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 misst, wie Ausführungskosten die bereits ausgewählte Konfiguration für Krypto-Perpetual-Futures beeinflussen. Modell, Checkpoint, Einstiegsregel, Allokation und Risikokontrolle bleiben unverändert; anschließend werden Backtests über ein…

KryptoPerpetual FuturesOrderausführungBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht lineare Modelle zur Prognose von ETF-Renditen anhand überlappender, aus Kursen abgeleiteter Merkmale. Da mehrere Renditehorizonte und Indikatorfamilien ähnliche Informationen codieren können, kann die gewöhnliche Methode der…

AktienMulti-AssetMaschinelles LernenStatistik
Machine Learning for Trading

Diese Konfiguration beschreibt monatliche Long-Short-Portfolios mit US-Aktien, die nach Unternehmensmerkmalen sortiert sind. Sie legt ein Universum vollständiger Fälle mit 46 Merkmalen, Entscheidungen zum Monatsende, Ausführung zur nächsten Eröffnung,…

AktienFaktorinvestierenMomentumBacktesting
Machine Learning for Trading

Dieses Notebook stellt ein Modell mit stochastischem Diskontfaktor zur Bewertung eines ETF-Querschnitts vor. Statt Fondsengagements und Faktorrenditen getrennt zu schätzen, trainiert es Netzwerke darauf, eine gemeinsame Diskontfaktorreihe zu finden, deren…

Maschinelles LernenFaktorinvestierenStatistikAktien
Machine Learning for Trading

Dieses Notebook wendet TabM, ein neuronales Ensemble mit gemeinsam genutzten Gewichten, auf ein Panel von Merkmalen für Krypto-Perpetual-Futures an. Die Mitglieder teilen sich ein neuronales Grundgerüst, haben jedoch eigene Skalierungsvektoren und…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook prüft Finanzmerkmale und modellbasierte Merkmale darauf, ob sie ETFs anhand nachfolgender Renditen in eine Rangfolge bringen können. Es berechnet für jedes Datum einen Information Coefficient, indem es die Querschnittsränge jedes Merkmals mit…

AktienStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook erstellt einen nachvollziehbaren Bericht für eine reine Bitcoin-Long-Strategie, deren Ein- und Ausstieg anhand von RSI-Schwellenwerten erfolgt. Es vergleicht Brutto- und Nettoergebnisse und misst anschließend die Leistung gegenüber einer…

KryptoRückkehr zum MittelwertTechnische IndikatorenBacktesting
Machine Learning for Trading

Dieses Notebook untersucht gezielt, ob eine gelernte Sequenzdarstellung von Perpetual-Funding-Merkmalen handgefertigte Zusammenfassungen der Prämie verbessert, also des Abstands zwischen Perpetual- und Spotpreisen. Es vergleicht NLinear, das Änderungen…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Konfiguration beschreibt eine tägliche Long-Short-US-Aktienstrategie, die ein breites Aktienuniversum anhand von Modellprognosen sortiert, das oberste Dezil kauft und das unterste Dezil mit gleichen Gewichten innerhalb der jeweiligen Gruppe…

AktienUS-MärktePortfolio-KonstruktionOrderausführung
Machine Learning for Trading

Dieses Notebook bewertet potenzielle Merkmale für 20 Währungspaare einzeln anhand zukünftiger Renditen. Es beschränkt die Analyse auf Walk-Forward-Validierungszeiträume, kennzeichnet jede Sitzung mit ihrem Fold und lässt vor dem Holdout eine Pufferlücke,…

DevisenhandelStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook wandelt Modellranglisten in einfache Krypto-Perpetual-Portfolios um. Zu jedem Funding-Zeitpunkt wählt eine Einstiegsregel Kontrakte am oberen oder unteren Ende der Rangliste aus und gewichtet sie gleich. Die Gleichgewichtung dient als…

KryptoPerpetual FuturesBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook misst, wie sich die Sharpe-Kennzahl der Validierung für S&P-500-Optionsstraddles am Geld bei angenommenen Ausführungskosten und zwei Optionsuniversen verändert. Es gibt die Spread-Kosten als Anteil des notierten halben Optionsspreads an, da…

OptionenUS-MärkteBacktestingOrderausführung
Machine Learning for Trading

Dieses Modul beschreibt eine gemeinsame Methode zur Vorbereitung von Walk-Forward-Trainings- und Validierungsfolds für mehrere Modellfamilien. Es trennt aufwendige, modellunabhängige Arbeit – das Zuschneiden von Zeitfenstern, das Anwenden foldspezifischer…

Maschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook bewertet LSTM- und NLinear-Sequenzmodelle für Futures-Prognosen. Anders als Modelle mit einer Merkmalszeile je Entscheidungszeitpunkt verarbeiten Sequenzmodelle geordnete Fenster vergangener Beobachtungen und können dadurch möglicherweise…

FuturesMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht Validierungsprognosen mehrerer Modellfamilien für die Funding-Forschung zu Perpetual Futures. Es erläutert, dass der Information Coefficient den Rangzusammenhang zwischen Prognosen und nachfolgenden Renditen misst, AUC die…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Diese Implementierung beschreibt, wie sich gebündelte Sequenzfenster für Paneldaten in Deep-Learning-Studien erstellen lassen. Die Fenster folgen dem erwarteten Kalender des Panels, statt die Beobachtungen jedes Vermögenswerts zu lückenlosen Zeilen…

Maschinelles LernenStatistikBacktestingKrypto
Machine Learning for Trading

Dieses Notebook stellt praktische Bereinigungsmethoden für Markt- und Unternehmensdaten vor, darunter den Umgang mit Duplikaten, Kennzeichnungen für Datenlücken, Domänenfilter, die Erkennung von Spitzen durch Richtungswechsel, das Begrenzen von Ausreißern,…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook erklärt, wie sich bewerten lässt, ob Strategien auf einem US-Aktienpanel Trading-Kosten standhalten. Es fixiert anhand der Validierungs-Sharpe eine Konfiguration pro Label und bewertet dann dieselbe Strategie zu festgelegten Kostenniveaus…

AktienBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook passt Gradient-Boosting-Baummodelle an Optionsmarktmerkmale an, die Prognosen wie implizite Volatilität, Skew, Laufzeitenstruktur und Varianzrisikoprämie abbilden. Es vergleicht die Baumkapazität und die Wahl der Regressionsverlustfunktion…

OptionenMaschinelles LernenVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook verbindet die Positionsgrößenbestimmung mit der Analyse maximaler ungünstiger und günstiger Exkursionen. Es zeigt eine feste fraktionale Positionsgrößenbestimmung, bei der sich die Aktienanzahl aus dem Risikobudget des Portfolios und dem…

PositionsgrößenbestimmungRisikomanagementVolatilitätBacktesting
Machine Learning for Trading

Diese Fallstudie untersucht wöchentliche Long-Short-Strategien, die nach Carry sortiert werden, für ein diversifiziertes Universum von CME-Futures. Sie nutzt Tagesdaten, Walk-Forward-Modellbewertung und Kosten für Provisionen, Spreads und Roll-Slippage. Sie…

FuturesCarryMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht prädiktive, strukturelle und kausale Modellevidenz für eine querschnittliche S&P-500-Studie, die Aktienmerkmale mit aus Optionen abgeleiteten Größen wie impliziter Volatilität, Skew und Laufzeitenstruktur kombiniert. Es bewertet…

AktienOptionenMaschinelles LernenFaktorinvestieren
Machine Learning for Trading

Dieses Notebook zeigt, wie sich Bruttorenditen unter expliziten Annahmen zu Trading, Finanzierung und Fondskosten in eine Nettoperformance umrechnen lassen. Das Kostenmodell umfasst Spread und Marktauswirkung, Provisionen und Börsengebühren, Margin-Zinsen,…

AktienOrderausführungBacktestingRisikomanagement