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

952 Dokumente

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 bewertet registrierte ETF-Backtests entlang der Strategiepipeline, von Signalen und Allokation bis zu Kosten und Risikoüberlagerungen. Es liest bestehende Prognosen und Backtests aus, statt Modelle anzupassen oder neue Backtests hinzuzufügen,…

Multi-AssetAktienPortfolio-KonstruktionBacktesting
Machine Learning for Trading

Dieses Notebook verwendet aus NASDAQ ITCH abgeleitete Handelsdatensätze, um die Intraday-Handelsaktivität zu untersuchen. Es fasst einzelne Trades in Zeitbalken zusammen und vergleicht Aktienvolumen, Handelszahlen, letzte Kurse und volumengewichtete Kurse…

AktienMarktmikrostrukturOrderausführungStatistik
Machine Learning for Trading

Dieser Leitfaden stellt zwei Quellen für US-Tickdaten zu US-Aktienorderbüchern für die Mikrostrukturforschung vor: Databento-Market-by-Order-Ereignisse und NASDAQ-TotalView-ITCH-Nachrichten. Er beschreibt ihre Formate, Abdeckung, ungefähren Datenmengen und…

AktienMarktmikrostrukturOrderausführungUS-Märkte
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 passt ein festgelegtes LSTM-Modell für Prognosen in einer S&P-500-Optionsstudie an. Das Netzwerk erhält chronologische Zeitfenster der Historie jedes Symbols und verwendet einen gesteuerten rekurrenten Zustand, um Informationen über mehrere…

AktienOptionenMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht drei Verfahren zur Klassifizierung von Sätzen aus Finanznachrichten als positiv, neutral oder negativ: TF-IDF-Wort- und Phrasenmerkmale mit logistischer Regression, gemittelte statische Wortvektoren mit einem Klassifikator und ein…

Maschinelles LernenMarktstimmungAktienStatistik
Machine Learning for Trading

Dieses Notebook bewertet bilanz- und preisbasierte Merkmale als eigenständige Prognosefaktoren für die Renditen von US-Aktien im Folgemonat. Es berechnet monatliche querschnittliche Rangkorrelationen zwischen jedem Merkmal und dem Rendite-Label und fasst sie…

AktienFaktorinvestierenStatistikMaschinelles Lernen
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

Dieses Notebook erläutert, wie Ridge-Regressionsprognosen für ein ETF-Panel mit SHAP interpretiert werden. Bei einem linearen Modell entspricht der Beitrag jedes Merkmals seinem Koeffizienten multipliziert mit der Abweichung des Merkmals vom…

Maschinelles LernenStatistikAktienBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt einen Arbeitsablauf, der jährliche und vierteljährliche SEC-Meldungen in strukturierten Text für spätere Sentiment-, Themen- und Embedding-Analysen umwandelt. Gewünschte Abschnitte werden den jeweiligen Formularen zugeordneten…

AktienMarktstimmungEreignisgesteuertStatistik
Machine Learning for Trading

Dieses Notebook erklärt, wie ein bedingter Autoencoder ein instrumentiertes Hauptkomponentenmodell erweitert: Ein neuronales Netz ordnet Aktienmerkmalen Faktor-Exposures zu, während das Modell dieselbe Struktur aus Exposure mal Faktorrendite beibehält. Es…

AktienFaktorinvestierenMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Studie prüft finanzielle und GJR-GARCH-Volatilitätsmerkmale anhand zukünftiger Aktienrenditen. Für jede Sitzung berechnet sie die Rangkorrelation zwischen einem Merkmal und den nachfolgenden Renditen über Aktien hinweg. Anschließend bewertet sie den…

AktienOptionenStatistikMaschinelles Lernen
Machine Learning for Trading

Diese Referenz beschreibt zwei Korpora mit Finanznachrichten für Sentimentanalysen, die Entwicklung von Textmerkmalen und Experimente zum Zusammenhang zwischen Nachrichten und Renditen. FNSPID verknüpft Schlagzeilen mit Aktientickern und deckt einen langen…

AktienMarktstimmungMaschinelles LernenStatistik
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 Dokument beschreibt einen Arbeitsablauf, um vierteljährliche SEC 13F-Bulkmeldungen in ein Panel institutioneller Beteiligungen umzuwandeln. Pro Vermögensverwalter wird anhand des Meldedatums die jüngste Meldung ausgewählt. Zur Identifizierung von…

AktienUS-MärkteStatistikMarktstimmung
Machine Learning for Trading

Das Dokument erklärt die instrumentierte Hauptkomponentenanalyse zur Modellierung von ETF-Renditen. Anders als die gewöhnliche PCA, die jedem Fonds feste Faktor-Exposures zuweist, modelliert IPCA die Exposures jedes Fonds als gemeinsame lineare Funktion…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook verwendet NASDAQ ITCH-Transaktionsdaten, um zu untersuchen, wie Volumen und Handelsaktivität während der regulären Sitzung variieren. Es fasst Transaktionen in Zeitbalken zusammen, vergleicht Preis und Volumen für beispielhafte Aktien mit…

AktienMarktmikrostrukturStatistikTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook vergleicht Prognosemodelle, die NASDAQ-100-Aktien nach ihrer Rendite in den nächsten 15 Minuten ordnen, anhand von Intraday-Mikrostrukturinformationen wie Spreads, Ungleichgewichten in der Markttiefe, vorzeichenbehaftetem Volumen und…

AktienMaschinelles LernenStatistikMarktmikrostruktur
Machine Learning for Trading

Diese Evaluation prüft Merkmale aus Optionsoberflächen, preisbasierte Merkmale und bedingte Volatilitätsmerkmale anhand künftiger Aktienrenditen. Für jede Sitzung berechnet sie eine Querschnitts-Rangkorrelation zwischen Merkmalswerten und nachfolgenden…

AktienOptionenStatistikMaschinelles Lernen
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