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

2,471 Dokumente

Machine Learning for Trading

Dieses Notebook verwendet NASDAQ ITCH-Transaktionsdaten, um zu untersuchen, wie Volumen und Handelsaktivität während der regulären Sitzung variieren. Es fasst Transaktionen in Zeitbalken zusammen, vergleicht Preis und Volumen für beispielhafte Aktien mit…

AktienMarktmikrostrukturStatistikTechnische Indikatoren
Machine Learning for Trading

Dieses Notebook vergleicht Prognosemodelle, die NASDAQ-100-Aktien nach ihrer Rendite in den nächsten 15 Minuten ordnen, anhand von Intraday-Mikrostrukturinformationen wie Spreads, Ungleichgewichten in der Markttiefe, vorzeichenbehaftetem Volumen und…

AktienMaschinelles LernenStatistikMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook leitet die Kelly-Positionsgröße her, indem es bei einer binären Wette das erwartete logarithmische Vermögen maximiert. Anschließend veranschaulicht es, wie die Einsatzhöhe die Verteilung simulierter Vermögenspfade verändert. Der Ansatz wird…

PositionsgrößenbestimmungRisikomanagementPortfolio-KonstruktionStatistik
Machine Learning for Trading

Diese Evaluation prüft Merkmale aus Optionsoberflächen, preisbasierte Merkmale und bedingte Volatilitätsmerkmale anhand künftiger Aktienrenditen. Für jede Sitzung berechnet sie eine Querschnitts-Rangkorrelation zwischen Merkmalswerten und nachfolgenden…

AktienOptionenStatistikMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook bewertet eine zuvor ausgewählte ETF-Strategie in einem reservierten Holdout-Zeitraum. Es ruft die passenden Prognosen anhand ihrer Trainingsidentität und ihres Checkpoints ab, wendet die zuvor festgelegte Strategiespezifikation und…

BacktestingPortfolio-KonstruktionRisikomanagementPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Modul erläutert, wie historische S&P-500-Kurse aufbereitet werden, wenn Tickersymbole im Zeitverlauf für unterschiedliche Wertpapiere stehen können. Es wendet Anpassungsfaktoren für Kapitalmaßnahmen an, verfolgt Wertpapierkennungen und markiert…

AktienUS-MärkteBacktestingOrderausführung
Machine Learning for Trading

Dieses Hilfsprogramm beschreibt, wie eine Migration validiert wird, die Backtest-Kennungen ändert, ohne die zugrunde liegenden Berechnungen erneut auszuführen. Es durchsucht Datenbankschemata nach Spalten mit registrierten Adressen, einschließlich…

BacktestingStatistik
Machine Learning for Trading

Dieses Notebook erläutert instrumentierte Hauptkomponentenanalyse (IPCA) für ein Aktienpanel mit Optionsoberflächenmerkmalen. Anders als bei gewöhnlicher PCA, bei der die Exponierungen jeder Aktie anhand ihrer Renditehistorie geschätzt werden, modelliert…

AktienOptionenFaktorinvestierenMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook strukturiert fallstudienübergreifende Vergleiche von LightGBM-Modellen und nutzt lineare Modelle und TabM, sofern verfügbar, als Referenzfamilien. Es bewertet Konfigurationen mit unterschiedlichen Baumgrößen, Regressionsverlusten, Checkpoints…

Maschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt, wie sich Bruttorenditen in eine Nettoperformance überführen lassen, indem Handelsfriktionen, Finanzierung und Fondskosten getrennt modelliert werden. Das parametrisierte Kostenmodell berechnet Handelskosten anhand von…

AktienOrderausführungRisikomanagementBacktesting
Machine Learning for Trading

Diese Fallstudie erläutert, warum Stop-Losses, Trailing-Stops und andere Positions-Overlays für US-Portfolios aus Unternehmensmerkmalen, die auf Monatsbeobachtungen beruhen, nicht getestet werden können. Der vektorisierte Backtest wendet einen Gewichtsvektor…

AktienRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook erläutert instrumentierte Hauptkomponentenanalyse (IPCA), die gemeinsame Faktoren schätzt und zugleich die Faktor-Exponierungen jeder Aktie als gemeinsame lineare Funktion ihrer tagesgleichen Optionsoberflächenmerkmale modelliert. Dazu zählen…

OptionenAktienFaktorinvestierenMaschinelles Lernen
Machine Learning for Trading

Das Dokument erläutert zwei Verfahren zur Schätzung von Geld-Brief-Spreads, wenn nur tägliche OHLCV-Daten verfügbar sind. Corwin-Schultz vergleicht Hoch-Tief-Spannen über benachbarte Ein- und Zwei-Tages-Intervalle und nutzt das unterschiedliche Verhalten von…

MarktmikrostrukturStatistikOrderausführungVolatilität
Machine Learning for Trading

Das Dokument beschreibt, wie rollierende ETF-Renditefenster in Zweikanalbilder für ein herkömmliches faltendes neuronales Netz umgewandelt werden. Ein Gramian Angular Field bildet normalisierte Beobachtungen auf Winkel ab und hält paarweise Winkelbeziehungen…

AktienMaschinelles LernenTechnische IndikatorenStatistik
Machine Learning for Trading

Dieses Notebook beschreibt ein Verfahren zur Bewertung eines Herausforderermodells im Shadow-Modus, bevor es Kapital erhält. Es vergleicht gespeicherte Prognosen eines festen Bestandsmodells und eines Kandidaten, erstellt gleich gewichtete, nach Rang…

Maschinelles LernenRisikomanagementBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Evaluierungsframework unterscheidet vier Arten von Fehlern in einer Finanzpipeline mit Retrieval-Augmented Generation: relevante Belege abrufen, Antworten auf diese Belege stützen, unbeantwortbare Fragen ablehnen und unsicheren Anweisungen in…

Maschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook erstellt preisbasierte Features, um ein breites US-Aktienuniversum zu ordnen. Es beschreibt Momentum-, Volatilitäts-, gleitende Durchschnitts- und technische Indikatorfamilien und bewertet sie anhand eines Labels für die Rendite der folgenden…

AktienUS-MärkteTechnische IndikatorenMomentum
Machine Learning for Trading

Dieses Notebook schätzt, wie Ausführungskosten hypothetische Intraday-Strategierenditen schmälern können. Zunächst misst es volumen­gewichtete notierte Spreads für die NASDAQ-100-Bestandteile anhand von Minutenbalken-Kursnotierungen und verwendet dann den…

AktienOrderausführungMarktmikrostrukturBacktesting
Machine Learning for Trading

Dieses Notebook trainiert PatchTST, ein Sequenzmodell im Transformer-Stil, als Teil einer vorab festgelegten Modellpopulation für die Optionsforschung zum S&P 500. Es unterteilt eine Rückblick-Zeitreihe in Patches fester Länge, bettet diese als Tokens ein…

OptionenMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook misst, wie eine in der Validierung ausgewählte FX-Strategie auf Änderungen proportionaler Transaktionskosten reagiert. Für jedes Prognoselabel wählt es anhand der Ergebnisse zu Signal, Allokation und Risiko-Overlay eine übergeordnete…

DevisenhandelBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Diese Analyse bewertet, ob Signale aus mehreren Trading-Fallstudien zuverlässig genug für die weitere Verwendung erscheinen. Sie vergleicht Informationskoeffizienten (IC) aus der Validierung mit Holdout-Evidenz, untersucht Stabilität und Reproduzierbarkeit…

Maschinelles LernenStatistikBacktestingRisikomanagement
Machine Learning for Trading

Dieses Tutorial gibt einen Überblick über Features aus historischen Kurs- und Volumendaten von Vermögenswerten, darunter Renditen über verschiedene Horizonte, Trend- und Umkehrmaße, mehrere Volatilitätsschätzer, Volatilitätsregime, Liquidität, Tail-Risiko…

Technische IndikatorenMomentumVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook misst, wie sich die Validierungsperformance einer S&P-500-Optionsstrategie unter verschiedenen angenommenen Anteilen des gezahlten notierten Spreads verändert. Es wählt eine Basisstrategie pro Modellfamilie aus und führt jede anschließend mit…

OptionenOrderausführungBacktestingRisikomanagement
Machine Learning for Trading

Dieses Dokument stellt eine wiederverwendbare Zustandsmaschine für automatisierte Handelsstopps mit den Zuständen geschlossen, offen und halb offen vor. Dieselbe Übergangslogik gilt für vier Risiken: Drawdown des Kontos, Tagesverlust, aufeinanderfolgende…

RisikomanagementOrderausführungBacktesting