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
Das Dokument stellt QTMRL vor, einen Reinforcement-Learning-Agenten, der mithilfe technischer Indikatoren Handelsentscheidungen für Aktien trifft. Sein Eingabedatensatz kombiniert tägliche Preis- und Volumendaten repräsentativer S&P-500-Aktien aus…
Der Artikel stellt Gauß-Prozesse (GPs) und Bayes’sche Optimierung vor. Er erläutert, wie GP-Regression das Bayes’sche maschinelle Lernen unterstützt und wie dessen Hyperparameter ausgewählt werden müssen. Die Bayes’sche Optimierung verwendet ein…
Die Arbeit schlägt ein Verfahren zur Auswahl von Strategien namens DNN-Forwardtesting vor. Statt eine Handelsstrategie allein anhand ihrer Ergebnisse mit historischen Kursen auszuwählen, prognostiziert das Verfahren zunächst einen möglichen künftigen…
Die Studie stellt eine unüberwachte Methode zur Analyse von Kurssprüngen bei Aktien anhand von Darstellungen aus Wavelet-Koeffizienten vor. Sie soll Sprungmuster unterscheiden, die mit der internen Dynamik eines Systems verbunden sind, von solchen, die auf…
Die Arbeit stellt Deep Momentum Networks vor, die Deep Learning mit dem Volatilitätsskalierungsrahmen des Zeitreihenmomentums verbinden. Ein neuronales Netz lernt Trendschätzungen und Positionsgrößen gemeinsam; seine Parameter werden so trainiert, dass die…
Diese Studie untersucht, ob Zeitpunkt und Inhalt von Diskussionen über Kryptowährungen in sozialen Medien mit dem späteren Kursverhalten zusammenhängen. Sie wendet dynamische Themenmodellierung auf die Kommunikation in sozialen Mediengemeinschaften an und…
Diese Arbeit schlägt eine zweistufige Methode vor, um statistische Arbitragemöglichkeiten bei Optionen zu identifizieren und zu handeln. Zunächst definiert sie ein Prognoseziel, das reine Arbitrage mithilfe synthetischer Anleihen isolieren soll. Anschließend…
Diese Studie stellt einen modellfreien Rahmen für bestärkendes Lernen bei statistischer Arbitrage zwischen Aktienpaaren vor. Zunächst wird ein mean-revertierender Spread konstruiert, indem die Asset-Koeffizienten so gewählt werden, dass ein empirisches Maß…
Dieses Dokument beschreibt CREDIT, einen Reinforcement-Learning-Ansatz für Pair Trading mit einer bidirektionalen Gated Recurrent Unit und zeitlicher Aufmerksamkeit. Die Architektur soll zeitliche Zusammenhänge in den Kursbewegungen zweier Vermögenswerte…
Die Arbeit schlägt Mid-LSTM vor, ein Deep-Learning-Modell, das Aktienkurse über einen mittelfristigen Horizont unter Berücksichtigung von Marktanomalien prognostizieren soll. Es bildet Markttrends als verborgene Zustände ab. Der beschriebene Ansatz…
Die Arbeit beschreibt einen Deep-Learning-Ansatz zur Portfolioauswahl bei Aktien aus US. Das Residualnetz mit Regimewechsel nutzt ein Modul zur Erkennung der Marktbedingungen und ein weiteres für Momentum- und Umkehrprognosen; bei Regimewechseln schaltet es…
Diese Studie modelliert Bitcoins realisierte Volatilität mit einem parametrisierten Quantenschaltkreis und untersucht, ob die erzeugte Zeitreihe statistische Merkmale aus Marktdaten widerspiegelt. Aus Fünf-Minuten-Bitcoinpreisen berechnen die Autoren die…
MacroHFT ist ein Reinforcement-Learning-Ansatz für den Handel mit Kryptowährungen auf Minutenbasis. Er behandelt zwei genannte Herausforderungen bestehender Methoden: Agenten können überanpassen und ihre Strategien nicht an den finanziellen Kontext anpassen;…
Diese Studie prognostiziert kurzfristige Richtungsänderungen eines Futures-Kontrakts anhand von Merkmalen aus der technischen Analyse, dem Orderflow und Orderbuchdaten. Sie trainiert ein TabNet-Deep-Learning-Modell auf Silber-Futures der Shanghai Futures…
Diese Studie schlägt eine Methode für Aktienportfolios vor, die auf der Prognose der Verteilung von Residualfaktoren beruht. Diese erfassen Informationen jenseits gemeinsamer Marktexposures und können dazu beitragen, solche Exposures abzusichern. Beschrieben…
Diese Studie prognostiziert Unternehmensausfälle mithilfe eines Reduced-Form-Modells, in dem die Ausfallintensitäten von Unternehmen von einem unbeobachteten Frailty-Faktor abhängen. Sie verbindet bayessche Schätzung mit Particle Markov Chain Monte Carlo und…
Die Studie untersucht, ob Trading- und Social-Media-Indikatoren die Klassifikation von Kursänderungen bei Kryptowährungen gegenüber technischen Indikatoren allein verbessern. Sie wertet stündliche und tägliche Bitcoin- und Ethereum-Daten von Januar 2017 bis…
E-TRENDS schlägt einen Prognoserahmen mit LSTM für tägliche Änderungen von Aktientrends vor. Im Mittelpunkt stehen die 30 größten Aktien des S&P 500; beschrieben wird eine Validierung über Marktzyklen von 2005 bis 2025. Statt das Trendniveau direkt…
Diese Studie untersucht Faktoren, die die Liquidität am Aktienmarkt beeinflussen, und konzentriert sich auf den Zusammenhang zwischen vorzeichenbehaftetem Orderflow und Preiseinfluss. Sie verknüpft theoretische Handels- und Liquiditätsmodelle nach Kyle mit…
Die Studie prüft, ob Mitteilungen der US-Notenbank zusätzliche nützliche Informationen für Prognosen zu Entscheidungen über den Federal Funds Rate liefern. Sie vergleicht Modelle, die ausschließlich Wirtschaftsindikatoren, ausschließlich Textmerkmale oder…
Diese Studie nutzt einen Rahmen mit heterogenen Agenten, um zu untersuchen, wie Trendfolgen und fundamentale Bewertung an Finanzmärkten nebeneinander bestehen können. Sie erweitert das Chiarella-Modell um Noise-Trader und eine nichtlineare Nachfrageantwort…
Diese Studie untersucht, ob ein großes Sprachmodell Unternehmensnachrichten nutzen kann, um eine Momentum-Querschnittsstrategie zu verfeinern. Sie kombiniert tägliche Renditen der S&P-500-Bestandteile mit hochfrequenten Nachrichten und fordert ChatGPT dann…
Dieses Paper behandelt Online-Konvexoptimierung mit Gedächtnis, bei der jeder Verlust sowohl von der aktuellen als auch von früheren Entscheidungen abhängt. Eine solche Abhängigkeit kann Situationen modellieren, in denen vergangene Aktionen aktuelle…
WebCryptoAgent ist ein Rahmen für kurzfristiges Kryptowährungs-Trading, der Webinhalte, soziale Stimmung und OHLCV-Marktdaten verbindet. Spezialisierte Agenten analysieren die jeweiligen Informationsquellen und führen ihre Bewertungen anschließend in einem…