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

139 Dokumente

Machine Learning for Trading

Dieses Notebook entwickelt das Long-only-Markowitz-Framework mit vollständiger Investition, einschließlich zulässiger Portfolios, effizienter Grenze sowie Lösungen für maximale Sharpe Ratio und minimale Varianz. Es erläutert, wie die Portfoliovarianz von der…

Multi-AssetPortfolio-KonstruktionStatistikBacktesting
Machine Learning for Trading

Dieses Dokument stellt eine wiederverwendbare Diagnoseübersicht für Finanzdatensätze vor. Sie umfasst Indexintegrität, Duplikate, fehlende Werte, Ausreißer, Kalenderlücken und bereichsspezifische Anomalien. Geprüft werden Zeittypen, Reihenfolge und…

Multi-AssetStatistikRisikomanagementUS-Märkte
Machine Learning for Trading

Dieses Notebook stellt eine anlageklassenübergreifende Bestandsaufnahme entwickelter Finanzmerkmale aus neun Anlageklassen vor. Es zählt Merkmale und namensbasierte Gruppen in jedem verfügbaren Merkmals-Panel, vergleicht die Größen der Merkmalsräume und…

Multi-AssetStatistikFaktorinvestieren
Machine Learning for Trading

Dieses Notebook vergleicht Gleichgewichtung, inverse Volatilität, Minimum-Varianz und hierarchische Risikoparität mit demselben ETF-Universum, denselben Prognosen, demselben Umschichtungsplan und demselben Backtestverfahren. Ein rollierendes Ridge-Modell…

Portfolio-KonstruktionBacktestingRisikomanagementMaschinelles Lernen
Machine Learning for Trading

Das Notebook erläutert den Value at Risk (VaR), der ein Verlustquantil markiert, und den Conditional Value at Risk (CVaR), der die Verluste jenseits dieser Schwelle mittelt. Anhand täglicher ETF-Renditen vergleicht es historische, gaußsche,…

RisikomanagementVolatilitätBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook erweitert eine Merkmalsbewertung für ETF von einem einzelnen Renditehorizont auf eine Untersuchung von zehn Merkmalen und drei Horizonten und korrigiert für Mehrfachtests. Anschließend wendet es mechanismusbasierte Diagnosen auf Momentum mit…

Multi-AssetMomentumRückkehr zum MittelwertStatistik
Machine Learning for Trading

Dieses Notebook erläutert die hierarchische Risikoparität (HRP), eine Portfolioaufbaumethode, die die Empfindlichkeit gegenüber verrauschten Kovarianzschätzungen begrenzen soll. Es beschreibt drei Schritte: Vermögenswerte anhand ihrer Korrelationsdistanz…

Portfolio-KonstruktionRisikomanagementBacktestingMulti-Asset
Machine Learning for Trading

Dieses Notebook bewertet registrierte ETF-Backtests entlang der Strategiepipeline, von Signalen und Allokation bis zu Kosten und Risikoüberlagerungen. Es liest bestehende Prognosen und Backtests aus, statt Modelle anzupassen oder neue Backtests hinzuzufügen,…

Multi-AssetAktienPortfolio-KonstruktionBacktesting
Machine Learning for Trading

Dieses Notebook passt Diffusion-TS an, um synthetische tägliche ETF-Renditereihen zu erzeugen. Der Denoiser prognostiziert die ursprüngliche Reihe und zerlegt diese Prognose in einen polynomialen Trend, ausgewählte Fourier-Komponenten und einen Rest. Eine…

Maschinelles LernenVolatilitätStatistikMulti-Asset
Machine Learning for Trading

Dieses Feature-Engineering-Modul bereitet tägliche Kursdaten für systematische Makro-Portfoliomodelle auf. Es erstellt Renditen über verschiedene Zeithorizonte, skaliert mit der geschätzten Volatilität, mehrere MACD-Signale über verschiedene Skalen und…

Multi-AssetMomentumTrendfolgeVolatilität
Machine Learning for Trading

Das Dokument erläutert zwei Verfahren zur Schätzung von Geld-Brief-Spreads, wenn nur tägliche OHLCV-Daten verfügbar sind. Corwin-Schultz vergleicht Hoch-Tief-Spannen über benachbarte Ein- und Zwei-Tages-Intervalle und nutzt das unterschiedliche Verhalten von…

MarktmikrostrukturStatistikOrderausführungVolatilität
Machine Learning for Trading

Dieses Kapitel gibt einen Überblick darüber, wie sich angepasste statistische Verfahren in Merkmale für Handelsmodelle umwandeln lassen. Es behandelt Diagnostik und Stationarität, Strukturbrüche, fraktionale Differenzierung, Kalman-Filterung, Spektral- und…

StatistikVolatilitätMaschinelles LernenRisikomanagement
Machine Learning for Trading

Diese Konfiguration legt einen historischen makroökonomischen Datensatz von FRED für die Regimefilterung und die Analyse über Anlageklassen hinweg fest. Sie ordnet Zeitreihen nach täglicher, wöchentlicher, monatlicher und vierteljährlicher Frequenz, darunter…

Multi-AssetFestverzinsliche WertpapiereVolatilitätStatistik
Machine Learning for Trading

Dieses Dokument beschreibt einen Arbeitsablauf, der FRED-Treasury-Renditen und Wirtschaftsindikatoren sammelt, Reihen mit unterschiedlichen Meldefrequenzen an einen Tageskalender anpasst und den resultierenden Datensatz lädt oder filtert. Zu den Indikatoren…

Festverzinsliche WertpapiereMulti-AssetRisikomanagementStatistik
Machine Learning for Trading

Diese Konfiguration legt ein Experiment zur Rangfolge und Neugewichtung eines ausschließlich long ausgerichteten ETF-Universums fest. Sie definiert ein breites Universum aus 100 bis ETF ETFs mit Engagements in Aktien, Anleihen, Rohstoffen und verschiedenen…

AktienMulti-AssetBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook erklärt, wie ein bereitgestelltes Panel wirtschaftlicher Zeitreihen von FRED untersucht und dessen Tageskalender, Metadaten und abgeleitete Spalten interpretiert werden. Da das Panel auf einen täglichen Kalender abgeflacht wurde, lassen…

Multi-AssetFestverzinsliche WertpapiereVolatilitätStatistik
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

Dieser Datensatzleitfaden beschreibt einen Ablauf zum Abruf von FRED-Zeitreihen, zur Zuordnung der Beobachtungen zu einem Tageskalender und zum Laden ausgewählter Indikatoren für die Analyse. Zu den Beispielen gehören Treasury-Renditen, der Spread zwischen…

Festverzinsliche WertpapiereStatistikRisikomanagementMulti-Asset
Machine Learning for Trading

Dieses Notebook stellt einen Ablauf zur Beschaffung und Pflege von Finanzzeitreihen mit einer einheitlichen Verwaltung, vordefinierten oder benutzerdefinierten Symboluniversen und partitionierter Parquet-Speicherung vor. Es behandelt den Abruf einzelner und…

Multi-AssetAktienBacktestingOrderausführung
Machine Learning for Trading

Diese explorative Analyse prüft, ob ein Momentum-Signal über zwölf Monate, bei dem der jüngste Monat ausgelassen wird, mit den Renditen des Folgemonats in einem Universum von 100-ETF zusammenhängt. Sie erstellt anhand bereinigter Schlusskurse ein monatliches…

Multi-AssetMomentumStatistikBacktesting
Machine Learning for Trading

Dieses Modul definiert eine monatliche ETF-Allokationsbaseline anhand eines risikoadjustierten Momentum-Scores: der kumulierten Rendite des Rückblickzeitraums geteilt durch die annualisierte realisierte Volatilität. Überschreitet die Steigung der Zinskurve…

AktienMulti-AssetMomentumVolatilität
Machine Learning for Trading

Dieses Notebook vergleicht lineare Modelle mit ETF-Merkmalen, die aus überlappenden Renditefenstern und verwandten Momentum-, Volatilitäts- und Oszillatormessungen abgeleitet werden. Solche Prädiktoren sind kollinear, wodurch die Koeffizienten der…

Multi-AssetMaschinelles LernenStatistikBacktesting