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

1,075 Dokumente

Machine Learning for Trading

Dieses Notebook schätzt, wie stark ein gleich gewichtetes Portfolio überlebender US-Aktien die Renditen gegenüber einem Portfolio überzeichnen kann, das auch Unternehmen enthält, die aus dem Datensatz ausgeschieden sind. Zunächst wird untersucht, wann das…

AktienUS-MärkteBacktestingStatistik
Machine Learning for Trading

Dieses Notebook untersucht, wie sich Transaktionskosten auf eine häufig rebalancierte NASDAQ-100-Strategie auswirken. Zunächst werden Kostenannahmen in Basispunkten auf bestehende Backtests ohne Kosten angewendet, um zu zeigen, wie sich die Sharpe Ratio mit…

AktienOrderausführungMarktmikrostrukturBacktesting
Machine Learning for Trading

Dieses Notebook erklärt die instrumentierte Hauptkomponentenanalyse als Methode, latente Faktorladungen von beobachtbaren Aktienmerkmalen abhängig zu machen, statt jeder Aktie eine feste Ladung zuzuweisen. Eine gemeinsame Abbildung von Merkmalen auf…

AktienMaschinelles LernenStatistikFaktorinvestieren
Machine Learning for Trading

Dieses Notebook entwickelt das Long-only-Markowitz-Framework mit vollständiger Investition, einschließlich zulässiger Portfolios, effizienter Grenze sowie Lösungen für maximale Sharpe Ratio und minimale Varianz. Es erläutert, wie die Portfoliovarianz von der…

Multi-AssetPortfolio-KonstruktionStatistikBacktesting
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 zeigt, wie StopLoss-, TakeProfit- und TrailingStop-Regeln für ein Momentum-Portfolio abgestimmt werden, wobei Kalibrierung und Evaluierung chronologisch getrennt bleiben. Es testet einzelne Regelbreiten und gemeinsame Kombinationen anhand von…

AktienRisikomanagementBacktestingMomentum
Machine Learning for Trading

Dieses Dokument zeigt, wie sich eine fünftägige ETF-Momentumstrategie über eine gemeinsame Strategieschnittstelle mit Alpaca verbinden lässt. Die Strategie verfolgt Momentum bei SPY, QQQ und IWM und erzeugt Signale, wenn ein Schwellenwert überschritten wird.…

AktienMomentumOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Dokument vergleicht alternative Methoden zur Positionsgrößenbestimmung für CME-Futures-Strategien, die anhand einer nach gleich gewichteter Validierungs-Sharpe-Ratio geordneten Baseline ausgewählt wurden. Bei gleicher Gewichtung wird jedes ausgewählte…

FuturesRohstoffePositionsgrößenbestimmungPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook macht aus Modellprognosesätzen vergleichbare Backtests für Optionen auf den S&P 500. An jedem wöchentlichen Entscheidungstermin ordnet es die prognostizierten Renditen, wählt die höchstplatzierten Symbole aus dem liquiden Anlageuniversum aus…

OptionenAktienBacktestingOrderausführung
Machine Learning for Trading

Dieses Dokument erläutert, wie ein bestehendes Modell und ein Kandidatenmodell vor einer Kapitalallokation in einer Shadow-Evaluierung verglichen werden. Rollen und Freigabeschwellen werden vorab festgelegt; anschließend wird der Kandidat anhand von fünf…

Maschinelles LernenStatistikRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook zeigt, wie Feast mit Parquet-Quellen, Entitäten, Feature-Views, Zeitstempeln und einer Time-to-Live-Regel konfiguriert wird. Anschließend ruft es Features für Trainingsbeispiele und eine Live-Abfrage zum jeweiligen Stichtag ab. Die Ausgabe…

Maschinelles LernenOrderausführungBacktestingStatistik
Machine Learning for Trading

Das Notebook stellt einen überwachten Autoencoder zur Modellierung von Aktienfaktoren vor. Anders als unüberwachte Autoencoder, die einen Engpass durch Rekonstruktion des Querschnitts erlernen, bezieht dieses Modell auch zukünftige Renditen in sein…

AktienMaschinelles LernenFaktorinvestierenStatistik
Machine Learning for Trading

Dieses Notebook wendet ein neuronales Modell stochastischer Diskontfaktoren auf CME-Futures an. In der Asset-Preisbildung ist ein stochastischer Diskontfaktor eine Zufallsvariable, deren Produkt mit der Rendite jedes Vermögenswerts unter Arbitragefreiheit…

FuturesMaschinelles LernenFaktorinvestierenBacktesting
Machine Learning for Trading

Das Dokument zeigt einen Broker-Wrapper, der Orders und den Portfoliostatus prüft, bevor er Trades weiterleitet. Zu den Kontrollen gehören Obergrenzen für Stückzahl und Wert je Order, Positionslimits, Orderratenlimits, Positiv- und Sperrlisten für…

RisikomanagementPositionsgrößenbestimmungOrderausführungBacktesting
Machine Learning for Trading

Diese Analyse prüft, ob Abrechnungsdaten eine wöchentliche, querschnittliche CME-Futures-Strategie unterstützen können, bevor ein Modell angepasst wird. Sie untersucht, ob an den Rebalancing-Terminen genügend Produkte notiert sind, um die vorgesehenen Long-…

FuturesCarryRisikomanagementBacktesting
Machine Learning for Trading

Diese Fallstudie bewertet monatliche Long-Short-Dezilstrategien auf Basis von Unternehmensmerkmalen aus den US. Sie vergleicht lineare Modelle, Gradient Boosting und Ansätze mit latenten Faktoren unter Berücksichtigung zeitpunktbezogener Verzögerungen bei…

AktienUS-MärkteFaktorinvestierenMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook vergleicht eingebettete, serverbasierte, universelle und auf den Handel ausgerichtete Datenbanken bei Aufgaben mit Finanzzeitreihen: Massenschreibvorgänge, vollständige Scans, Zeitfensterabfragen, OHLCV-Aggregation und die Zuordnung von…

BacktestingStatistikMarktmikrostrukturOrderausführung
Machine Learning for Trading

Diese Lehrdarstellung vergleicht parametrische stochastische Modelle und Bootstrap-Verfahren zur Erzeugung synthetischer Finanzpfade. Sie behandelt geometrische Brownsche Bewegung, Sprungdiffusion, Mittelwertrückkehr, stochastische Volatilität nach Heston…

StatistikVolatilitätRisikomanagementBacktesting
Machine Learning for Trading

Diese Analyse vergleicht drei Verfahren, um vorzeichenbehaftete Modellprognosen von Renditen in binäre Positionen umzuwandeln: einen festen Schwellenwert von null, ein nachlaufendes Perzentil je Symbol und ein Perzentil im Querschnitt der Symbole. Sie wendet…

Maschinelles LernenOrderausführungBacktestingKrypto
Machine Learning for Trading

Dieses Notebook richtet Feast als Feature-Store für Finanz- und Modelldaten ein und vergleicht anschließend historische und zeitpunktbezogene Abrufe mit einem transparenten, manuell erstellten Join. Es definiert Entitäten, zeitgestempelte Quellen,…

Maschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook vergleicht Zielfunktionen für Gradient Boosting bei monatlichen Aktienrenditen aus den US und hält Merkmale, Zielvariable und Walk-Forward-Folds konstant. Es stellt den quadratischen Fehler dem absoluten Fehler und dem Huber-Verlust…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Modul koordiniert Walk-Forward-Anpassung und -Bewertung für mehrere latente Faktormodelle, darunter Hauptkomponenten, instrumentierte Hauptkomponenten und neuronale Autoencoder. Es bereitet Paneldaten und Folds vor, ruft modellspezifische Abläufe auf…

FaktorinvestierenMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook misst, wie sich veränderte proportionale Transaktionskosten auf jeweils eine anhand der Validierung ausgewählte FX-Strategie je Renditelabel auswirken. Zunächst wählt es eine übergeordnete Strategie aus Kandidaten für Signal, Allokation und…

DevisenhandelBacktestingOrderausführungRisikomanagement