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

109 Dokumente

Machine Learning for Trading

Dieses Notebook trainiert einen Proximal-Policy-Optimization-Agenten, der eine feste Order über einen festgelegten Zeitraum liquidiert. Es vergleicht die erlernte zeitliche Ausführung mit TWAP und einem Almgren–Chriss-Zeitplan, misst den Implementation…

KryptoPerpetual FuturesOrderausführungMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook schätzt, ob ein z-Wert der Prämie von Krypto-Perpetuals unter einer Intervention mit den anschließenden Acht-Stunden-Renditen zusammenhängt. Dabei werden Preisvolatilität, Finanzierungssatz und die Abweichung der Prämie von ihrem jüngsten…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine ausgewählte Finanzierungsstrategie mit unbefristeten Kryptokontrakten erstellt werden. Es leitet die Konfiguration aus den Validierungsergebnissen ab, übernimmt die Auswahl des Checkpoints und…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Dokument untersucht positionsbezogene Ausstiege, die einer bestehenden Krypto-Perpetual-Strategie hinzugefügt werden: feste Stop-Losses, Trailing-Stops und zeitbasierte Ausstiege. Es erklärt, dass diese Kontrollen nur Positionen schließen, die von der…

KryptoPerpetual FuturesRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht DQN, PPO und A2C in einer simulierten Umgebung für den Kryptowährungshandel. Es kalibriert einen GARCH(1,1)-Volatilitätsprozess anhand stündlicher Renditen von Bitcoin-Perpetual-Futures und simuliert dann Pfade, die…

Maschinelles LernenKryptoPerpetual FuturesBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine Krypto-Perpetual-Funding-Strategie erstellt werden, nachdem ihre Konfiguration anhand von Validierungsergebnissen ausgewählt wurde. Es ermittelt den zulässigen Validierungs-Backtest mit der höchsten…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Modul definiert eine Point-in-Time-Simulationsumgebung für die Ausführung einer großen Verkaufsorder in Krypto-Perpetual-Futures. Die Beobachtungen kombinieren den verbleibenden Bestand und die verbleibende Zeit mit Marktvolatilität, Premium-Index,…

KryptoPerpetual FuturesOrderausführungMarktmikrostruktur
Machine Learning for Trading

Dieses Dokument beschreibt eine Pipeline zum Herunterladen offizieller Binance-USD-M-Perpetual-Funding-Daten, deren Normalisierung und Zwischenspeicherung in einer spaltenorientierten Datei. Monatsarchive werden für die angeforderten Symbole und den…

KryptoPerpetual FuturesBewertung von DerivatenBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Gradient-Boosting-Konfigurationen für Krypto-Perpetual-Futures anhand von Merkmalen, die auf dem Aufschlag der Perpetual-Kontrakte gegenüber dem Kassamarkt beruhen. Es variiert die Baumkapazität und die Verlustfunktion, darunter…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook entwickelt modellbasierte Merkmale für Krypto-Perpetual-Futures: bedingte Volatilitätsprognosen pro Anlage aus GJR-GARCH und eine marktweite Wahrscheinlichkeit für ein Stressregime aus einem Gaußschen Hidden-Markov-Modell mit zwei Zuständen,…

KryptoPerpetual FuturesVolatilitätMaschinelles Lernen
Machine Learning for Trading

Diese Fallstudie skizziert eine Forschungspipeline für Krypto-Perpetual-Futures. Dabei werden Funding-Zahlungen, die bei regelmäßigen Abrechnungen zwischen Long- und Short-Positionen ausgetauscht werden, als mögliche Renditequelle betrachtet. Beschrieben…

KryptoPerpetual FuturesFuturesMaschinelles Lernen
Machine Learning for Trading

Diese Demo skizziert einen durchgehend laufenden Krypto-Handelsablauf, der mit dem USD-Spotmarkt von Alpaca verbunden ist. Sie ordnet ein Anlageuniversum aus einer Perpetual-Futures-Fallstudie den vom Handelsplatz unterstützten Spot-Paaren zu und macht…

KryptoSpotmärktePerpetual FuturesMomentum
Machine Learning for Trading

Dieses Notebook zeigt das Monitoring von Kovariaten-Drift bei ETF-Momentum-Features und Merkmalen von Krypto-Perpetual-Futures in unterschiedlichen Marktphasen. Es vergleicht den Population Stability Index, der Veränderungen einzelner Feature-Verteilungen…

Maschinelles LernenStatistikRisikomanagementKrypto
Machine Learning for Trading

Dieses Notebook wandelt Modellrankings in einfache Krypto-Perpetual-Futures-Portfolios um, damit spätere Experimente die Auswirkungen veränderter Positionsgrößen, Kosten oder Risikokontrollen messen können. Es nutzt Einstiegsregeln wie die Auswahl der…

KryptoPerpetual FuturesBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook entwickelt eine simulierte Market-Making-Aufgabe, in der ein PPO-Agent Quotierungsverschiebung und Spannenbreite wählt. Die Ausführungswahrscheinlichkeit sinkt, je weiter sich die Quotierungen vom Mittelkurs entfernen, während das…

Market-MakingMaschinelles LernenOrderausführungMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook führt vektorisiertes Backtesting mit VectorBT anhand einer Long-only-Mean-Reversion-Regel RSI auf Marktdaten zu Bitcoin-Perpetuals ein. Es berechnet einen auf Schlusskursen basierenden RSI, eröffnet Positionen, wenn der Wert des Vortags unter…

KryptoPerpetual FuturesRückkehr zum MittelwertTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook vergleicht sechs Allokationsmethoden für Krypto-Perpetual-Strategien, die bereits einen grundlegenden Auswahlprozess bestanden haben. Prognosen und Einstiegsregeln jeder Strategie bleiben fest, während sich die Kapitalzuweisung ändert: Ein…

KryptoPerpetual FuturesPositionsgrößenbestimmungPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook ergänzt einen Vergleich von Sequenzmodellen zur Prognose von Funding-Aufschlägen bei Krypto-Perpetuals um ein zeitliches Faltungsnetz (TCN). Kausales Padding stellt sicher, dass jede Position nur aktuelle und frühere Beobachtungen verwendet,…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Modul schätzt Parameter für simulierte Kryptomärkte, die in Umgebungen für bestärkendes Lernen eingesetzt werden. Es lädt stündliche Daten zum Perpetual-Markt für ein ausgewähltes Symbol, berechnet logarithmische Renditen von Schlusskurs zu…

KryptoPerpetual FuturesVolatilitätMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook untersucht, ob eine extreme Prämie bei Perpetual Futures nachfolgende BTC-Renditen oder eine Prämienumkehr beeinflusst. Als Behandlung definiert es einen Zustand mit hoher Prämie und vergleicht ein breites Marktergebnis, das von vielen…

KryptoPerpetual FuturesArbitrageStatistik
Machine Learning for Trading

Diese Analyse prüft, ob die Daten eine querschnittliche Krypto-Perpetual-Strategie unterstützen können, bevor ein Modell angepasst oder Prognosen erstellt werden. Der vorgeschlagene Ansatz ordnet Kontrakte bei jeder Finanzierungsabrechnung nach ihrer Prämie…

KryptoPerpetual FuturesStatistikBacktesting
Machine Learning for Trading

Dieses Notebook erklärt, wie angepasste GJR-GARCH- und Hidden-Markov-Modelle in Handelsmerkmale umgewandelt werden, während Look-ahead-Bias kontrolliert wird. GJR-GARCH schätzt die bedingte Volatilität und erfasst die stärkere Wirkung negativer…

KryptoPerpetual FuturesVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook vergleicht zwei kausale Fragen zu extremen Prämien bei Bitcoin-Perpetual-Futures: Sagt ein Prämienzustand zukünftige Renditen voraus, und sagt er eine spätere Rückbildung der Prämie voraus? Die Behandlung ist ein binärer Indikator für einen…

KryptoPerpetual FuturesStatistikMarktmikrostruktur