Wissensbibliothek

Dieses Dokument definiert zwei Diagnosen für Labels mit überlappenden zukünftigen Renditefenstern: gepoolte Panel-Autokorrelation und eine anhand der Eindeutigkeit der Labels bestimmte effektive Stichprobengröße. Für die Autokorrelation werden…

Dieses Notebook erstellt einen LSTM-Allokator, der Folgen von ETF-Renditen und rollierenden Volatilitätsmerkmalen direkt in reine Long-Portfoliogewichte umwandelt. Eine Softmax-Ausgabe hält die Gewichte nichtnegativ und investiert das gesamte Kapital. Statt…

Dieses Notebook vergleicht drei Verfahren, um Finanznachrichtensätze als positiv, neutral oder negativ zu klassifizieren: TF-IDF-Wort- und Wortpaarmerkmale mit logistischer Regression, gemittelte vortrainierte GloVe-Vektoren mit logistischer Regression und…

Dieses Notebook erstellt Merkmale aus minutengenauen NASDAQ-100-Daten mit drei Verfahren: einer rollierenden heterogenen autoregressiven Regression für kurzfristige Varianzprognosen, einer Fourier-Transformation zur Beschreibung periodischer Strukturen in…

Dieses Notebook zeigt, wie sich ein Finanzereignisgraph analysieren lässt, ohne den Zeitpunkt des Ereignisses, seine Veröffentlichung und seine Extraktion durch die Graph-Pipeline zu verwechseln. Es lädt mit Zeitstempeln versehene Beziehungen aus…

Das Dokument stellt latente Faktoren als gemeinsame Renditetreiber vor, die aus der gemeinsamen Bewegung von Futures abgeleitet und nicht als benannte Prädiktoren vorgegeben werden. Es vergleicht zwei Verfahren, die jeweils innerhalb eines Trainings-Folds…

Das Dokument beschreibt, wie Validierungsprognosen linearer Modelle, Gradient Boosting, tabellarischen Deep Learnings und Sequenzmodellen für S&P-500-Optionen verglichen werden. Vor der Berichterstattung von Diagnosen wird geprüft, ob jede registrierte…

Das Dokument erläutert, wie Double Machine Learning (DML) schätzt, ob der Anteil des von Käufern initiierten Volumens künftige Renditen beeinflusst, nachdem Spread, kurzfristige Volatilität und zurückliegende Renditen berücksichtigt wurden. Mit Cross-Fitting…

Dieses Notebook erläutert, wie Feature Stores Trainingsdaten und Live-Modelleingaben aufeinander abstimmen. Es beschreibt Feature Views anhand ihres Entitätsschlüssels, Ereigniszeitpunkts, ihrer Gültigkeitsdauer und ihrer Merkmalsdaten und stellt…

Dieses Dokument erläutert ein Verfahren mit fünf Schwellen zur Bewertung von neun Trading-Fallstudien: von der Signalqualität über Validierung und Transaktionskosten bis zu Holdout-Performance und Evidenzqualität. Die Schwellen bauen aufeinander auf; eine…

Dieses Notebook führt eine Einsatzprobe für ein Modell zur Prognose der Richtung von Krypto-Funding-Raten durch. Es trainiert ein dreiklassiges LightGBM-Modell mit historischen, von Binance abgeleiteten Perpetual-Daten, ruft anschließend Live-Stundenbalken…

Dieses Notebook beschreibt das Training eines Long-Short-Term-Memory-Netzes mit einminütigen NASDAQ-100-Mikrostrukturmerkmalen, um Renditen über mehrere Horizonte vorherzusagen. Das Modell verarbeitet eine zurückliegende Sequenz Schritt für Schritt und…

Das Notebook stellt einen bedingten Autoencoder vor, der die instrumentierte Hauptkomponentenanalyse erweitert: Eine lineare Abbildung von Aktienmerkmalen auf Faktor-Exposures wird durch ein neuronales Netz ersetzt. Die Struktur aus Exposure mal…

Dieses Hilfsmodul erstellt Tabellen und Grafiken zur Bewertung prädiktiver Modelle anhand von Validierungs- und Holdout-Daten. Zu den Diagnosen zählen Konfidenzintervalle für Informationskoeffizienten, der Rückgang von der Validierung zum Holdout, um die…

Dieses Notebook vergleicht Optuna-Hyperparametersuchen für XGBoost, LightGBM und CatBoost auf einem Datensatz mit Unternehmensmerkmalen. Jede Bibliothek erhält eine eigene Suchstudie mit einem Tree-structured-Parzen-Schätzer, Median-Pruning, vorzeitigem…

Dieses Dokument beschreibt die Architektur eines neuronalen Policy-Netzes, das Zeitreihen und Kontext auf Ebene einzelner Vermögenswerte in begrenzte Portfolio-Risikogewichte überführt. Sein Grundgerüst je Vermögenswert kombiniert Kontexteinbettungen,…

Dieses Dokument hält eine mehrstufige Prognose fest, ob die Federal Reserve die Zinsen im Jahr 2026 anheben wird. Drei Agenten recherchieren Belege und ermitteln Wahrscheinlichkeiten; darauf folgen eine Diskussion und eine Aktualisierung durch eine…

Dieses Notebook führt das NLinear-Modell als Mitglied einer festgelegten Population von drei Sequenzlernmodellen für Optionen des S&P 500 aus. Die Anfragen und Checkpoints für die gesamte Population werden vor der Anpassung dieses Mitglieds aufgelöst, damit…

Dieses Notebook beschreibt die Holdout-Prognosephase einer Studie zu Unternehmensmerkmalen von US. Es übernimmt die anhand der Validierungsergebnisse ausgewählte Modellkonfiguration, rekonstruiert ihre Trainingsspezifikation und ihren Checkpoint und passt…

Diese Konfigurationsnotiz erklärt, warum eine multinomiale logistische Regression mit L1-Strafe SAGA statt des liblinear-Solvers von scikit-learn verwendet. Sie verweist auf die Kompatibilität mit mehreren Klassen in neueren scikit-learn-Versionen und…

Das Notebook beschreibt eine Double-Machine-Learning-Analyse mit wachsendem Zeitfenster. Sie prüft, ob Momentum über 12 bis -2 Monate die Renditen von US-Unternehmen im Folgemonat vorhersagt, nachdem um Beta, idiosynkratische Volatilität,…

Dieses Notebook stellt eine Pipeline vor, die strukturierte Unternehmensereignisse aus SEC 8-Meldungen extrahiert und in einen Neo4j-Wissensgraphen lädt. Ein Sprachmodell verarbeitet Meldungen stapelweise und erzeugt Ereignisdatensätze mit Subjekten,…

Dieses Notebook vergleicht Behavior Cloning und inverses Reinforcement Learning (IRL) anhand von Demonstrationen einer zeitgewichteten Durchschnittspreisregel (TWAP) zur Ausführung. Behavior Cloning ordnet beobachtete Marktzustände direkt Aktionen zu,…

Dieses Notebook wendet Double Machine Learning an, um zu prüfen, ob der Spread aus impliziter minus realisierter Volatilität nach Bereinigung um beobachtete Störfaktoren mit späteren Aktienrenditen zusammenhängt. Es identifiziert realisierte Volatilität,…