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 bildet Unsicherheitsintervalle für ETF-Zukunftsrenditen mit Ridge-Regression und drei konformen Methoden: Split Conformal Prediction, Conformalized Quantile Regression und Adaptive Conformal Inference. Es bewertet sie anhand von…

AktienMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook untersucht, wie Allokationsregeln ETF-Strategien beeinflussen, nachdem ein Modell die Assets bereits eingestuft hat. Es hält Prognosemengen und Rebalancing-Kalender fest, wählt für jeden Vergleich denselben Top-k-Korb aus und variiert die…

AktienPortfolio-KonstruktionPositionsgrößenbestimmungRisikomanagement
Machine Learning for Trading

Dieses Notebook bewertet, wie sich registrierte ETF-Prognosemengen in Portfolios umsetzen lassen. Es kombiniert jede Prognosemenge aus der Validierung mit festgelegten Einstiegsregeln, etwa unterschiedlichen Top-k-Positionen, und hält dabei Handelskalender,…

AktienBacktestingPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Kapitel beschreibt einen Weg von der Forschung zur Live-Ausführung, bei dem dieselbe Strategielogik im Backtest, im Paper Trading und im Live-Trading laufen kann. Es behandelt Broker- und Plattformintegrationen, Bereitstellungsschleifen, Prüfungen auf…

OrderausführungRisikomanagementBacktestingMarktmikrostruktur
Machine Learning for Trading

Dieses Kapitel ordnet Finanzdaten Markt-, Fundamental- und alternativen Quellen zu und vergleicht anschließend, wie Anlageklassen die Bedeutung von Preisen, Liquidität und Beobachtungen prägen. Es hebt hervor, dass Zeitstempel, Anpassungen, Kennungen und…

Multi-AssetStatistikBacktestingRisikomanagement
Machine Learning for Trading

Dieses Dokument erläutert eine gemeinsame Methode zur Erstellung von Walk-Forward-Validierungssplits anhand der Evaluierungseinstellungen von Fallstudien. Die Fold-Erstellung wird an einen kalenderbewussten Splitter delegiert; dabei werden eindeutige…

BacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook wendet zwei sequentielle Detektoren auf echte Validierungsprognosefehler aus zwei US-Aktienkonfigurationen mit linearen Modellen über ein Kalenderjahr an. Ein Zwei-Fenster-Detektor für Mittelwertverschiebungen sucht nach Veränderungen der…

Maschinelles LernenStatistikRisikomanagementAktien
Machine Learning for Trading

Dieses Dokument beschreibt, wie sich aus einer bestehenden Walk-Forward-Validierungsspezifikation ein einzelnes Trainingsintervall für den Holdout ableiten lässt. Es übernimmt die in der Studienkonfiguration angegebenen Holdout-Daten, verwendet den frühesten…

BacktestingMaschinelles LernenRisikomanagementStatistik
Machine Learning for Trading

Dieses Notebook entwickelt Labels für zukünftige Renditen von Short-At-the-Money-Straddles auf S&P-500-Aktien. Da der nominelle 30-Tage-Straddle im täglichen Panel in jeder Sitzung einen anderen Kontrakt darstellt, würde eine verschobene Preisreihe…

OptionenVolatilitätBewertung von DerivatenStatistik
arXiv papers

Die Arbeit schlägt das unidirektionale Transformer-Modell SERT zur Bewertung von Large-Cap-Aktien aus den US vor und setzt vortrainierte Transformer für Aktienbewertung und Faktoranlagen ein. Sie vergleicht diese Ansätze über die Zeiträume vor der Pandemie,…

AktienMaschinelles LernenFaktorinvestierenTrendfolge
arXiv papers

Diese Arbeit formuliert eine Pairs-Trading-Strategie für zwei Aktien, deren Preise allgemeinen geometrischen Brownschen Bewegungen folgen, statt anzunehmen, dass ihre Preisdifferenz zum Mittelwert zurückkehrt. Der Händler vergleicht die relative Stärke der…

AktienPairs-TradingRückkehr zum MittelwertRisikomanagement
arXiv papers

Die Studie trennt die Entdeckung von Faktoren von ihrer Zulassung. Ein Agent kann Kandidaten vorschlagen und diagnostische Prüfungen erstellen, während ein unveränderlicher statistischer Prüfer jeden Vorschlag anhand von Marktergebnissen bewertet, die erst…

FaktorinvestierenMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Stop-Loss-, Trailing-Stop- und Zeitausstiegs-Overlay-Strategien auf festen NASDAQ-100-Mikrostruktur-Backtests. Die Strategie trifft alle fünfzehn Minuten Entscheidungen, während Risikoregeln die Kurse minütlich überwachen. Dadurch…

RisikomanagementBacktestingPositionsgrößenbestimmungAktien
Machine Learning for Trading

Dieses Notebook vergleicht Split-Conformal-Prognosen, konforme Quantilsregression und adaptive konforme Inferenz zur Prognose künftiger Renditen von ETF. In Walk-Forward-Folds trainiert es auf einer Teilmenge, kalibriert Intervallfehler auf einer anderen und…

AktienMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook erläutert, wie die Suche über viele Faktoren oder Strategien die scheinbare Leistung des ausgewählten Gewinners überhöht, selbst wenn einzelne Schätzungen korrekt berechnet wurden. Eine simulierte Gruppe von Rauschfaktoren veranschaulicht,…

StatistikFaktorinvestierenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook zeigt, wie sich eine gemeinsame ETF-Momentumstrategie-Schnittstelle mit Alpaca verbinden lässt. Standardmäßig steht ein simulierter Offlinepfad zur Verfügung. Broker- und Marktdatenadapter können ausgetauscht werden, während Strategie,…

AktienMomentumOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht Brutto- und Netto-Sharpe-Ratios über Kostenraster von Strategie-Backtests aus Fallstudien hinweg. Für jede eingesetzte Strategiekonfiguration liest es angenommene Kosten pro Orderseite und Rebalancing-Rhythmus aus gespeicherten…

BacktestingRisikomanagementOrderausführungStatistik
Machine Learning for Trading

Dieses Notebook misst, wie sich die Validierungsperformance einer ausgewählten US-Unternehmensmerkmalsstrategie bei unterschiedlichen angenommenen Kommissionen und Slippage verändert. Es führt dieselbe Konfiguration über ein festgelegtes Kostenraster erneut…

AktienBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook verwendet ein Gaußsches Mischungsmodell, um Monate anhand des gemeinsamen Verhaltens von neun Faktor- und Anlageklassen-Renditereihen zu gruppieren. Es standardisiert monatliche Beobachtungen, entfernt Monate mit fehlenden Werten und…

FaktorinvestierenMaschinelles LernenStatistikMulti-Asset
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine ausgewählte Konfiguration eines CME-Futures-Modells erstellt werden. Die Konfiguration wird anhand von Validierungsergebnissen ausgewählt und anschließend mit Daten neu angepasst, deren Zeitraum vor…

FuturesBacktestingMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook erläutert Tail-GAN, einen generativen adversariellen Ansatz zur Erzeugung finanzieller Renditeszenarien mit Fokus auf Value at Risk (VaR) und Expected Shortfall (ES). Differenzierbares Sortieren ermöglicht den Gradientenfluss durch…

Maschinelles LernenRisikomanagementVolatilitätPortfolio-Konstruktion
Machine Learning for Trading

Dieses Python-Modul beschreibt Methoden, um die Unsicherheit von Strategie-Backtests anhand täglicher Renditen außerhalb der Stichprobe zu quantifizieren. Es kombiniert Intervalle aus einem stationären Block-Bootstrap für Renditestatistiken, einen um…

BacktestingStatistikRisikomanagementPortfolio-Konstruktion