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

2,471 Dokumente

Machine Learning for Trading

Dieses Notebook misst, wie sich Handelskosten auf Strategien auswirken, die bereits anhand von Signalen, Allokation und Risikosteuerung ausgewählt wurden. Bevor die Kosten variiert werden, wird je Label eine anhand der Validierung ausgewählte Konfiguration…

AktienBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook untersucht, ob Sequenzmodelle handgefertigte Zusammenfassungen der Funding-Prämienhistorie bei Perpetual Futures verbessern können. Es vergleicht NLinear, ein einfaches lineares Modell, das ein geordnetes Fenster verarbeitet, mit einem…

KryptoMaschinelles LernenPerpetual FuturesBacktesting
Machine Learning for Trading

Dieses Dokument erläutert, warum Stop-Losses, Trailing-Stops und zeitbasierte Ausstiege in einer Fallstudie nicht bewertet werden können, deren Backtest Gewichte über einen Monat hält und nur die realisierte monatliche Vorwärtsrendite beobachtet. Solche…

AktienRisikomanagementBacktestingPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Dokument beschreibt ein Bewertungsverfahren für registrierte NASDAQ-100-Mikrostruktur-Backtests. Es liest bestehende Durchläufe ein, statt Modelle zu trainieren oder Backtests erneut auszuführen, verfolgt Herkunfts- und Abstammungsketten ausgewählter…

AktienMarktmikrostrukturBacktestingStatistik
Machine Learning for Trading

Dieses Dokument stellt eine schrittweise Methode vor, um Unternehmensnamen aus alternativen Daten, regulatorischen Einreichungen, Nachrichten und Kursquellen Wertpapieren zuzuordnen. Zunächst werden verfügbare Kennungen in einer festgelegten…

AktienStatistikMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook führt ein Panel identischer Forschungsagenten aus oder spielt es erneut ab. Die Agenten beantworten eine gemeinsame Prognosefrage; anschließend werden ihre Prognosen, Suchaktivitäten und Gesprächsverläufe untersucht. Separate Protokolle für…

Maschinelles LernenStatistikMarktstimmungBacktesting
Machine Learning for Trading

Dieses Notebook zur Merkmalsentwicklung erstellt Variablen, die Informationen über die Kurshistorie eines einzelnen Assets hinaus erfordern. Für Futures berechnet es die annualisierte Rollrendite aus zeitgleichen Kursniveaus naher und ferner Kontrakte sowie…

FuturesOptionenCarryVolatilität
Machine Learning for Trading

Dieses Notebook definiert monatliche Gesamtrendite-Labels für eine querschnittliche Studie zu Unternehmensmerkmalen in US und prüft, wie diese Ergebnisse zu den Zeilen des Datenanbieters passen. Das Panel verknüpft Merkmale des Vormonats mit der Rendite des…

AktienUS-MärkteMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook erläutert, wie ein temporales Faltungsnetzwerk (TCN) Renditen aus geordneten Finanzdaten prognostizieren kann. Kausale Faltungen stellen sicher, dass eine Ausgabe zu einem bestimmten Zeitpunkt nur von aktuellen und früheren Eingaben abhängt.…

Maschinelles LernenAktienMomentumStatistik
Machine Learning for Trading

Dieses Dokument stellt eine ereignisgesteuerte Methode vor, um eine begrenzte Zahl von Intraday-Positionen zu halten. Vorhersagen werden anhand des jeweils neuesten verfügbaren Scores den Kursbars zugeordnet, optional begrenzt durch eine Aktualitätsgrenze.…

AktienHochfrequenzhandelMarktmikrostrukturOrderausführung
Machine Learning for Trading

Diese Fallstudie wandelt gespeicherte Modellvorhersagen für US-Aktien in gleichgewichtete Long-Short-Portfolios um. Sie untersucht mehrere Einstiegsschemata, die jeweils die höchstplatzierten Namen für Long-Positionen und die niedrigstplatzierten für…

US-MärkteAktienMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Dokument beschreibt mehrere Möglichkeiten, Prognose-Scores in Handelssignale umzuwandeln: feste Schwellen, rollierende Perzentile je Asset und Querschnittsperzentile. Feste Schwellen verwenden einen gewählten Score-Wert; rollierende Schwellen passen…

Maschinelles LernenPortfolio-KonstruktionPositionsgrößenbestimmungBacktesting
Machine Learning for Trading

Dieses Notebook untersucht eine ausgewählte Devisenstrategie und die Herkunftskette ihrer Holdout-Artefakte anhand registrierter Forschungsartefakte. Es reproduziert die Auswahl aus einer eingefrorenen Validierungskandidatenmenge, indem es zulässige…

DevisenhandelBacktestingStatistikRisikomanagement
Machine Learning for Trading

Diese Live-Trading-Demonstration beschreibt einen täglichen Neugewichtungs-Workflow für ein festes Universum von US-Large-Cap-Aktien. Sie vergleicht die beim Broker gehaltenen Positionen mit Modellzielen, wandelt die Differenzen in einen Auftragssatz um und…

AktienOrderausführungRisikomanagementPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook bildet beschreibende Marktregime aus monatlichen Wirtschaftsdaten der Federal Reserve: Arbeitslosigkeit, Federal Funds Rate, Treasury-Zinskurve und Inflation. Es erklärt, wie Reihen mit unterschiedlichen Veröffentlichungshäufigkeiten…

StatistikMaschinelles LernenUS-MärkteVolatilität
Machine Learning for Trading

Dieses Dokument beschreibt Hilfsfunktionen zum Vergleich registrierter Handelsstrategien und zur Erstellung strukturierter Fallstudienbewertungen. Eine zentrale Rangordnungsmethode beschränkt Renditereihen vor der Berechnung von Portfoliokennzahlen auf exakt…

BacktestingRisikomanagementPortfolio-KonstruktionStatistik
Machine Learning for Trading

Dieses Kapitel behandelt Methoden, um gemeinsame Strukturen in Rendite- und Merkmals-Panels zu ermitteln, von PCA und Eigenportfolios über IPCA, risikoprämienbezogene PCA und bedingte Autoencoder bis hin zur Schätzung stochastischer Diskontfaktoren und…

FaktorinvestierenMaschinelles LernenStatistikPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook vergleicht sklearn HistGradientBoosting, XGBoost, LightGBM und CatBoost bei einer ETF-Renditeprognose. Es misst den querschnittlichen Informationskoeffizienten, die Trainingszeit und den Prozessspeicherverbrauch bei CPU und, sofern…

Maschinelles LernenBacktestingStatistikAktien
Machine Learning for Trading

Dieses Notebook wandelt querschnittliche Aktienvorhersagen in Long-Short-Portfolios um: Bei jeder Neugewichtung werden Aktien ranggeordnet, die obersten k gekauft und die untersten k mit gleichem Kapitaleinsatz je Position leerverkauft. Die Gleichgewichtung…

AktienMaschinelles LernenBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Das Notebook zeigt eine Vorschau von S&P-100-Berichtsdaten der Formulare 10-K und 8-K, die für den Aufbau finanzieller Wissensgraphen vorgesehen sind. Es prüft die Vollständigkeit des Schemas, eindeutige Unternehmens- und Akzessionsschlüssel,…

AktienMaschinelles LernenStatistikUS-Märkte
Machine Learning for Trading

Dieses Notebook stellt einen Merkmalsauswahl-Workflow für ETF-Forschung vor, der zahlreiche mögliche Transformationen und Rückblickfenster auf eine kleinere Auswahl für spätere Modellierung eingrenzt. Es berechnet querschnittliche…

Maschinelles LernenStatistikFaktorinvestierenBacktesting
Machine Learning for Trading

Dieses Notebook bewertet Modellvorhersagen als NASDAQ-100-Handelsstrategien mit einer gemeinsamen Backtest-Engine. Zunächst führt es mit Zufallssignalen eine Funktionsprüfung durch: Anhaltende Gewinne nach Kosten würden auf Probleme wie Lookahead, nicht…

AktienUS-MärkteBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook prüft, ob eine fünfzehnminütige Querschnittsstrategie zur Aktienrangfolge praktikabel ist, bevor ein Modell angepasst oder Prognosen erstellt werden. Es verwendet NASDAQ-100-Kursquotierungen, Mittelkursrenditen und ein Entwicklungsfenster vor…

AktienUS-MärkteMarktmikrostrukturBacktesting