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

2,471 Dokumente

Machine Learning for Trading

Dieses Dokument erläutert, wie TSMixer die jüngste Merkmalsgeschichte einer Aktie als Matrix aus Handelssitzungen und Merkmalen verarbeitet. Seine Blöcke mischen Informationen entlang der Merkmalsspalten über die Zeit und anschließend zwischen Merkmalen…

AktienMaschinelles LernenMomentumBacktesting
Machine Learning for Trading

Dieses Notebook verwendet registrierte Walk-Forward-GBM-Prognosen für ETFs und CME-Futures, um Gleichgewichtung, umgekehrt zur konformen Intervallbreite gewichtete Allokation und Gewichtung proportional zu positiven Prognosewerten zu vergleichen. Es…

AktienFuturesRisikomanagementPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook vergleicht Zero-Shot-Prognosen von Chronos und TinyTimeMixer mit einem LSTM und einem regularisierten linearen Modell auf einem ETF-Panel. Alle Modelle erhalten denselben univariaten historischen Kontext; die vortrainierten Modelle…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook schätzt, ob ein z-Wert der Prämie von Krypto-Perpetuals unter einer Intervention mit den anschließenden Acht-Stunden-Renditen zusammenhängt. Dabei werden Preisvolatilität, Finanzierungssatz und die Abweichung der Prämie von ihrem jüngsten…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook prüft, ob Kennzahlen aus dem Optionsmarkt künftige Renditen über Aktien hinweg ordnen können. Es passt festgelegte lineare Modelle an aus Optionen abgeleitete Merkmale an, verwendet Walk-Forward-Validierung und vergleicht die Stärke der…

OptionenAktienVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook erläutert, wie GARCH das Clustering von Volatilität in ein Merkmal je Handelssitzung überführt. Zunächst werden Renditediagramme und ein ARCH-LM-Test verwendet, um zu prüfen, ob quadrierte Renditen von ihren eigenen Verzögerungen abhängen. In…

VolatilitätTechnische IndikatorenRisikomanagementStatistik
Machine Learning for Trading

Dieses Notebook untersucht AAPL-Handels- und Kursnotierungsdaten während des Börsencrashs im März 16, 2020, um zu zeigen, wie sich die Markt-Mikrostruktur unter Stress verändert. Es beschränkt die Daten auf die regulären Handelszeiten, unterscheidet…

AktienMarktmikrostrukturOrderausführungVolatilität
Machine Learning for Trading

Dieses Notebook vergleicht zwei Simulationen derselben monatlichen ETF-Momentumstrategie. Beide verwenden identische Zielgewichte, Anlageuniversen, Zeiträume und Gesamttransaktionskosten. Die eine berechnet Renditen aus verzögerten Gewichten und…

AktienMomentumBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook vergleicht die Speicherformate CSV, Parquet, Feather und HDF5 anhand eines deterministischen OHLCV-Datenpanels mit einer Million Zeilen. Gemessen werden Schreibzeit, vollständig eingelesene Daten, Dateigröße und Lesezugriffe, bei denen nur…

AktienStatistikOrderausführung
Machine Learning for Trading

Dieses Audit vergleicht Trading-Engines, die dieselben eingefrorenen Modellziele und inhaltsadressierten historischen Eingaben für die ETF-Allokation, Futures, die Finanzierung von Krypto-Perpetuals, Devisen und US-Aktien wiedergeben. Es bewertet die…

BacktestingOrderausführungMulti-AssetFutures
Machine Learning for Trading

Dieses Notebook zeigt einen schreibgeschützten Frage-Antwort-Ablauf für einen Graphen institutioneller Beteiligungen aus 13F-Einreichungen. Statt Datenbankabfragen aus natürlicher Sprache zu erzeugen, leitet es genau unterstützte Fragen an handgeschriebene…

AktienMaschinelles LernenOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook erläutert die instrumentierte Hauptkomponentenanalyse (IPCA) für ein veränderliches US-Aktienpanel. Die herkömmliche Hauptkomponentenanalyse (PCA) weist jeder Aktie eine angepasste Ladung zu. Damit lassen sich im Trainingsdatensatz fehlende…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Diese Pipeline erstellt Finanzmerkmale für einen ETF-Bereitstellungsablauf aus OHLCV-Kursen und einer Zinskurve. Sie leitet Renditen und risikobereinigte Renditen über mehrere Lookback-Zeiträume, Momentum-Beschleunigung und Volatilitätsverhältnisse ab und…

AktienMomentumVolatilitätTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook nutzt Analysen maximaler günstiger und ungünstiger Kursbewegungen, um Breiten von Triple Barriers anhand beobachteter Kursverläufe festzulegen. Bei einem Long-Einstieg zum Schlusskurs eines Balkens misst es den besten Höchstkurs und den…

RisikomanagementVolatilitätBacktesting
Machine Learning for Trading

Das Dokument erläutert, wie vier Markteinflussmodelle die nachteilige Kursbewegung pro Aktie für eine Order schätzen: kein Einfluss, linearer Einfluss, Einfluss proportional zur Quadratwurzel und ein konfigurierbares Potenzgesetz. Es erklärt die…

OrderausführungMarktmikrostrukturBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht Portfolioallokationen von PyPortfolioOpt, Riskfolio-Lib und skfolio anhand desselben ETF-Renditepanels. Es passt Allokatoren auf einem Trainingszeitraum an, prüft, ob gleichwertige Zielfunktionen und ausgerichtete Gewichte…

Multi-AssetPortfolio-KonstruktionBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook erstellt Labels für Forward-Renditen einer Strategie, die Signale aus börsennotierten Optionen auswertet und die zugrunde liegenden Aktien handelt. Es passt tägliche Aktienkurse um Splits und Dividenden an, verwendet eine dauerhafte…

AktienOptionenMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Konfigurationsnotiz unterscheidet Einstellungen, die in einer Backtest-Identität erscheinen, von Einstellungen, die tatsächlich simulierte Handelskosten beeinflussen. Im beschriebenen Fallbeispiel verwenden alle registrierten Läufe einen vektorisierten…

OptionenBacktestingOrderausführungStatistik
Machine Learning for Trading

Dieses Notebook erstellt ein Evaluierungsgerüst für finanzielle Retrieval-Augmented-Generation-Systeme mit getrennten Kennzahlen für Suchabdeckung, Antworttreue, angemessene Nichtbeantwortung und Sicherheitsverhalten. Es verwendet sechs handgeschriebene…

Maschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook bewertet Validierungsprognosen aus der Aktien- und Optionsforschung, indem es sie in Long-only-Aktienportfolios überführt. Es nutzt eine gleichgewichtete Top-K-Baseline, vergleicht mehrere Portfolio-Konzentrationen und folgt dem…

AktienOptionenBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook prüft, ob die Daten eine wöchentliche, querschnittliche Futures-Strategie unterstützen, bevor ein Modell trainiert wird. Es beschreibt einen Ansatz, der CME-Produkte ordnet, Long-Positionen in den höchstbewerteten und Short-Positionen in den…

FuturesRohstoffeCarryOrderausführung
Machine Learning for Trading

Dieses Notebook erläutert, wie sich ein vierteljährliches Panel mit Aktienfundamentaldaten aus SEC XBRL-Daten erstellen und prüfen lässt. Jede Beobachtung enthält sowohl die beschriebene Geschäftsperiode als auch das Datum, an dem die Einreichung öffentlich…

AktienUS-MärkteFaktorinvestierenBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht zwei Verfahren zur Schätzung von Geld-Brief-Spannen, wenn historische Daten tägliche Eröffnungs-, Höchst-, Tiefst- und Schlusskurse sowie Volumen, aber keine Quotes enthalten. Corwin-Schultz trennt Spread und Volatilität, indem es…

MarktmikrostrukturOrderausführungStatistikRisikomanagement