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.
1,075 Dokumente
Die Studie untersucht asiatische American Depositary Receipts (ADRs) in Märkten, deren Handelszeiten nicht mit denen der zugrunde liegenden ausländischen Aktien übereinstimmen. Sie zerlegt die Renditen von ADR in Komponenten, die während der US-Handelszeiten…
Das Paper behandelt Overfitting bei Querschnittsstrategien, die mit Vermögenswerten trainiert werden, für die nur begrenzte historische Daten vorliegen. Es stellt Fused Encoder Networks vor, die Darstellungen aus einem auf einem Quelldatensatz trainierten…
Die Studie verwendet historische Preise und technische Indikatoren, um kurzfristige Bewegungen bei Bitcoin, Ethereum und Litecoin zu klassifizieren. Sie vergleicht Klassifikationsmethoden danach, wie gut sie Aufwärts- und Abwärtsbewegungen über einen…
Die Studie nutzt Skalierungseigenschaften aggregierter hochfrequenter S&P-500-Renditen, um ein stochastisches Martingalmodell zu konstruieren. Das Modell soll bedingte Erwartungswerte für die Vormittagssitzung reproduzieren und wird anschließend auf den…
Die Studie prüft, ob Gesundheitsindikatoren zu COVID-19 zusätzlichen Vorhersagewert für Bitcoin-Renditen liefern. Sie vergleicht LightGBM-Regressionsmodelle mit und ohne pandemiebezogene Merkmale, darunter Impfungen, Krankenhausaufenthalte und Tests. Ein…
EverMine ist ein Rahmenwerk, mit dem geprüft wird, ob Forschungsagenten ihre Fähigkeiten bei der langfristigen Alpha-Suche durch wiederverwendbare Kompetenzen, Werkzeuge und Regeln verbessern. Es bildet den Forschungsstand anhand der Forschungshistorie, des…
Die Studie schlägt für ein Umfeld mit hohem Risiko eine Portfolioverwaltung auf Basis bestärkenden Lernens vor. Sie kombiniert Transaktionen auf der Kauf- und Verkaufsseite mit Kreditvergabe und -aufnahme, verwendet einen Gewinn-und-Verlust-Wert als…
Die Arbeit schlägt einen systematischen Anlageansatz vor, der über einen längeren Zeitraum Vermögen aufbauen soll, indem er eine Folge kurzfristiger Kaufentscheidungen für ETF trifft. Sie kombiniert evolutionäre Algorithmen mit einem Deep-Learning-Modell, um…
Das Dokument beschreibt eine empirische Methode zur Prognose von Optionspreisen, indem die Black-Scholes-Gleichung vorwärts in der Zeit gelöst wird. Da das Problem schlecht gestellt ist, verwendet die Methode Regularisierung; die Arbeit formuliert Sätze zu…
Dieses Dokument entwickelt einen Rahmen zur Gestaltung und zum Vergleich trendfolgender Systeme, darunter europäische und amerikanische Ansätze sowie Zeitreihenmomentum. Für europäische Systeme leitet es einen Zusammenhang zwischen dem Ergebnis (P&L), der…
Dieses Dokument stellt räumlich-zeitliche Momentumstrategien vor, die die eigene Momentumhistorie eines Vermögenswerts mit seinem Momentum im Vergleich zu anderen Vermögenswerten verbinden. Der Ansatz verwendet neuronale Netze, um Handelssignale für ein…
Diese Arbeit prüft, ob tiefes bestärkendes Lernen in Umgebungen optimale Handelsstrategien finden kann, die sich einfach beschreiben lassen, mathematisch jedoch anspruchsvoll sind. Im Mittelpunkt steht Deep Deterministic Policy Gradient, eine Methode, die…
Die Notiz erweitert die Theorie universeller Portfolios über konstant rückgeführte Strategien hinaus. Sie betrachtet bilineare Strategien, deren Endwachstum linear von jedem von zwei aufeinanderfolgenden Marktrenditevektoren abhängt, und vergleicht sie mit…
AdaptiveTrend ist eine systematische Kryptowährungsstrategie, die Trendsignale in Sechs-Stunden-Intervallen mit monatlichen Portfolioanpassungen kombiniert. Sie verwendet an die Volatilität angepasste Trailing Stops, wählt Vermögenswerte anhand rollierender…
CTBench ist ein Benchmark zur Bewertung synthetischer Kryptowährungszeitreihen. Anlass sind der fortlaufende Handel, die hohe Volatilität und die schnellen Regimewechsel des Marktes. Der Benchmark bündelt Daten von 452 Tokens und bewertet acht repräsentative…
Diese empirische Studie prüft, ob Online-Portfoliostrategien, die Mittelwertrückkehr nutzen sollen, auch außerhalb von Benchmark-Datensätzen gut abschneiden. Sie untersucht drei Ansätze: passive aggressive Mittelwertrückkehr, Online-Strategien zur Rückkehr…
Das Dokument untersucht, ob Krypto-Perpetual-Futures auf binäre Ereignisansprüche angewendet werden können, die bei null oder eins abgerechnet werden. Es leitet ein Problem beim Endkapital her: Ein gehebelter Long, der während einer ungünstigen Abrechnung…
Diese Studie wendet die KM₂O-Langevin-Theorie an, um Aktienkursschwankungen als stationär, nicht stationär oder intermediär einzustufen. Anhand dieser Klassifizierung wählt sie zwischen zwei Signaltypen: gleitenden Durchschnitten für stationäre Phasen und…
DeepUnifiedMom ist ein Rahmen zur Portfoliozusammenstellung, der Momentum-Signale aus Zeitreihen über mehrere Anlagehorizonte hinweg kombiniert. Mithilfe von Multi-Task-Learning und einer Multi-Gate-Mixture-of-Experts-Architektur bildet er einheitliche…
Diese Studie entwickelt eine Paare-Handelsstrategie auf Basis der Mean-Reversion für Aktien aus US. Statt Paare nach der üblichen Pair-Trading-Praxis auszuwählen, nutzt sie die Maximum-Likelihood-Schätzung, um statische Portfolios zu bilden, die einem…
Dieser Forschungsrahmen verbindet einen deterministischen Limit-Orderbuchsimulator mit stochastischen Auftragseingängen, die durch multivariate markierte Hawkes-Prozesse erzeugt werden. Er erläutert, wie lineare und nichtlineare Hawkes-Modelle gebündelten…
Die Studie untersucht, ob Nachrichten und Beiträge aus sozialen Medien Bitcoin- und Ethereum-Kursprognosen verbessern können, wenn sie mit Finanz- und Blockchain-Daten kombiniert werden. Sie vergleicht vortrainierte und feinabgestimmte Sprachmodelle mit…
Das Dokument beschreibt einen End-to-End-Ansatz für maschinelles Lernen, der Marktdaten zu Optionen direkt in Handelssignale umwandelt. Anders als Ansätze, die Marktdynamiken vorgeben oder sich auf ein Optionspreismodell stützen, trainiert er Modelle darauf,…
Das Dokument beschreibt den Einsatz von Deep Reinforcement Learning für Mean-Reversion-Handel. Es soll Praktikern aktuelle Reinforcement-Learning-Methoden zugänglicher machen, die andernfalls aus vielen Ansätzen wählen oder Agenten auf Grundlage klassischer…