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.
934 Dokumente
Dieser Artikel erläutert einen Arbeitsablauf, um ein trainiertes Torch-Zeitreihenprognosemodell mithilfe von ONNX in einem MetaTrader-5-Expert-Advisor bereitzustellen. Dazu gehören der Wechsel des Modells in den Inferenzmodus, das Erfassen und Benennen…
Der Artikel stellt die Maximierung der Nuklearnorm als intrinsische Belohnung für Reinforcement-Learning-Agenten vor, die Umgebungen mit spärlichen externen Belohnungen erkunden. Dazu bildet er eine Matrix aus kodierten Darstellungen eines besuchten Zustands…
Der Artikel untersucht, ob Planetenpositionen, Mondphasen, Sonnenaktivität und Planetenaspekte helfen können, EUR/USD-Bewegungen vorherzusagen. Er beschreibt, wie tägliche astronomische Daten erhoben, mit der Markthistorie abgeglichen und mithilfe von…
Der Artikel erläutert catch22, eine kompakte Gruppe von Zeitreihenmerkmalen, die aus einer deutlich größeren Bibliothek ausgewählt wurde, um Klassifikationsleistung bei geringer Redundanz zu erzielen. Die Merkmale beschreiben Verteilungsform,…
Der Artikel erklärt, wie sich Triple-Barrier-Labels zeitlich überschneiden können und dadurch Beobachtungen im Finanz-Machine-Learning abhängig statt unabhängig werden. Wenn viele Stichproben Informationen aus demselben Marktintervall enthalten, kann ein…
Dieser Artikel argumentiert, dass die Leistung des maschinellen Lernens im Finanzbereich stark davon abhängt, wie das Prognoseziel definiert wird. Anders als ein festes medizinisches Label kann ein Trading-Ziel Renditen, Kursanstiege, Volatilität, Drawdown…
Der Artikel stellt einen Inferenz-Lernablauf für Muster vor, die auf gleitenden Durchschnitten und dem Stochastic-Oszillator beruhen. Inferenz wird als Schätzung latenter Strukturen aus beobachteten Daten gefasst. Anschließend beschreibt der Text einen…
Der Artikel überführt eine Trend-Scanning-Labelmethode in eine Merkmals-Schnittstelle für Machine-Learning-Modelle. Für jeden Balken passt er den Kurs über verschiedene mögliche Fensterlängen an die Zeit an und behält das Fenster mit dem größten absoluten…
Der Artikel erläutert Atomic Orbital Search (AOS), eine populationsbasierte Metaheuristik, die mögliche Lösungen Elektronen zuordnet, die auf imaginäre Orbitalschichten verteilt sind. Die Güte der Kandidaten wird als Energie aufgefasst; eine niedrigere…
Der Artikel schlägt vor, gegenseitige Information (MI) zu verwenden, um auszuwählen, welches von mehreren möglichen Trading-Zielen ein Black-Box-Regressionsmodell lernen soll. Die Beispiele vergleichen künftige Preisänderungen, gleitende Durchschnitte,…
Der Artikel schlägt eine nichtlineare Regressionsgleichung vor, die Kurse anhand von zwei vorherigen Beobachtungen prognostiziert. Die sieben Terme kombinieren lineare und quadrierte Kurseingaben, eine Differenz als Momentummaß, eine Sinuskomponente zur…
Dieses Tutorial erklärt, wie ein Modell historische Beobachtungen genau abbilden kann, indem es das Rauschen statt des zugrunde liegenden Prozesses lernt. Es nennt kleine Stichproben und übermäßige Modellkomplexität als häufige Ursachen. Anhand einer…
Diese Vorlesung führt den Kalman-Filter als Methode ein, um den Zustand eines sich entwickelnden Systems anhand eines Modells und verrauschter Beobachtungen zu schätzen. Der Filter wechselt zwischen der Prognose des nächsten Zustands und der Aktualisierung…
Diese Vorlesung erläutert, warum viele statistische Tests die Wahrscheinlichkeit erhöhen, zufällig scheinbar signifikante Zusammenhänge zu finden. Sie veranschaulicht dies mit paarweisen Spearman-Rangkorrelationen zwischen unabhängigen Zufallsreihen. Wenn…
Dieses Modul stellt Prüfungen nach dem Training von Zeitreihengeneratoren vor, die auf dem TimeGAN-Auswertungsansatz beruhen. Es misst den Nutzen, indem es einen rekurrenten Prädiktor auf synthetischen Sequenzen trainiert und mit echten Daten testet. Ein…
Das Dokument erläutert, wie ein stochastischer Diskontfaktor (SDF) einen Preiskern schätzt, der jedes Asset bewerten sollte, statt gemeinsame Renditefaktoren zu schätzen. Es beschreibt adversariales Training: Ein Netzwerk schlägt den Diskontfaktor vor,…
Dieses Notebook verwendet Optuna, um XGBoost, LightGBM und CatBoost anhand eines zeitlich aufgeteilten Datensatzes mit Unternehmensmerkmalen abzustimmen. Bei jeder Bibliothek wird die Verlustfunktion – mittlerer quadratischer Fehler oder mittlerer absoluter…
Dieser Benchmark vergleicht pandas und Polars anhand typischer Vorgänge in Finanzdaten-Pipelines, darunter rollierende Merkmale, Gruppenberechnungen, Fenstertransformationen, Filterung, Joins, verzögerte Datenscans, Speicherbedarf und…
Dieses Notebook wendet TabM, einen Ansatz mit neuronalen Netzen für Tabellendaten, auf Prognosezeilen für Wechselkurspaare an, ohne die Daten als Sequenz zu behandeln. Es verwendet eine gemeinsame Runner-Infrastruktur, um die Vorverarbeitung innerhalb jedes…
Dieses Notebook beschreibt einen schreibgeschützten Vergleich von Validierungsprognosen mehrerer Modellfamilien auf einem US-Aktienpanel. Es prüft zunächst, ob jeder vorab definierte Prognosesatz vollständig ist, bewertet dann die Querschnittsrangfolge…
Dieses Dokument erläutert, wie verborgene Markov-Modelle unbeobachtete Marktphasen anhand von Renditen und jüngster Volatilität ableiten. Zunächst legt es zwei transparente Vergleichswerte fest: einen Schwellenwert des Volatilitätsindex für Stress und den…
Dieses Notebook erstellt univariate Prognosen der täglichen Schlusskurse von SPY mit PyTorch ohne Abstraktionsschicht, sktime und Darts. Es vergleicht die praktische Nutzung jeder Schnittstelle, einschließlich Implementierungsaufwand,…
Dieses Notebook erläutert eine Familie von ETF-Modellen, die Renditen anhand gemeinsamer latenter Richtungen darstellt und schätzt, wie Fondsmerkmale auf Exposures abgebildet werden. Es unterscheidet fünf Ansätze: unbedingte Hauptkomponenten, Instrumented…
Diese Analyse vergleicht Prognose-, Latent-Faktor- und Kausalmodelle für eine Querschnittsstrategie mit S&P-500-Aktien und wöchentlichen Vorwärtsrenditen. Der Merkmalsumfang kombiniert Momentum- und Volatilitätsmaße für Aktien mit Optionsdaten wie impliziter…