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 Notebook erstellt Kennzahlen zur Markt-Mikrostruktur aus NASDAQ ITCH-Handelsdaten, fasst Trades zu Intraday-Bars zusammen und unterscheidet Liquiditäts-Proxys von Orderflow-Signalen und dem Zustand des Orderbuchs. Vor der Aggregation werden einzelne…

AktienMarktmikrostrukturHochfrequenzhandelStatistik
Machine Learning for Trading

Diese Demo skizziert einen durchgehend laufenden Krypto-Handelsablauf, der mit dem USD-Spotmarkt von Alpaca verbunden ist. Sie ordnet ein Anlageuniversum aus einer Perpetual-Futures-Fallstudie den vom Handelsplatz unterstützten Spot-Paaren zu und macht…

KryptoSpotmärktePerpetual FuturesMomentum
Machine Learning for Trading

Dieses Notebook schätzt, wie stark ein gleich gewichtetes Portfolio überlebender US-Aktien die Renditen gegenüber einem Portfolio überzeichnen kann, das auch Unternehmen enthält, die aus dem Datensatz ausgeschieden sind. Zunächst wird untersucht, wann das…

AktienUS-MärkteBacktestingStatistik
Machine Learning for Trading

Dieses Notebook zeigt das Monitoring von Kovariaten-Drift bei ETF-Momentum-Features und Merkmalen von Krypto-Perpetual-Futures in unterschiedlichen Marktphasen. Es vergleicht den Population Stability Index, der Veränderungen einzelner Feature-Verteilungen…

Maschinelles LernenStatistikRisikomanagementKrypto
Machine Learning for Trading

Dieses Notebook untersucht, wie sich Transaktionskosten auf eine häufig rebalancierte NASDAQ-100-Strategie auswirken. Zunächst werden Kostenannahmen in Basispunkten auf bestehende Backtests ohne Kosten angewendet, um zu zeigen, wie sich die Sharpe Ratio mit…

AktienOrderausführungMarktmikrostrukturBacktesting
Machine Learning for Trading

Dieses Notebook erklärt die instrumentierte Hauptkomponentenanalyse als Methode, latente Faktorladungen von beobachtbaren Aktienmerkmalen abhängig zu machen, statt jeder Aktie eine feste Ladung zuzuweisen. Eine gemeinsame Abbildung von Merkmalen auf…

AktienMaschinelles LernenStatistikFaktorinvestieren
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 Notebook wandelt Modellrankings in einfache Krypto-Perpetual-Futures-Portfolios um, damit spätere Experimente die Auswirkungen veränderter Positionsgrößen, Kosten oder Risikokontrollen messen können. Es nutzt Einstiegsregeln wie die Auswahl der…

KryptoPerpetual FuturesBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook zeigt, wie StopLoss-, TakeProfit- und TrailingStop-Regeln für ein Momentum-Portfolio abgestimmt werden, wobei Kalibrierung und Evaluierung chronologisch getrennt bleiben. Es testet einzelne Regelbreiten und gemeinsame Kombinationen anhand von…

AktienRisikomanagementBacktestingMomentum
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 Dokument zeigt, wie sich eine fünftägige ETF-Momentumstrategie über eine gemeinsame Strategieschnittstelle mit Alpaca verbinden lässt. Die Strategie verfolgt Momentum bei SPY, QQQ und IWM und erzeugt Signale, wenn ein Schwellenwert überschritten wird.…

AktienMomentumOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Dokument stellt eine Familie von Modellen für Unternehmensrenditen vor, die annimmt, dass eine kleine Zahl unbeobachteter gemeinsamer Faktoren einen großen Teil des Querschnitts erklärt. Statt Renditen direkt anhand von Merkmalen vorherzusagen, leiten…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Dokument erläutert, wie Wavelet-Zerlegungen und rollierende Spektralschätzungen Finanzrenditen auf verschiedenen Zeitskalen beschreiben. Wavelets zerlegen Renditen in Komponenten mit zunehmend längeren Perioden, sodass sich erkennen lässt, welche…

AktienStatistikVolatilitätTechnische Indikatoren
Machine Learning for Trading

Dieses Dokument vergleicht alternative Methoden zur Positionsgrößenbestimmung für CME-Futures-Strategien, die anhand einer nach gleich gewichteter Validierungs-Sharpe-Ratio geordneten Baseline ausgewählt wurden. Bei gleicher Gewichtung wird jedes ausgewählte…

FuturesRohstoffePositionsgrößenbestimmungPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook macht aus Modellprognosesätzen vergleichbare Backtests für Optionen auf den S&P 500. An jedem wöchentlichen Entscheidungstermin ordnet es die prognostizierten Renditen, wählt die höchstplatzierten Symbole aus dem liquiden Anlageuniversum aus…

OptionenAktienBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook verwendet Double Machine Learning, um zu schätzen, ob Futures-Carry nach Anpassung um Volatilität, Momentum und den querschnittlichen Carry-Rang spätere Renditen beeinflusst. Es unterscheidet kausale Erklärung von Prognoseleistung: Ein…

FuturesCarryMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Dokument erläutert, wie ein bestehendes Modell und ein Kandidatenmodell vor einer Kapitalallokation in einer Shadow-Evaluierung verglichen werden. Rollen und Freigabeschwellen werden vorab festgelegt; anschließend wird der Kandidat anhand von fünf…

Maschinelles LernenStatistikRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook zeigt, wie Feast mit Parquet-Quellen, Entitäten, Feature-Views, Zeitstempeln und einer Time-to-Live-Regel konfiguriert wird. Anschließend ruft es Features für Trainingsbeispiele und eine Live-Abfrage zum jeweiligen Stichtag ab. Die Ausgabe…

Maschinelles LernenOrderausführungBacktestingStatistik
Machine Learning for Trading

Das Notebook stellt einen überwachten Autoencoder zur Modellierung von Aktienfaktoren vor. Anders als unüberwachte Autoencoder, die einen Engpass durch Rekonstruktion des Querschnitts erlernen, bezieht dieses Modell auch zukünftige Renditen in sein…

AktienMaschinelles LernenFaktorinvestierenStatistik
Machine Learning for Trading

Dieses explorative Notebook beschreibt Aufbau und Interpretation der vorab berechneten Felder in AlgoSeek-NASDAQ-100-Minutenbalken. Es ordnet sie in Quotepreise und -größen, Handelspreise, Spreads, Volumen, Handelsort-Kategorien, Tick-Richtung, Kauf- und…

AktienMarktmikrostrukturOrderausführungUS-Märkte
Machine Learning for Trading

Das Notebook erklärt, wie sich kontinuierliche Preisbewegungen von Sprüngen in Intraday-Aktienrenditen trennen lassen. Es schätzt die tägliche realisierte Varianz anhand quadrierter Renditen und verwendet Bipower Variation als sprungrobuste Schätzung der…

AktienVolatilitätStatistikMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook wendet ein neuronales Modell stochastischer Diskontfaktoren auf CME-Futures an. In der Asset-Preisbildung ist ein stochastischer Diskontfaktor eine Zufallsvariable, deren Produkt mit der Rendite jedes Vermögenswerts unter Arbitragefreiheit…

FuturesMaschinelles LernenFaktorinvestierenBacktesting
Machine Learning for Trading

Das Dokument zeigt einen Broker-Wrapper, der Orders und den Portfoliostatus prüft, bevor er Trades weiterleitet. Zu den Kontrollen gehören Obergrenzen für Stückzahl und Wert je Order, Positionslimits, Orderratenlimits, Positiv- und Sperrlisten für…

RisikomanagementPositionsgrößenbestimmungOrderausführungBacktesting