Wissensbibliothek

Dieses Notebook bewertet potenzielle Merkmale für 20 Währungspaare einzeln anhand zukünftiger Renditen. Es beschränkt die Analyse auf Walk-Forward-Validierungszeiträume, kennzeichnet jede Sitzung mit ihrem Fold und lässt vor dem Holdout eine Pufferlücke,…

Dieses Notebook erläutert, wie sich Wahrscheinlichkeitsprognosen mehrerer Agenten kombinieren und die resultierenden Wahrscheinlichkeiten kalibrieren lassen. Es stellt die Neyman-Extremisierung vor, die den Mittelwert der Prognosen abhängig von der…

Dieses Datenwerkzeug unterstützt die Arbeit mit dem Bewertungsdatensatz von Chen, Pelger und Zhu, der Aktienrenditen, Unternehmensmerkmale, makroökonomische Zeitreihen und vor der Aufteilung erstellte Merkmaltensoren umfasst. Seine Konvertierungsmethode…

Dieses Notebook untersucht, ob Finanzmerkmale dabei helfen, ein delta-gehedgtes Optionsrendite-Label über 10 Sitzungen zu erklären. Es vergleicht Ridge-Modelle mit einem impliziten Volatilitätsmerkmal, Gruppen von Merkmalen, die von der impliziten…

Dieses Modul beschreibt eine gemeinsame Methode zur Vorbereitung von Walk-Forward-Trainings- und Validierungsfolds für mehrere Modellfamilien. Es trennt aufwendige, modellunabhängige Arbeit – das Zuschneiden von Zeitfenstern, das Anwenden foldspezifischer…

Dieses Notebook bewertet LSTM- und NLinear-Sequenzmodelle für Futures-Prognosen. Anders als Modelle mit einer Merkmalszeile je Entscheidungszeitpunkt verarbeiten Sequenzmodelle geordnete Fenster vergangener Beobachtungen und können dadurch möglicherweise…

Dieses Notebook vergleicht Validierungsprognosen mehrerer Modellfamilien für die Funding-Forschung zu Perpetual Futures. Es erläutert, dass der Information Coefficient den Rangzusammenhang zwischen Prognosen und nachfolgenden Renditen misst, AUC die…

Diese Implementierung beschreibt, wie sich gebündelte Sequenzfenster für Paneldaten in Deep-Learning-Studien erstellen lassen. Die Fenster folgen dem erwarteten Kalender des Panels, statt die Beobachtungen jedes Vermögenswerts zu lückenlosen Zeilen…

Dieses Notebook stellt praktische Bereinigungsmethoden für Markt- und Unternehmensdaten vor, darunter den Umgang mit Duplikaten, Kennzeichnungen für Datenlücken, Domänenfilter, die Erkennung von Spitzen durch Richtungswechsel, das Begrenzen von Ausreißern,…

Dieses Notebook untersucht, ob SHAP-Attributionen stabil bleiben, wenn Prognosen ähnlich sind oder Modelle mit unterschiedlichen Zufalls-Seeds und Architekturen erneut angepasst werden. Anhand von ETF-Forward-Renditen sucht es Stichprobenpaare mit ähnlichen…

Dieses Notebook passt Gradient-Boosting-Baummodelle an Optionsmarktmerkmale an, die Prognosen wie implizite Volatilität, Skew, Laufzeitenstruktur und Varianzrisikoprämie abbilden. Es vergleicht die Baumkapazität und die Wahl der Regressionsverlustfunktion…

Diese Fallstudie untersucht wöchentliche Long-Short-Strategien, die nach Carry sortiert werden, für ein diversifiziertes Universum von CME-Futures. Sie nutzt Tagesdaten, Walk-Forward-Modellbewertung und Kosten für Provisionen, Spreads und Roll-Slippage. Sie…

Dieses Notebook vergleicht prädiktive, strukturelle und kausale Modellevidenz für eine querschnittliche S&P-500-Studie, die Aktienmerkmale mit aus Optionen abgeleiteten Größen wie impliziter Volatilität, Skew und Laufzeitenstruktur kombiniert. Es bewertet…

Dieses Notebook zeigt einen Diagnose-Workflow auf Trade-Ebene, der realisierte Verluste mit den SHAP-Erklärungen eines Modells verknüpft. Es trainiert ein LightGBM-Modell mit verzögerten Preis- und Volatilitätsmerkmalen sowie Makro-Eingaben, um Renditen von…

Dieses Notebook vergleicht Behavior Cloning mit invers verstärkendem Lernen (IRL), um aus Ausführungsdatensätzen zu lernen. Die Demonstrationen stammen aus einem TWAP-Zeitplan mit bekanntem risikoneutralem Ziel: Trades gleichmäßig zu verteilen, um die…

Der Code berechnet standardisierte Performance-Kennzahlen aus Out-of-Sample-Prognosetabellen, getrennt nach Fold und als übergreifende Gesamtwerte. Er unterstützt Regression und Klassifikation, darunter Informationskoeffizient, Fehlermaße,…

Dieses Notebook nutzt Double Machine Learning, um zu prüfen, ob der Zusammenhang zwischen der Differenz aus impliziter und realisierter Volatilität und künftigen Aktienrenditen nach Anpassung um beobachtete Störfaktoren bestehen bleibt. Es vergleicht den…

Dieses Notebook stellt einen Research-Agenten zusammen, der nach Belegen sucht und eine strukturierte Wahrscheinlichkeit für eine binäre Frage ausgibt. Es beschreibt die Analyse und Validierung von Aktionen, ein Rundenlimit und ein gespeichertes…

Dieses Notebook erklärt PCA als latente Faktoren-Baseline ohne Merkmale zur Prognose von ETF-Renditen. Es zerlegt die Renditematrix des Trainingszeitraums für jedes Label und erstellt Prognosen anhand einer Ladung für jeden Fonds sowie geschätzter…

Dieses Notebook führt durch die Bereitstellung eines täglichen FX-Paarmodells, bei dem Interactive Brokers sowohl als Live-Datenquelle als auch als Ausführungsplatz dient. Es trainiert ein Ridge-Regressionsmodell auf einem historischen Panel, berechnet eine…

Dieses Notebook stellt ein neuronales Modell des stochastischen Diskontfaktors für ein Panel von CME-Futures vor. Das Modell verwendet sowohl Produktrenditen als auch beobachtbare Merkmale wie Carry, Momentum und Volatilität, um latente Faktoren zu…

Dieses Dienstprogramm beschreibt einen Ablauf, um öffentliche SEC-10-Q-, 10-K- und 8-K-Meldungen zu erfassen und in einen einheitlichen tabellarischen Datensatz für nachgelagerte Forschung umzuwandeln. Die Textextraktion richtet sich nach dem…

Dieses Modul beschreibt zwei Komponenten einer Multi-Agenten-Pipeline für Prognosen. Ein Debattenagent wechselt zwischen bullischen und bärischen Argumenten. Jede Seite muss auf die Behauptungen der anderen eingehen und eine Wahrscheinlichkeitsschätzung mit…

Dieses Notebook zeigt, wie PCMCI verzögerte Beziehungen zwischen Renditen von ETF und Volatilitätsrenditen untersucht, ohne vorab einen Kausalgraphen festzulegen. Es vergleicht bedingte Unabhängigkeitstests auf Paneldaten mit paarweisen Granger-Tests, die…