie eine in der Validierung ausgewählte FX-Strategie auf Änderungen proportionaler Transaktionskosten reagiert. Für jedes Prognoselabel wählt es anhand der Ergebnisse zu Signal, Allokation und Risiko-Overlay eine übergeordnete…

DevisenhandelBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Diese Analyse bewertet, ob Signale aus mehreren Trading-Fallstudien zuverlässig genug für die weitere Verwendung erscheinen. Sie vergleicht Informationskoeffizienten (IC) aus der Validierung mit Holdout-Evidenz, untersucht Stabilität und Reproduzierbarkeit…

Maschinelles LernenStatistikBacktestingRisikomanagement