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

1,075 Dokumente

Machine Learning for Trading

Dieses Notebook verfolgt die ETF-Ranking-Signale von der Portfoliobildung bis zu einem vereinfachten Backtest. Ridge-Regression und logistische Klassifikation werden mit Walk-Forward-Aufteilungen trainiert und anschließend mit Momentum- und gleich…

AktienMaschinelles LernenBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook zeigt, wie sich Stop-Loss-, Take-Profit- und Trailing-Stop-Regeln für ein Momentum-Portfolio abstimmen lassen, während ein chronologisches Holdout erhalten bleibt. Es vergleicht eindimensionale Parametersuchen, gemeinsame Regelraster sowie…

RisikomanagementBacktestingPositionsgrößenbestimmungMomentum
Machine Learning for Trading

Diese Übersicht ordnet mehrere Trading-Fallstudien nach Anlageklasse, Umfang des Universums, Datenfrequenz, Entscheidungsrhythmus, Kostenregime und Auswertungsprotokoll. Sie liest die in jeder Studie angegebenen Rahmenbedingungen aus und stellt…

Multi-AssetBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

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…

StatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook zeigt, wie ein Korrelationsnetzwerk aus einem Schätzfenster ein Aktienuniversum beschreiben und zum Aufbau eines netzwerkdiversifizierten Portfolios dienen kann. Es wählt liquide Symbole ausschließlich anhand von Daten aus, die vor der…

AktienPortfolio-KonstruktionStatistikRisikomanagement
Machine Learning for Trading

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…

Maschinelles LernenPortfolio-KonstruktionBacktestingRisikomanagement
Machine Learning for Trading

Diese explorative Analyse untersucht das ältere Quandl-WIKI-US-Aktienpanel mit Blick auf Kurskonventionen, Datenabdeckung und darauf, welche Backtests sich mit der Historie durchführen lassen. Sie unterscheidet Rohkurse, die gehandelte Kursniveaus…

AktienUS-MärkteStatistikBacktesting
Machine Learning for Trading

Dieses Notebook untersucht, wie sich Transaktionskosten auf eine feste CME-Futureskonfiguration auswirken, die an anderer Stelle im Forschungsprozess ausgewählt wurde. Es wendet ein Raster von Gesamtkosten an, wobei jede Stufe gleichmäßig auf Kommissionen…

FuturesBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook behandelt die Sharpe Ratio als Schätzwert mit Stichprobenunsicherheit. Es entwickelt Konfidenzintervalle und probabilistische Sharpe-Berechnungen, die Stichprobenlänge, Schiefe und Kurtosis berücksichtigen. Anschließend werden anhand der…

StatistikRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht PyPortfolioOpt, Riskfolio-Lib und skfolio. Dazu passt es Portfolioallokatoren auf einem gemeinsamen ETF-Renditepanel an und wertet ihre eingefrorenen Gewichte anhand späterer Beobachtungen aus. Es umfasst Mean-Risk-, Tail-Risk-,…

Portfolio-KonstruktionBacktestingRisikomanagementOrderausführung
Machine Learning for Trading

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…

AktienVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook entwickelt die Lösung von Almgren–Chriss für die Liquidation einer Position, bei der der Markteinfluss gegen das Risiko abgewogen wird, Preisbewegungen ausgesetzt zu bleiben. Es verwendet den Implementation Shortfall relativ zum…

OrderausführungMarktmikrostrukturRisikomanagementBacktesting
Machine Learning for Trading

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…

Maschinelles LernenStatistikBacktestingEreignisgesteuert
Machine Learning for Trading

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…

FuturesFaktorinvestierenMaschinelles LernenPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook erstellt aus registrierten NASDAQ-100-Mikrostruktur-Backtests eine Strategiebewertung, ohne Modelle zu trainieren oder Backtests erneut auszuführen. Es liest Kennzahlen und Provenienz aus der Registry, erstellt bei Bedarf abgeleitete…

AktienMarktmikrostrukturBacktestingStatistik
Machine Learning for Trading

Dieses Notebook wendet eine zuvor ausgewählte CME-Futures-Konfiguration auf Holdout-Prognosen an. Dabei nutzt es den festgelegten Allokator, den Rebalancing-Zeitplan, die Konzentrationsregeln und die Transaktionskostenannahmen. Der zentrale methodische Punkt…

FuturesBacktestingRisikomanagementStatistik
Machine Learning for Trading

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…

Maschinelles LernenBacktestingRisikomanagementAktien
Machine Learning for Trading

Dieses Notebook beschreibt, wie eine Konfiguration für eine CME-Futures-Fallstudie anhand registrierter Validierungs-Backtests ausgewählt wird. Kandidaten aus den Stufen für Signal, Allokation und Risikomanagement werden zusammengeführt; anschließend wird…

FuturesBacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook setzt eine monatliche ETF-Momentum- und Zinskurven-Regimestrategie auf zwei Arten um: mit vektorisierter Renditeberechnung und einer sequenziellen Kontosimulation. Beide verwenden dieselben Zielgewichte, Anlagen, Daten und gesamten…

AktienMomentumBacktestingOrderausführung
Machine Learning for Trading

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…

BacktestingRisikomanagementMaschinelles LernenStatistik
Machine Learning for Trading

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…

Maschinelles LernenAktienHochfrequenzhandelBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Volatilitätsmessungen, schätzt ein heterogenes autoregressives (HAR)-Modell und misst Rauigkeit anhand von Hurst-Exponenten. Zunächst werden die realisierte Intraday-Varianz und tägliche Schätzer gegenübergestellt. Dabei werden…

VolatilitätStatistikTechnische IndikatorenBacktesting