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

934 Dokumente

Machine Learning for Trading

Dieses Notebook erklärt, wie PatchTST anhand gleich langer Abschnitte sequenzieller Marktmerkmale NASDAQ-100-Zielwerte prognostiziert. Die Attention verknüpft Abschnitte über eine rückwärtsgerichtete Stunde hinweg und verkürzt die Sequenz im Vergleich zu…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Dokument beschreibt ein CME-Futures-Experiment mit TabM, einem parametereffizienten neuronalen Ensemble, anhand derselben konstruierten Merkmalszeilen und Walk-Forward-Folds wie bei linearen Modellen und Gradient-Boosting-Modellen. TabM teilt die…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Das Dokument beschreibt eine Pipeline, die SEC 8-Meldungen in strukturierte Unternehmensereignisse umwandelt. Ein Sprachmodell extrahiert Ereignisbeziehungen; explizite Schema-Prüfungen validieren Entitätsnamen, Beziehungstypen, Kategorien und Daten. Durch…

EreignisgesteuertMaschinelles LernenStatistikMarktmikrostruktur
Machine Learning for Trading

Dieses Modul beschreibt die Migration eines Registers, nachdem eine Bibliothek die Nummerierung der Walk-Forward-Folds geändert hatte, während deren Datumsfenster und angepasste Werte unverändert blieben. Da Fold-IDs in Trainingsspezifikationen,…

BacktestingMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook beschreibt die Erstellung von Prognosen für den Holdout-Zeitraum einer US-Aktienstudie, nachdem eine Konfiguration anhand von Validierungs-Folds ausgewählt wurde. Es löst die ausgewählte Konfiguration auf, behält die Wahl des Checkpoints bei…

AktienMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook erklärt, wie verborgene Markow-Modelle unbeobachtete Marktphasen anhand von Renditen und jüngster Volatilität erschließen. Zunächst werden einfache Vergleichsregeln festgelegt: ein Schwellenwert eines Volatilitätsindex für Stress und der Kurs…

Maschinelles LernenStatistikVolatilitätTechnische Indikatoren
Machine Learning for Trading

Das Notebook erläutert, wie Prognosemodelle für S&P-500-Optionen verglichen werden können, ohne dass unvollständige oder nicht übereinstimmende Evaluierungsstichproben die Ergebnisse verzerren. Es kennzeichnet jedes Modell anhand von Familie, Konfiguration…

OptionenMaschinelles LernenStatistikBacktesting
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 verwendet Double Machine Learning, um zu schätzen, ob ein Premium-z-Wert bei Perpetual Futures nach Bereinigung um sechs Vorbehandlungskontrollen mit der folgenden Acht-Stunden-Rendite zusammenhängt. Es vergleicht die Effekte in Phasen hoher…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook erläutert einen bedingten Autoencoder, der Aktienrenditen als merkmalsabhängige Faktorladungen modelliert, multipliziert mit latenten Faktoren. Zunächst schätzt es mit einer gemeinsamen querschnittlichen Kleinste-Quadrate-Anpassung die…

AktienFaktorinvestierenMaschinelles LernenPortfolio-Konstruktion
Machine Learning for Trading

Die fraktionale Differenzierung wendet eine nichtganzzahlige Potenz des verzögerten Differenzenoperators auf logarithmierte Kurse an. Ihre Binomialgewichte klingen über frühere Beobachtungen hinweg ab, sodass das Ergebnis Kursänderungen mit einem Teil der…

StatistikTechnische IndikatorenMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook beschreibt ein LSTM-Modell, das Renditen anhand geordneter Zeitfenster von Aktienmerkmalen in einem US-Aktienpanel prognostiziert. Anders als ein flaches Tabellenmodell verarbeitet das LSTM die Sitzungen sequenziell und führt in jedem Fenster…

Maschinelles LernenAktienUS-MärkteBacktesting
Machine Learning for Trading

Dieses Notebook stellt TimeGAN vor, ein rekurrentes generatives adversariales Modell zur Erzeugung synthetischer Finanzzeitreihen. Seine fünf Module lernen eine Einbettung und Rekonstruktion, prognostizieren aufeinanderfolgende latente Zustände, erzeugen…

Maschinelles LernenAktienStatistikBacktesting
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 Notebook stellt einen überwachten Autoencoder zur Prognose zukünftiger ETF-Renditen vor. Das Netzwerk komprimiert die Merkmalszeile eines Fonds in eine niedrigdimensionale Darstellung und prognostiziert Renditen direkt daraus. Anders als bedingte…

Maschinelles LernenAktienStatistikBacktesting
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

Diese Analyse vergleicht Triage-Protokolle für Merkmale aus neun Trading-Fallstudien. Sie unterscheidet die Signifikanz der False Discovery Rate nach Benjamini-Hochberg von einem zweiten Weg zur Entscheidung PROCEED, der eine fallspezifische…

StatistikMaschinelles LernenBacktestingFaktorinvestieren
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

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
arXiv papers

Diese Arbeit untersucht, ob Trading-Signale aus Twitter-Beiträgen von Krypto-Influencern und Nachrichtenmedien mit Marktpreisen zusammenhängen. Große Sprachmodelle erkennen Kauf- und Nicht-Kauf-Signale in Beiträgen, die anschließend mit den Preisen von neun…

KryptoMarktstimmungMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook stimmt drei Transformer-Checkpoints für die dreiklassige Klassifikation des Finanzsentiments in Sätzen fein ab und vergleicht Genauigkeit, Makro-F1, Konfusionsmatrizen, Parameteranzahl und Trainingszeit. Es verwendet eine geschichtete…

Maschinelles LernenStatistikMarktstimmungBacktesting
Machine Learning for Trading

Dieses Notebook erstellt Hauptkomponentenfaktoren aus einem Panel von CME-Futuresrenditen und nicht aus konstruierten Merkmalen wie Carry, Momentum oder Volatilität. PCA findet Richtungen, die die Variation über Produkte hinweg erklären; die erste kann einer…

FuturesFaktorinvestierenMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Dokument stellt zwei Ansätze mit latenten Faktoren für Futures-Renditen vor. Die Hauptkomponentenanalyse findet unkorrelierte Richtungen, die den größten Anteil der Renditevariation erklären, während ein neuronaler stochastischer Diskontfaktor…

FuturesMaschinelles LernenStatistikBacktesting