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 verwendet eine Hauptkomponentenanalyse für eine liquide Teilmenge von US-Aktien, um bruttonormalisierte Eigenportfolios zu bilden und ihre Rolle als latente Risikofaktoren zu untersuchen. Es analysiert die erklärte Varianz, interpretiert…

AktienFaktorinvestierenStatistikRisikomanagement
Machine Learning for Trading

Diese Konfiguration beschreibt monatliche Long-Short-Portfolios mit US-Aktien, die nach Unternehmensmerkmalen sortiert sind. Sie legt ein Universum vollständiger Fälle mit 46 Merkmalen, Entscheidungen zum Monatsende, Ausführung zur nächsten Eröffnung,…

AktienFaktorinvestierenMomentumBacktesting
Machine Learning for Trading

Dieses Framework zeigt Qualitätsprüfungen für tägliche US-Aktien-OHLCV-Daten. Die strukturelle Validierung prüft Preisbeziehungen, positive Preise, nichtnegative Volumina, fehlende Werte, doppelte Datumsangaben, chronologische Reihenfolge, veraltete Preise…

AktienStatistikRisikomanagementUS-Märkte
Machine Learning for Trading

Dieses Notebook misst, wie sich die Sharpe-Kennzahl der Validierung für S&P-500-Optionsstraddles am Geld bei angenommenen Ausführungskosten und zwei Optionsuniversen verändert. Es gibt die Spread-Kosten als Anteil des notierten halben Optionsspreads an, da…

OptionenUS-MärkteBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook bewertet LSTM- und NLinear-Sequenzmodelle für Futures-Prognosen. Anders als Modelle mit einer Merkmalszeile je Entscheidungszeitpunkt verarbeiten Sequenzmodelle geordnete Fenster vergangener Beobachtungen und können dadurch möglicherweise…

FuturesMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook erklärt, wie sich bewerten lässt, ob Strategien auf einem US-Aktienpanel Trading-Kosten standhalten. Es fixiert anhand der Validierungs-Sharpe eine Konfiguration pro Label und bewertet dann dieselbe Strategie zu festgelegten Kostenniveaus…

AktienBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook untersucht, ob SHAP-Attributionen stabil bleiben, wenn Prognosen ähnlich sind oder Modelle mit unterschiedlichen Zufalls-Seeds und Architekturen erneut angepasst werden. Anhand von ETF-Forward-Renditen sucht es Stichprobenpaare mit ähnlichen…

Maschinelles LernenStatistikRisikomanagementAktien
Machine Learning for Trading

Dieses Notebook verbindet die Positionsgrößenbestimmung mit der Analyse maximaler ungünstiger und günstiger Exkursionen. Es zeigt eine feste fraktionale Positionsgrößenbestimmung, bei der sich die Aktienanzahl aus dem Risikobudget des Portfolios und dem…

PositionsgrößenbestimmungRisikomanagementVolatilitätBacktesting
Machine Learning for Trading

Diese Fallstudie untersucht wöchentliche Long-Short-Strategien, die nach Carry sortiert werden, für ein diversifiziertes Universum von CME-Futures. Sie nutzt Tagesdaten, Walk-Forward-Modellbewertung und Kosten für Provisionen, Spreads und Roll-Slippage. Sie…

FuturesCarryMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Dokument erklärt, wie sich der Lebenszyklus einer Live-Order als endliche Menge von Zuständen und gültigen, ereignisgesteuerten Übergängen darstellen lässt. Es behandelt Übermittlung, Brokerbestätigung, Annahme durch die Börse, teilweise und…

OrderausführungMarktmikrostrukturRisikomanagement
Machine Learning for Trading

Dieses Notebook zeigt, wie sich Bruttorenditen unter expliziten Annahmen zu Trading, Finanzierung und Fondskosten in eine Nettoperformance umrechnen lassen. Das Kostenmodell umfasst Spread und Marktauswirkung, Provisionen und Börsengebühren, Margin-Zinsen,…

AktienOrderausführungBacktestingRisikomanagement
Machine Learning for Trading

Das Notebook stellt das Almgren–Chriss-Framework für die zeitliche Planung einer großen Liquidation vor. Es misst den Implementation Shortfall gegenüber dem Ankunftspreis und modelliert zwei konkurrierende Kosten: Marktauswirkung, die mit der…

OrderausführungMarktmikrostrukturRisikomanagementStatistik
Machine Learning for Trading

Der Code berechnet standardisierte Performance-Kennzahlen aus Out-of-Sample-Prognosetabellen, getrennt nach Fold und als übergreifende Gesamtwerte. Er unterstützt Regression und Klassifikation, darunter Informationskoeffizient, Fehlermaße,…

StatistikBacktestingMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook nutzt Double Machine Learning, um zu prüfen, ob der Zusammenhang zwischen der Differenz aus impliziter und realisierter Volatilität und künftigen Aktienrenditen nach Anpassung um beobachtete Störfaktoren bestehen bleibt. Es vergleicht den…

OptionenAktienMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook führt durch die Bereitstellung eines täglichen FX-Paarmodells, bei dem Interactive Brokers sowohl als Live-Datenquelle als auch als Ausführungsplatz dient. Es trainiert ein Ridge-Regressionsmodell auf einem historischen Panel, berechnet eine…

DevisenhandelMaschinelles LernenOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook stellt ein neuronales Modell des stochastischen Diskontfaktors für ein Panel von CME-Futures vor. Das Modell verwendet sowohl Produktrenditen als auch beobachtbare Merkmale wie Carry, Momentum und Volatilität, um latente Faktoren zu…

FuturesMaschinelles LernenFaktorinvestierenBacktesting
Machine Learning for Trading

Diese Studie bewertet führende Kombinationen aus ETF-Allokation und Risikokontrolle anhand zweier Kostenraster neu, während jede registrierte Strategiekonfiguration unverändert bleibt. Ein Raster verwendet Basispunkte pro Trade; das andere die festgelegte…

BacktestingOrderausführungPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht sechs Long-only-Portfolioallokationen für ein Multi-Asset-ETF-Universum. Es verwendet die Kovarianz-Shrinkage nach Ledoit-Wolf, um Stichprobenvariationen zu verringern, die Optimierungen destabilisieren können, und vergleicht…

Portfolio-KonstruktionRisikomanagementMulti-AssetBacktesting
Machine Learning for Trading

Diese Konfiguration definiert ein wöchentliches Futures-Anlageuniversum aus Aktienindizes, Staatsanleihen, Energie, Metallen, Währungen, Agrarrohstoffen und Vieh. Als Entscheidungszeitpunkt wird der Freitagsschluss festgelegt, als Ausführungszeitpunkt die…

FuturesMulti-AssetCarryMomentum
Machine Learning for Trading

Dieses Experiment untersucht, wie stark ein ausgewähltes monatliches US-Long-Short-Aktiensignal von Small-Cap-Aktien abhängt. Ein verzögerter Filter nach Marktkapitalisierung entfernt das kleinste Quartil aus den Validierungsprognosen; anschließend werden…

AktienUS-MärkteFaktorinvestierenBacktesting
Machine Learning for Trading

Dieses Dokument beschreibt ein CME-Futures-Experiment mit TabM, einem parametereffizienten neuronalen Ensemble, anhand derselben konstruierten Merkmalszeilen und Walk-Forward-Folds wie bei linearen Modellen und Gradient-Boosting-Modellen. TabM teilt die…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Material erklärt, wie eine anhand von Validierungsdaten ausgewählte Strategie mit Prognosen aus einem separaten 2021-Holdout bewertet wird. Die gewählte Allokation, Konzentration, Risikokontrollen, der Handelsplan und die Kosten bleiben unverändert;…

AktienBacktestingRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook beschreibt die Erstellung von Prognosen für den Holdout-Zeitraum einer US-Aktienstudie, nachdem eine Konfiguration anhand von Validierungs-Folds ausgewählt wurde. Es löst die ausgewählte Konfiguration auf, behält die Wahl des Checkpoints bei…

AktienMaschinelles LernenBacktestingRisikomanagement