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 Arbeit stellt einen risikobeschränkten Ansatz zur Portfoliooptimierung für virtuelle Gebote an US-Großhandelsstrommärkten vor. Sie prognostiziert stundenübergreifende Spreads der lokalen Grenzpreise mit einem rekurrenten neuronalen Netz und nutzt dabei…
Das Dokument stellt einen praktischen Ansatz mit Deep Reinforcement Learning für den Handel mit Erdgas-Futures vor. Es berichtet, dass die Sharpe-Ratio der Strategie Trendfolge- und Mean-Reversion-Benchmarks sowie Ergebnisse früherer Literatur übertrifft.…
Das Dokument beschreibt ein tiefes LSTM-Modell und eine Handelsstrategie für vier US-Aktienindizes. Statt allein danach zu handeln, ob das Modell einen Anstieg oder Rückgang prognostiziert, nutzt die Strategie die Position jeder prognostizierten Rendite…
Das Dokument beschreibt einen Long-only-USD/TWD-Trading-Agenten, der Prognosen kurzfristiger Trends mit Quantum Long Short-Term Memory (QLSTM) und Quantum Asynchronous Advantage Actor-Critic (QA3C) kombiniert. Sein Zustand nutzt QLSTM-Merkmale und technische…
Diese Studie untersucht, wann Markttexte befolgt und wann sie gegenläufig interpretiert werden sollten. Sie unterscheidet zwischen Aussagen von Institutionen (Say), deren Wiederholung in den Medien (Echo) und der offengelegten Positionierung von…
Dieses Dokument schlägt Characteristic Vector Linkages als Näherung für Beziehungen zwischen Unternehmen vor. Es schätzt Verbindungen anhand von Merkmalen: zunächst durch Messung der euklidischen Ähnlichkeit, anschließend durch Quantum Cognition Machine…
Dieses Dokument stellt einen Online-Lernansatz für statistische Arbitrage vor. Es grenzt den Ansatz von bekannten Strategien auf Basis von Mittelwertreversionsmodellen ab, deren Verfahren auf Annahmen beruhen, die bei allgemeinen nichtstationären…
DeepTrust ist ein Rahmenwerk, um Informationen zu finden und zu bewerten, die extreme Aktienkursbewegungen erklären könnten. Der Ablauf umfasst drei Teile: maschinelles Lernen zur Erkennung auffälliger Bewegungen anhand historischer Preise, die Suche nach…
Diese Arbeit beschreibt eine dynamische Strategie, die ein Portfolio vor Extremverlusten schützen und zugleich die Teilnahme an Haussephasen ermöglichen soll. Sie legt einen maximalen Zielwert für den Value at Risk fest und verwendet Klassifikatoren, um die…
Diese Arbeit stellt einen Rahmen für bestärkendes Lernen bei Entscheidungsproblemen mit Risikozielen vor, die durch konvexe Bewertungsfunktionen ausgedrückt werden. Der Rahmen kann unter anderem Varianz, Expected Shortfall und entropischen Value at Risk…
Die Arbeit untersucht, ob Momentum-Informationen eines Futures-Marktes das Momentum in anderen Märkten vorhersagen können. Dazu erstellt sie aus preisabhängigen Momentum-Merkmalen ein Netzwerk über 64 kontinuierlich gehandelte Kontrakte aus Rohstoffen,…
Diese Studie wendet Twin Delayed Deep Deterministic Policy Gradient (TD3), eine Reinforcement-Learning-Methode mit kontinuierlichen Aktionen, auf tägliche Schlusskurse der Amazon-Aktie und von Bitcoin an. Die Handelsaktion bildet sowohl die einzunehmende…
Diese Studie schlägt eine von der statistischen Physik inspirierte Methode vor, um Preisvolatilität und erwartete Renditen anhand von Orderbuchdaten der Stufe 3 zu prognostizieren. Sie stellt Orders als Elemente eines physikalischen Systems dar und definiert…
Das Dokument stellt L2GMOM vor, ein Framework für Netzwerk-Momentum auf Basis von maschinellem Lernen. Netzwerk-Momentum nutzt Beziehungen zwischen Assets, um künftige Renditen besser vorherzusagen. Das vorgeschlagene Framework lernt das Finanznetzwerk und…
Diese Arbeit beschreibt ein modellfreies faltendes neuronales Netz, das historische Preise für eine Reihe von Assets als Eingabe erhält und Portfolio-Gewichte ausgibt. Es wird mittels Reinforcement Learning trainiert, wobei die kumulative Rendite als…
Die Arbeit entwickelt Modelle und Strategien für automatisierte Market Maker mit konstantem Produkt und konzentrierter Liquidität. Sie behandelt sowohl Liquiditätsnehmer, darunter große Orders und statistische Arbitrage, als auch Liquiditätsanbieter, die…
Das Paper entwickelt ein adaptives matrixvariates Markov-Chain-Monte-Carlo-Verfahren für bayessche kointegrierte Vektorautoregressionen. Es ersetzt das Griddy-Gibbs-Sampling durch einen automatisierten Adaptive-Metropolis-Ansatz, der die Posterior-Schätzung…
Das Paper untersucht, wie ein Trading Desk Orders für mehrere Kunden ausführen sollte, die dieselben Vermögenswerte handeln möchten, sich aber hinsichtlich Ordergröße, Anlagehorizont und Risikopräferenzen unterscheiden. Frühere Ausführungen können Kurse…
Diese Studie untersucht, ob Informationen über die Kurshistorie hinaus bei der Prognose der Bitcoin-Dollar-Volatilität helfen können. Das vorgeschlagene CoMForE-System kombiniert historische Handelsdaten mit der Stimmung in thematisch relevanten Tweets,…
Diese Studie beschreibt einen künstlichen Aktienmarkt mit mehreren Agenten, die anhand begrenzter Erinnerungen an vergangene Preise ihre Trades auswählen. Ihre Handelsstrategien verändern sich durch einen Selbstlernprozess. So lässt sich mit dem Modell…
Diese Arbeit untersucht, wie kostengünstige AI-Systeme, die komplexe Beziehungen annähern, beeinflussen könnten, wie Handelsstrategien Informationen in Kurse einfließen lassen. Sie beschreibt Markteffizienz anhand von Gleichgewichtskursprozessen und…
Dieses vorgeschlagene System nutzt Volatilitätsbeziehungen zwischen großen Aktien, um Trendsignale zu erzeugen. Zunächst untersucht es Kursdaten mit Korrelations- und Autokorrelationsanalysen, technischen Indikatoren, Hypothesentests, statistischen Modellen…
Das Dokument beschreibt einen durchgängigen Deep-Reinforcement-Learning-Ansatz für aktives Hochfrequenz-Aktien-Trading. Agenten nutzen Proximal Policy Optimization, um eine Einheit der Intel-Aktie zu handeln. Ihre Zustände beruhen auf unterschiedlichen…
Die Studie schlägt ein Rahmenwerk für den automatisierten Bitcoin-Hochfrequenzhandel vor, das ein Preismodell mit Long Short-Term Memory (LSTM) und Proximal Policy Optimization (PPO) kombiniert. Dabei gelten Preise als Zustände des Agenten, Trades als…