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 Kapitel gibt einen Überblick über Deep Learning für Zeitreihen anhand einer praktischen Frage: Wann enthält die Reihenfolge der Beobachtungen Informationen, die einer querschnittlichen Vorhersage entgehen, und welche Modellarchitekturen können diese…

Maschinelles LernenStatistikBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook verwendet SHAP, um Prognosen der Ridge-Regression für ETF-Renditen zu erklären. Bei einem linearen Modell besteht ein geschlossener Zusammenhang zwischen Merkmalsattributionen, angepassten Koeffizienten und Abweichungen von den…

AktienMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook beschreibt die Erstellung eines Out-of-Sample-Vorhersagesatzes für ein zuvor ausgewähltes S&P-500-Optionsmodell. Die Konfiguration wird anhand der Validierungsergebnisse festgelegt, mit Daten vor dem Holdout erneut trainiert und die…

OptionenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Werkzeug beschreibt eine Methode, um Strategierenditen mithilfe des Fama–French-Drei- oder Fünf-Faktoren-Modells, optional ergänzt um Momentum, zu erklären. Es stimmt tägliche Faktordaten mit den Strategierenditen ab, erkennt die Renditefrequenz und…

FaktorinvestierenStatistikRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook testet ein Zwei-Modell-Design für Ausstiege anhand stündlicher Perpetual-Daten von BTC, ETH und SOL. Ein Einstiegs-Klassifikator erkennt ungewöhnlich hohe zukünftige Renditen; seine vorhergesagte Wahrscheinlichkeit fließt anschließend…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Kapitel stellt Risikomanagement als Teil der Strategiegestaltung und des laufenden Betriebs dar. Es behandelt die Messung von Extremrisiken anhand von Value at Risk und Conditional Value at Risk, Ausmaß und Erholung des Drawdowns, die Aufschlüsselung…

RisikomanagementVolatilitätBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook bewertet veröffentlichte Faktorrenditen als mögliche Bausteine für Portfolios. Es trennt drei Fragen: ob die durchschnittliche Rendite eines Faktors eine anspruchsvolle statistische Schwelle überschreitet, ob Faktoren einander aus Gründen…

FaktorinvestierenStatistikPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Notebook bewertet positionsbezogene Exits bei Krypto-Perpetual-Futures-Positionen, die eine frühere Allokationsphase ausgewählt hat. Es definiert feste Verlust-Stopps, an den besten Preis jeder Position gebundene Trailing-Stops und Zeit-Exits nach…

KryptoPerpetual FuturesRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Risikokontrollen in Backtests von Fallstudien, darunter Stop-, Trailing-Stop-, Verlustlimit-, Drawdown-Breaker- und Volatilitätszielregeln. Es lädt die Ergebnisse der Risikokontrollen jeder Studie, wählt, sofern verfügbar, eine…

RisikomanagementBacktestingPortfolio-KonstruktionStatistik
Machine Learning for Trading

Dieses Notebook fügt ein Prognosesystem aus vier Phasen zusammen: einem Gremium aus Forschungsagenten, der Aggregation von Wahrscheinlichkeiten, einer adversarialen Debatte und einem Supervisor, der Meinungsverschiedenheiten erkennt, nach klärenden Belegen…

Maschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook demonstriert das Training eines generativen adversarialen Netzwerks mit entwickelten ETF-Merkmalen unter differenzieller Privatsphäre. Es führt die Datenschutzparameter Epsilon und Delta ein, erläutert, warum DP-SGD den Gradienten jedes…

Maschinelles LernenStatistikRisikomanagementAktien
Machine Learning for Trading

Dieses Notebook wendet klassische Inferenz mit gewöhnlicher Methode der kleinsten Quadrate auf ETF-Merkmale und zukünftige Renditen an. Es behandelt Koeffizientenschätzungen, Standardfehler, t-Statistiken, p-Werte sowie Tests auf Heteroskedastizität,…

AktienStatistikRisikomanagementMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook verfolgt die ETF-Ranking-Signale von der Portfoliobildung bis zu einem vereinfachten Backtest. Ridge-Regression und logistische Klassifikation werden mit Walk-Forward-Aufteilungen trainiert und anschließend mit Momentum- und gleich…

AktienMaschinelles LernenBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook zeigt, wie sich Stop-Loss-, Take-Profit- und Trailing-Stop-Regeln für ein Momentum-Portfolio abstimmen lassen, während ein chronologisches Holdout erhalten bleibt. Es vergleicht eindimensionale Parametersuchen, gemeinsame Regelraster sowie…

RisikomanagementBacktestingPositionsgrößenbestimmungMomentum
Machine Learning for Trading

Diese Übersicht ordnet mehrere Trading-Fallstudien nach Anlageklasse, Umfang des Universums, Datenfrequenz, Entscheidungsrhythmus, Kostenregime und Auswertungsprotokoll. Sie liest die in jeder Studie angegebenen Rahmenbedingungen aus und stellt…

Multi-AssetBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook zeigt, wie ein Korrelationsnetzwerk aus einem Schätzfenster ein Aktienuniversum beschreiben und zum Aufbau eines netzwerkdiversifizierten Portfolios dienen kann. Es wählt liquide Symbole ausschließlich anhand von Daten aus, die vor der…

AktienPortfolio-KonstruktionStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook erstellt einen LSTM-Allokator, der Folgen von ETF-Renditen und rollierenden Volatilitätsmerkmalen direkt in reine Long-Portfoliogewichte umwandelt. Eine Softmax-Ausgabe hält die Gewichte nichtnegativ und investiert das gesamte Kapital. Statt…

Maschinelles LernenPortfolio-KonstruktionBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook untersucht, wie sich Transaktionskosten auf eine feste CME-Futureskonfiguration auswirken, die an anderer Stelle im Forschungsprozess ausgewählt wurde. Es wendet ein Raster von Gesamtkosten an, wobei jede Stufe gleichmäßig auf Kommissionen…

FuturesBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook behandelt die Sharpe Ratio als Schätzwert mit Stichprobenunsicherheit. Es entwickelt Konfidenzintervalle und probabilistische Sharpe-Berechnungen, die Stichprobenlänge, Schiefe und Kurtosis berücksichtigen. Anschließend werden anhand der…

StatistikRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht PyPortfolioOpt, Riskfolio-Lib und skfolio. Dazu passt es Portfolioallokatoren auf einem gemeinsamen ETF-Renditepanel an und wertet ihre eingefrorenen Gewichte anhand späterer Beobachtungen aus. Es umfasst Mean-Risk-, Tail-Risk-,…

Portfolio-KonstruktionBacktestingRisikomanagementOrderausführung
Machine Learning for Trading

Dieses gemeinsame Allokationsmodul wandelt querschnittliche Prognosen in Portfoliogewichte um. Es ordnet Vermögenswerte nach ihrem Score, um Long-Positionen oder die oberen und unteren Körbe eines Long-Short-Portfolios auszuwählen. Die Positionsgewichte…

Portfolio-KonstruktionPositionsgrößenbestimmungRisikomanagementStatistik
Machine Learning for Trading

Dieser Datensatzleitfaden beschreibt einen Ablauf zum Abruf von FRED-Zeitreihen, zur Zuordnung der Beobachtungen zu einem Tageskalender und zum Laden ausgewählter Indikatoren für die Analyse. Zu den Beispielen gehören Treasury-Renditen, der Spread zwischen…

Festverzinsliche WertpapiereStatistikRisikomanagementMulti-Asset
Machine Learning for Trading

Dieses Dokument modelliert die Orderverarbeitung bei Brokern und Börsen als endlichen Zustandsautomaten. Es definiert eindeutige Zustände für Übermittlung, Bestätigung, Annahme, Teilausführung, Stornierung, Ablehnung, Verfall und Aussetzung und ordnet…

OrderausführungMarktmikrostrukturRisikomanagement