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

397 Dokumente

Machine Learning for Trading

Dieses Notebook spezifiziert und führt eine Double-Machine-Learning-Analyse zum Effekt der Varianzrisikoprämie auf Renditen von Short-Optionen bis zum Verfall durch. Vor der Ausführung legt es Behandlung, Ergebnisgröße, Störfaktoren, Zeitablauf, Störmodell,…

OptionenVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Diese Fallstudie passt regularisierte lineare Modelle an Renditen von bis zum Verfall gehaltenen Short-At-the-Money-Straddles an. Der Trade vereinnahmt Call- und Put-Prämien. Dadurch ist der maximale Gewinn begrenzt, während bei starken Bewegungen des…

OptionenVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Diese Umgebung modelliert einen Market Maker, der Quote-Mittelpunkt und Spread abhängig von Inventar, Volatilität und einer diskreten Aktionswahl anpasst. Synthetische Preise verwenden eine bedingte Volatilität, die mit einem GARCH-Prozess erzeugt wird; der…

Market-MakingMarktmikrostrukturVolatilitätRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht Referenz-ETF-Portfolios anhand historischer Krisen, manuell festgelegter gleichzeitiger Anlageschocks und Monte-Carlo-Verlustszenarien. Zu den historischen Zeiträumen zählen starke Aktien- und zinsbedingte Kursverluste; die…

Multi-AssetPortfolio-KonstruktionRisikomanagementVolatilität
Machine Learning for Trading

Das Notebook untersucht, wie sich eine feste monatliche ETF-Momentumstrategie unter verschiedenen Volatilitäts-, Trend- und Zinskurvenbedingungen entwickelt hat. Die Regime werden so bestimmt, dass sie vor der beschriebenen Rendite bekannt sind: Volatilität…

Multi-AssetMomentumVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook skizziert Diagnosen ausschließlich für die Validierung eines 10-Sitzungs-Renditelabels für delta-gehedgte S&P-500-Optionen. Es ordnet Finanzprognosevariablen in Gruppen ein, die von impliziter Volatilität abhängen oder unabhängig davon sind,…

OptionenVolatilitätStatistikMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook erstellt regelbasierte Merkmale für einen Querschnitt von CME-Futures, mit Fokus auf Carry aus den Spreads nahe beieinanderliegender Lieferkontrakte. Außerdem werden Momentum-, Volatilitäts-, Kurvenform- und Kalendermerkmale erstellt. Das…

FuturesRohstoffeCarryMomentum
Machine Learning for Trading

Diese Datenanalyse untersucht achtstündige Beobachtungen eines Prämienindex für USDT-besicherte Krypto-Perpetual-Kontrakte und erläutert den Zusammenhang zwischen Prämie und Funding-Zahlungen. Der Index verwendet ausführbare Impact-Bid- und -Ask-Kurse im…

KryptoPerpetual FuturesArbitrageCarry
Machine Learning for Trading

Dieses Notebook erstellt modellbasierte Merkmale für die Optionsforschung zum S&P-500 anhand der Renditen des Basiswerts. Es passt GJR-GARCH an, das negativen Renditeschocks zusätzliches Gewicht verleiht, sowie ein stochastisches Volatilitätsmodell, dessen…

OptionenVolatilitätStatistikMaschinelles Lernen
Machine Learning for Trading

Diese Analyse führt in die Struktur von Optionsketten ein und untersucht einen Ausschnitt aus dem Jahr 2020 von S&P-500-Optionen auf acht Basiswerte. Sie erläutert Moneyness, inneren Wert und Zeitwert, Greeks, implizite Volatilität sowie die Informationen,…

OptionenVolatilitätBewertung von DerivatenMarktmikrostruktur
Machine Learning for Trading

Diese Machbarkeitsanalyse prüft, ob Daten und Annahmen für eine wöchentliche, delta-gehedgte Short-Straddle-Strategie auf S&P-500-Bestandteile plausibel sind, bevor ein Modell angepasst wird. Sie erläutert, wie Calls und Puts mit demselben Strike und…

OptionenVolatilitätRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook trainiert einen einfachen Autoencoder mit stündlichen Renditen eines Korbs von Krypto-Perpetual-Märkten. Die Renditen werden anhand des Trainingszeitraums standardisiert, und ein neuronales Netz komprimiert die Eingabe mit mehreren Assets vor…

KryptoMaschinelles LernenStatistikVolatilität
Machine Learning for Trading

Das Dokument erläutert die Erstellung von Merkmalen für Währungspaare anhand dreier geschätzter Zeitreihenmodelle: eines Zustandsraumfilters zur Schätzung eines langsam veränderlichen Preisniveaus, eines zweizuständigen Hidden-Markov-Modells für…

DevisenhandelStatistikVolatilitätBacktesting
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 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 Notebook erstellt modellbasierte bedingte Volatilitätsmerkmale für S&P-500-Aktien mit einem GJR-GARCH(1,1)-Modell. Anschließend vergleicht es einen optionsimpliziten Volatilitätsaufschlag gegenüber der realisierten Volatilität mit einem Aufschlag…

AktienOptionenVolatilitätMaschinelles Lernen
Machine Learning for Trading

Diese CME-Futures-Studie variiert die Kapazität und Verlustfunktion von Gradient-Boosting-Bäumen und zeichnet Vorhersagen an mehreren Trainings-Checkpoints auf. Die Anzahl der Blätter bestimmt, wie fein ein Modell den Merkmalsraum aufteilt, während sich…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook erstellt einen durchgängigen Portfolioallokator, der ein Variablenauswahl-Netzwerk im Stil eines Temporal Fusion Transformers vor einen LSTM schaltet. Separate gated Residual Networks bilden einzelne Merkmale ab, und gelernte weiche Gewichte…

Maschinelles LernenPortfolio-KonstruktionPositionsgrößenbestimmungVolatilität
Machine Learning for Trading

Dieses Setup-Dokument definiert eine wöchentliche Forschungs-Pipeline für 500-Aktien, die Optionsmarkt-Features mit preisbasierten Signalen kombiniert. Es legt das zulässige Universum, Entscheidungs- und Ausführungszeitpunkte sowie unterschiedliche…

OptionenAktienVolatilitätMomentum
Machine Learning for Trading

Dieses Notebook vergleicht quadratischen Fehler, absoluten Fehler und Huber-Verlust für Gradient-Boosting-Modelle, die Renditen von Short-ATM-Straddles prognostizieren. Das Ziel hat einen begrenzten Gewinn, aber potenziell schwere Verluste. Daher kann der…

OptionenVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Das Notebook behandelt jedes Renditefenster als empirische Verteilung und clustert Fenster anhand der eindimensionalen Wasserstein-Distanz. Bei gleich großen Stichproben ergibt das Sortieren die optimale Zuordnung der Quantile. Die Distanz bildet daher…

AktienMaschinelles LernenStatistikVolatilität
Machine Learning for Trading

Diese Analyse erklärt, wie der Premium-Index von Binance für Perpetual-Futures mit Spotpreisen zusammenhängt und wie die Börse diese Prämie in regelmäßige Funding-Zahlungen umwandelt. Der Index verwendet ausführbare Impact-Bid- und Ask-Preise im Verhältnis…

KryptoPerpetual FuturesCarryArbitrage
Machine Learning for Trading

Dieses Dokument beschreibt ein zweistufiges Verfahren zur Extraktion von Quelldaten für eine S&P-500-Straddle-Studie. Zunächst werden Call- und Put-Kontrakte anhand einer Auswahl nahe am Geld ermittelt, die auf Tagen bis zum Verfall, absolutem Delta,…

OptionenVolatilitätBewertung von DerivatenStatistik