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 vergleicht Brutto- und Netto-Sharpe-Ratios über Kostenraster von Strategie-Backtests aus Fallstudien hinweg. Für jede eingesetzte Strategiekonfiguration liest es angenommene Kosten pro Orderseite und Rebalancing-Rhythmus aus gespeicherten…

BacktestingRisikomanagementOrderausführungStatistik
Machine Learning for Trading

Dieses Notebook wandelt rollierende ETF-Renditefenster in Zweikanalbilder für ein faltendes neuronales Netz um. Das Gramian Angular Summation Field skaliert Werte innerhalb jedes Fensters neu, bildet sie auf Winkel ab und erfasst trigonometrische Beziehungen…

Maschinelles LernenStatistikAktienBacktesting
Machine Learning for Trading

Risk-Premium-PCA verändert die Kovarianzmatrix, indem ein gewichtetes äußeres Produkt des mittleren Renditevektors aus den Trainingsdaten hinzugefügt wird. Die führenden Eigenvektoren definieren statische Faktorportfolios: Bei Gewicht null ergibt sich die…

FaktorinvestierenStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook misst, wie sich die Validierungsperformance einer ausgewählten US-Unternehmensmerkmalsstrategie bei unterschiedlichen angenommenen Kommissionen und Slippage verändert. Es führt dieselbe Konfiguration über ein festgelegtes Kostenraster erneut…

AktienBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook beschreibt, wie nach der Auswahl einer Konfiguration anhand von Validierungsdaten Prognosen für einen unberührten Holdout-Zeitraum erstellt werden. Es löst die ausgewählte Konfiguration auf, erstellt ihre Trainingsspezifikation für den…

AktienMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine ausgewählte Konfiguration eines CME-Futures-Modells erstellt werden. Die Konfiguration wird anhand von Validierungsergebnissen ausgewählt und anschließend mit Daten neu angepasst, deren Zeitraum vor…

FuturesBacktestingMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine ausgewählte NASDAQ-100-Mikrostrukturkonfiguration erstellt werden, nachdem Modell und Strategie anhand von Validierungs-Folds ausgewählt wurden. Es rekonstruiert die ausgewählte…

AktienMarktmikrostrukturMaschinelles LernenBacktesting
Machine Learning for Trading

Dieser Leitfaden stellt die öffentlichen CFTC-Commitment-of-Traders-Berichte als Quelle wöchentlicher Positionsdaten zu Futures vor. Er unterscheidet den Bericht Traders in Financial Futures, der Teilnehmer wie Händler, Vermögensverwalter und gehebelte…

FuturesRohstoffeMarktstimmungBacktesting
Machine Learning for Trading

Dieses Python-Modul beschreibt Methoden, um die Unsicherheit von Strategie-Backtests anhand täglicher Renditen außerhalb der Stichprobe zu quantifizieren. Es kombiniert Intervalle aus einem stationären Block-Bootstrap für Renditestatistiken, einen um…

BacktestingStatistikRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook fasst registrierte Validierungsergebnisse für fünf Schätzer latenter Faktoren über mehrere Fallstudien hinweg zusammen. Zunächst zeigt es, für welche Panels Ergebnisse der einzelnen Schätzer vorliegen. Anschließend bestimmt es den führenden…

Maschinelles LernenStatistikFaktorinvestierenBacktesting
Machine Learning for Trading

Dieses Notebook demonstriert die Bewertung einzelner Faktoren anhand realer ETF-Daten und eines aus Kursen abgeleiteten Momentum-Beispiels. Es misst querschnittliche Spearman-Informationskoeffizienten gegenüber zukünftigen Renditen, vergleicht Horizonte und…

AktienMomentumStatistikBacktesting
Machine Learning for Trading

Dieses Notebook wählt eine Fallstudie zu CME-Futures aus registrierten Validierungs-Backtests zu Signalregeln, Allokation und Risiko-Overlays aus. Es vergleicht Kandidaten über beide Renditehorizonte hinweg und wählt die Konfiguration mit der höchsten Sharpe…

FuturesBacktestingRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook erläutert die Konstruktion von Labels für zukünftige Intraday-Renditen bei NASDAQ-100-Aktien anhand von Minutenbalken und NBBO-Quotes. Es definiert Renditen vom nächsten Balken nach einem Signal bis zu einem festgelegten späteren Zeitpunkt,…

AktienMarktmikrostrukturOrderausführungStatistik
Machine Learning for Trading

Diese Fallstudie vergleicht Gradient-Boosting-Modelle, die Renditen bis zum Verfall für Short Straddles am Geld prognostizieren. Sie variiert die Baumkapazität und drei Optimierungsziele: quadratischer Fehler, absoluter Fehler und Huber-Verlust. Die…

OptionenVolatilitätMaschinelles LernenBacktesting
Machine Learning for Trading

Das Dokument beschreibt einen operativen Ablauf, um tägliche Marktdaten aktuell zu halten: eine erste Historie laden, eine kleine überlappende Aktualisierung abrufen, fehlende Daten prüfen sowie Aktualität und Validierungsprobleme überwachen. Durch die…

AktienBacktestingStatistikRisikomanagement
Machine Learning for Trading

Das Dokument beschreibt, wie eine Futures-Studie zu CME Prognosen für einen Holdout-Zeitraum erstellt, nachdem eine Modellkonfiguration anhand von Validierungsdaten ausgewählt wurde. Die ausgewählte Konfiguration und der Checkpoint werden aus den…

FuturesBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook trainiert einen gepatchten Transformer, um in einer Aktien- und Optionsstudie zum S&P 500 ein primäres Label vorherzusagen. Es teilt das historische Eingabefenster jeder Aktie in zusammenhängende Patches auf und behandelt jeden Patch als…

AktienOptionenMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Konfiguration beschreibt eine Studie zum wöchentlichen Verkauf von Straddles am Geld für Bestandteile des S&P 500. Positionen werden am Freitag eröffnet und bis zum Verfall gehalten; tägliche Aktien-Hedges werden durch Änderungen des Options-Deltas…

OptionenVolatilitätRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook erläutert ein stochastisches Diskontfaktormodell für ETF, das eine einzige Gewichtsreihe an die Preisrenditen verschiedener Fonds anpasst. Anders als Modelle, die Fonds-Exposures und Faktorrenditen getrennt schätzen, trainiert es zwei Netze…

AktienStatistikMaschinelles LernenPortfolio-Konstruktion
arXiv papers

Das Paper stellt eine Nachweisarchitektur zur Bewertung von Abläufen in hybriden On-Chain-Finanzsystemen vor. Ein versiegeltes Manifest hält Systemidentitäten, Rollen, Schemata und Release-Informationen fest; sieben Nachweisebenen werden mit registrierten…

KryptoDeFiMarktmikrostrukturRisikomanagement
arXiv papers

MintEval bewertet, ob Sprachmodelle Handelsanweisungen in Code übersetzen, der sich wie die beabsichtigte Strategie verhält. Das Verfahren erstellt Referenzstrategien aus kombinierbaren Komponenten, formuliert sie in umgangssprachliche Anweisungen um und…

Maschinelles LernenBacktestingOrderausführungKrypto
arXiv papers

Diese Studie prüft, ob Proximal Policy Optimization die Handelsgeschwindigkeitsentscheidungen eines Brokers in einem zeitkontinuierlichen Broker-Trader-Spiel mit analytischer Lösung erlernen kann. Sie leitet eine diskrete Belohnung aus dem…

Maschinelles LernenOrderausführungMarktmikrostrukturBacktesting
arXiv papers

Das Dokument argumentiert, dass Finanzrenditen bei herkömmlichen Zeitreihenanalysen beinahe zufällig erscheinen können und dennoch Muster enthalten, die sich mit moderner multivariater Statistik erkennen lassen. Es beschreibt eine von Methoden der Kernphysik…

FuturesTrendfolgeVolatilitätStatistik