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.
934 Dokumente
EverMine ist ein Rahmenwerk, mit dem geprüft wird, ob Forschungsagenten ihre Fähigkeiten bei der langfristigen Alpha-Suche durch wiederverwendbare Kompetenzen, Werkzeuge und Regeln verbessern. Es bildet den Forschungsstand anhand der Forschungshistorie, des…
Die Studie schlägt für ein Umfeld mit hohem Risiko eine Portfolioverwaltung auf Basis bestärkenden Lernens vor. Sie kombiniert Transaktionen auf der Kauf- und Verkaufsseite mit Kreditvergabe und -aufnahme, verwendet einen Gewinn-und-Verlust-Wert als…
Die Arbeit schlägt einen systematischen Anlageansatz vor, der über einen längeren Zeitraum Vermögen aufbauen soll, indem er eine Folge kurzfristiger Kaufentscheidungen für ETF trifft. Sie kombiniert evolutionäre Algorithmen mit einem Deep-Learning-Modell, um…
StockGPT behandelt tägliche Aktienrenditen als Folgen numerischer Tokens und trainiert ein autoregressives Modell, um künftige Renditen vorherzusagen. Der Aufmerksamkeitsmechanismus soll zeitliche Muster direkt aus Renditeverläufen lernen, sodass…
Das Dokument beschreibt eine empirische Methode zur Prognose von Optionspreisen, indem die Black-Scholes-Gleichung vorwärts in der Zeit gelöst wird. Da das Problem schlecht gestellt ist, verwendet die Methode Regularisierung; die Arbeit formuliert Sätze zu…
Dieses Dokument stellt räumlich-zeitliche Momentumstrategien vor, die die eigene Momentumhistorie eines Vermögenswerts mit seinem Momentum im Vergleich zu anderen Vermögenswerten verbinden. Der Ansatz verwendet neuronale Netze, um Handelssignale für ein…
Diese Studie modelliert Verträge dezentraler Kreditprotokolle als Optionen: Kreditnehmer treten als Optionskäufer und Kreditgeber als Verkäufer auf, während das Beleihungsverhältnis zur Bestimmung der Prämie beiträgt. Mithilfe der arbitragefreien…
Diese Arbeit prüft, ob tiefes bestärkendes Lernen in Umgebungen optimale Handelsstrategien finden kann, die sich einfach beschreiben lassen, mathematisch jedoch anspruchsvoll sind. Im Mittelpunkt steht Deep Deterministic Policy Gradient, eine Methode, die…
Das Dokument beschreibt eine datengestützte Methode zur Suche nach statistischen Arbitragestrategien, die bei Unsicherheit über das Marktmodell profitabel bleiben sollen. Es nutzt tiefe neuronale Netze, um viele Wertpapiere gemeinsam zu betrachten, ohne…
Das Dokument nutzt eine umfangreiche agentenbasierte Simulation, um zu untersuchen, welche Handelsstile sich in einem verrauschten Markt halten. Das Modell MAS-Utopia umfasst 10,000 Agenten aus fünf Archetypen und verwendet fünf Jahre Hochfrequenzdaten. In…
Die Arbeit untersucht, wie Steuern auf Kapitalgewinne und Steuervorteile aus realisierten Verlusten Aktienhandelsentscheidungen beeinflussen. Sie schlägt vor, in einer Reinforcement-Learning-Umgebung den durchschnittlichen steuerlichen Einstandswert zu…
CTBench ist ein Benchmark zur Bewertung synthetischer Kryptowährungszeitreihen. Anlass sind der fortlaufende Handel, die hohe Volatilität und die schnellen Regimewechsel des Marktes. Der Benchmark bündelt Daten von 452 Tokens und bewertet acht repräsentative…
Diese Arbeit untersucht optimalen Handel, wenn ein Signal einem mittelwertrückkehrenden Ornstein-Uhlenbeck-Prozess folgt, dessen Parameter sich je nach verborgenem Regime ändern. Sie kombiniert rekurrente neuronale Netze mit Reinforcement Learning, um aus…
Diese Studie modelliert ein Limit-Orderbuch, das ausschließlich mit autonomen Reinforcement-Learning-Händlern besetzt ist. Mithilfe einer mikroskopischen Matching-Engine untersucht sie, wie Interaktionen der Agenten den aggregierten Orderflow und die…
Das Dokument beschreibt CryptoTrade, einen Kryptowährungshandelsagenten auf Basis eines Large Language Models. Sein Ansatz verbindet On-Chain-Informationen, die die Autoren als transparent und unveränderlich charakterisieren, mit Off-Chain-Signalen wie…
Diese Studie untersucht, ob der Unterschied zwischen einer Deep-Hedging-Position und einer Delta-Hedging-Position statistische Arbitrage darstellen kann. Sie betrachtet eine frühere, unter Annahmen vollständiger Märkte hergeleitete Behauptung und fragt, ob…
DeepUnifiedMom ist ein Rahmen zur Portfoliozusammenstellung, der Momentum-Signale aus Zeitreihen über mehrere Anlagehorizonte hinweg kombiniert. Mithilfe von Multi-Task-Learning und einer Multi-Gate-Mixture-of-Experts-Architektur bildet er einheitliche…
Diese Arbeit untersucht optimales Trading, wenn ein statistisches Arbitragesignal aus verborgenen Faktoren stammt, die Kurse springen und diffundieren lassen. Auch die Aufträge des Händlers können notierte und tatsächlich erzielte Kurse beeinflussen. Das…
Diese Studie untersucht Intraday-Anomalien bei börsengehandelten Bitcoin- und Ethereum-Produkten an Xetra und Nasdaq Stockholm. Grundlage sind Ein-Minuten-Balken von Januar 2024 bis Dezember 2025. Als Benchmark werden extreme negative Renditen identifiziert,…
Das Dokument skizziert einen vorgeschlagenen Hochfrequenzhandelsalgorithmus für Aktien, der mithilfe neuronaler Netzwerkprognosen Kauf- und Verkaufssignale erzeugt. Es vergleicht drei Ansätze: logistische Regression, optimiert mit Kreuzentropieverlust und…
Der Rahmen behandelt die Zirkularität bei der Erzeugung synthetischer Optionen: Die implizite Volatilität wird üblicherweise aus beobachteten Optionspreisen abgeleitet, doch synthetische Preise benötigen einen Eingabewert für die implizite Volatilität.…
Die Studie untersucht, ob Nachrichten und Beiträge aus sozialen Medien Bitcoin- und Ethereum-Kursprognosen verbessern können, wenn sie mit Finanz- und Blockchain-Daten kombiniert werden. Sie vergleicht vortrainierte und feinabgestimmte Sprachmodelle mit…
Das Dokument stellt KBPT vor, eine Pair-Trading-Strategie, die einen Kalman-Filter, Signale der Bollinger-Bänder und ein auf der KalmanNet-Architektur basierendes neuronales Netz kombiniert. Herkömmliche Varianten modellieren die Beziehung zwischen zwei…
Das Dokument beschreibt einen End-to-End-Ansatz für maschinelles Lernen, der Marktdaten zu Optionen direkt in Handelssignale umwandelt. Anders als Ansätze, die Marktdynamiken vorgeben oder sich auf ein Optionspreismodell stützen, trainiert er Modelle darauf,…