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
Die Studie beschreibt einen Handelsansatz, der aus Finanznachrichten gewonnene Stimmungsdaten mit technischen Indikatoren und Zeitreihenprognosen kombiniert. Für die Stimmungsanalyse verwendet sie GPT-2 und FinBERT, verbindet die resultierenden Signale mit…
Diese Arbeit bewertet Verfahren zur Dimensionsreduktion, um den Zusammenhang zwischen Bitcoin und Ethereum zu untersuchen und Ethereum-Renditen vorherzusagen. Der Datensatz umfasst logarithmische Renditen und zusätzliche Kovariaten. Die Autoren beginnen mit…
Das Dokument stellt einen Hochfrequenz-Market-Making-Ansatz vor, der Marktdaten auf Tick-Ebene mit regelmäßigen Prognosesignalen kombiniert. Es setzt Deep Reinforcement Learning ein, um bei Market-Making-Entscheidungen sowohl schnelle Informationen auf…
Diese Studie betrachtet das Risiko von Kryptowährungen als Aufgabe der Volatilitätsprognose und wendet Modelle des maschinellen Lernens auf berechnete Risikomaße für zwanzig Bereiche des Kryptowährungsmarkts an. Sie vergleicht Convolutional Neural Networks,…
Diese Arbeit entwickelt ein autoregressives Modell, das tokenisierte Nachrichten für Limit-Orderbücher erzeugt, mit denen ein Simulator den Zustand des Orderbuchs aktualisiert. Die Architektur verwendet vereinfachte strukturierte Zustandsraumschichten, um…
Diese Studie wendet funktionale Hauptkomponentenanalyse (FPCA) an, um Funktionen untertägiger Bitcoin-Renditen vorherzusagen. Sie führt ein dynamisches Karhunen–Loève-Faktormodell als Verbindung zwischen funktionalen Beobachtungen und diskreter Zeitdynamik…
Der Artikel stellt XGB-Chiarella vor, ein Verfahren zur Kalibrierung eines erweiterten agentenbasierten Chiarella-Marktmodells, das Intraday-Kursverläufe reproduziert. Der simulierte Markt umfasst Fundamental-, Momentum- und Noise-Trader. Statt…
QuantNet ist eine Lernarchitektur für den Aufbau von Handelsstrategien über mehrere Aktienmärkte hinweg. Jeder Markt hat einen eigenen Encoder und Decoder: Der Encoder bildet lokale Marktdaten ab, ein gemeinsames globales Modell verarbeitet Informationen aus…
Das Paper modelliert hochfrequenten Auftragfluss als Quelle von Intraday-Preisänderungen und nutzt Sequence Generative Adversarial Networks, um synthetische Auftragssequenzen zu erzeugen. Mithilfe dieser Sequenzen simuliert es Preisverläufe und vergleicht…
Dieses Paper stellt Agent Market Arena vor, eine kontinuierliche Echtzeit-Benchmark zur Bewertung von Handelsagenten auf Basis großer Sprachmodelle an Kryptowährungs- und Aktienmärkten. Der Rahmen kombiniert verifizierte Handelsdaten mit von Experten…
Diese Studie untersucht koordinierte Pump-and-Dump-Aktivitäten bei Kryptowährungen. Dazu gehören eine Fallstudie und eine Analyse von Ereignissen, die innerhalb eines festgelegten Zeitraums über Telegram-Kanäle organisiert wurden. Sie sucht nach…
Dieses Paper beschreibt eine Folgestudie zur Prognose von Trends bei Aktienoptionen mithilfe von Machine Learning und zur Anwendung dieser Prognosen im Handel. Es untersucht rekurrente neuronale Netze und Long-Short-Term-Memory-Netze und bewertet…
Das Paper untersucht, ob Strategien auf Basis anderer Anlageklassen algorithmische Anlagestrategien auf den S&P 500 diversifizieren können. Es vergleicht Signale aus LSTM-Prognosen, ARIMA-GARCH-Prognosen, Momentum und Contrarian-Regeln. Zu den betrachteten…
Dieses Paper beschreibt einen experimentellen Rahmen, um zu prüfen, ob große Sprachmodelle nützliche Stimmungssignale aus chinesischen Finanznachrichten extrahieren können. Es wendet drei verschiedene Modelle auf zusammengefasste Unternehmensnachrichten an,…
Die Studie behandelt die Rangfolge von Vermögenswerten in systematischen Querschnittsportfolios. Sie argumentiert, dass einfache Heuristiken und Rangfolgen, die durch Sortieren von Vorhersagen herkömmlicher Regressions- oder Klassifikationsmodelle entstehen,…
Die Studie untersucht Reinforcement Learning für statistische Arbitrage im Hochfrequenzhandel. Sie beschreibt einen Agenten, der durch die Interaktion mit seiner Handelsumgebung lernt, und konzentriert sich auf Deep Q-Learning als Möglichkeit, Entscheidungen…
Dieses Dokument beschreibt ein Deep-Learning-Verfahren, das zeitvariable Beziehungen zwischen Vermögenswerten für den Paarhandel identifiziert. Multi-modal Temporal Relation Graph Learning kombiniert Zeitreihenbeobachtungen mit diskreten Merkmalen in einem…
Die Studie überträgt einen Pairs-Trading-Rahmen auf polnische Aktien. Dabei wird ein Vermögenswert mit einer Replikation aus Risikofaktoren verglichen, anstatt ihn mit einem zweiten, stark korrelierten Vermögenswert zu paaren. Die Faktoren werden mit…
Das Dokument beschreibt eine Methode zur Prognose von Aktienkursbewegungen, die Momentum-Übertragung zwischen börsennotierten Unternehmen erfassen soll. Sie erstellt einen Market Knowledge Graph mit zwei Entitätstypen – Unternehmen und deren Führungskräfte –…
Diese Arbeit schlägt RADAR vor, einen Retrieval-Augmented-Diffusionsrahmen, der Marktzustände für die Portfoliooptimierung im Rahmen des stochastischen Diskontfaktors repräsentiert. Ausgangspunkt ist, dass Märkte zwischen Regimen wechseln, Finanzdaten wie…
Diese Studie vergleicht dreizehn statistische und auf maschinellem Lernen basierende Modelle, um ungewöhnliche Beobachtungen in Bitcoin-Limit-Orderbuchdaten zu erkennen. Sie bewertet die Modelle in einem gemeinsamen Rahmen für die Erkennung von Anomalien in…
Tail-GAN ist ein datengestützter Szenariogenerator, der realistische gemeinsame Kursdynamiken für hochdimensionale Multi-Asset-Portfolios simulieren soll. Im Mittelpunkt stehen Verluste im Verteilungsschwanz. Das Verfahren nutzt die gemeinsame…
Die Arbeit wendet überwachtes maschinelles Lernen auf den Drift nach Gewinnmitteilungen (PEAD) an, eine Aktienanomalie, bei der sich Renditen nach Gewinnmeldungen weiter bewegen. Das Modell nutzt XGBoost und entwickelte fundamentale sowie technische Merkmale…
Diese Studie nutzt Deep Learning und eine hochfrequente Datenbank mit Kursnotierungen und Transaktionen von US-Aktien, um zu modellieren, wie Angebot und Nachfrage im Orderbuch mit späteren Kursänderungen zusammenhängen. Sie prüft anhand vergangener Preise…