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
Diese Studie vergleicht Quanten-Maschinelles-Lernen, klassisches Maschinelles-Lernen, hybride Quanten-Klassik-Verfahren und Transformer-Modelle in Strategien für Automated Market Maker und den Handel im dezentralen Finanzwesen. Sie berichtet Backtests über…
Diese Studie repliziert einen Deep-Learning-Ansatz für statistische Arbitrage, der Residuen aus Asset-Pricing-Faktormodellen handelt. Sie wendet die ursprüngliche Methode auf einen neueren Zeitraum außerhalb der Stichprobe an und nutzt US-Aktiendaten von…
PrivySense schlägt vor, die Stimmung in Finanznachrichten anhand der beobachteten Kursvolatilität zu ermitteln. Damit kehrt die Arbeit den herkömmlichen Ansatz um, bei dem Sentiment-Klassifikatoren mit von Menschen annotierten Texten trainiert und…
Dieses Dokument stellt den GT-Score vor, eine kombinierte Zielfunktion zur Optimierung datengestützter Handelsstrategien. Er verbindet Kennzahlen zu Performance, statistischer Signifikanz, Konsistenz und Abwärtsrisiko, um Lösungen zu vermeiden, die zu stark…
Das Dokument stellt ein modellfreies Reinforcement-Learning-Verfahren zur sequenziellen Optimierung vor, bei dem Ergebnisse anhand dynamischer konvexer Risikomaße bewertet werden. Es nutzt ein zeitkonsistentes dynamisches Programmierungsprinzip zur Bewertung…
Dieses Paper untersucht, ob sich Intraday-Kursüberreaktionen bei Apple-Aktien vorhersagen und als Momentum-Signale handeln lassen. Es kombiniert um die Volatilität bereinigte Renditen mit Emotionsmerkmalen aus Twitter-Nachrichten, definiert Überreaktionen im…
Das Paper untersucht, ob CryptoQuant-Signale, darunter On-Chain-, Börsen- und Minerdaten, sowie Posts von Whale-Alert-Diensten helfen können, die Bitcoin-Volatilität am Folgetag und insbesondere extreme Ausschläge vorherzusagen. Es schlägt ein…
Das Dokument stellt FutureQuant vor, ein Transformer-Modell für Futures-Märkte, das mithilfe von Aufmerksamkeitsmechanismen komplexe Eingaben wie Echtzeitdaten aus dem Limit-Orderbuch verarbeitet. Statt einen einzelnen zukünftigen Preis vorherzusagen, soll…
Dieses Paper stellt ein modellfreies Reinforcement-Learning-Verfahren zur Neugewichtung eines Portfolios aus Finanzanlagen vor. Zu seinen Komponenten zählen ein Ensemble unabhängiger Bewertungsmodelle, ein Speicher für frühere Portfoliogewichte,…
Diese Arbeit schlägt ein tiefes rekurrentes Modell vor, das den Orderflow einer Börse nutzt, um hochfrequente gerichtete Kursbewegungen zu modellieren. Orderflow wird als Strom eingehender Aufträge beschrieben, der zur Preisbildung beiträgt. Im Mittelpunkt…
PPO-HRAP verbindet Proximal Policy Optimization mit einem aus Marktregimen abgeleiteten Zielengagement. Die Strategie beobachtet Marktmerkmale und den Portfoliostatus und kombiniert anschließend die gelernte Aktion mit dem Regimeziel. Die Belohnungsfunktion…
Das Dokument beschreibt einen Mean-Reversion-Ansatz, der bei Handelsstrategien auf Basis der Zinsstrukturkurve ansetzt und auf eine Multi-Pair-Strategie mit wichtigen Währungspaaren ausgeweitet wird. Zur Verfeinerung der Handelssignale bezieht die Strategie…
Diese theoretische Studie untersucht, wann mehrere kausale Risikovorgaben, die jeweils auf überlappenden Informationen beruhen, durch ein einziges selbstfinanzierendes Portfolio umgesetzt werden können, das angesichts gebündelter Informationen optimal ist.…
Die Arbeit beschreibt ein Aktienhandelssystem, das Trend- und Momentum-Signale exponentieller gleitender Durchschnitte und MACD mit Mean-Reversion-Signalen aus RSI und Bollinger-Bändern kombiniert. Es ergänzt Schätzungen der Finanzstimmung von FinBERT, nutzt…
Dieses Dokument skizziert einen Rahmen für die Portfolioverwaltung, der einen auf Rendite ausgerichteten Reinforcement-Learning-Agenten mit einem Risikoregler auf Basis einer Barrierefunktion kombiniert. Die lernende Komponente sucht nach profitablen…
Diese Arbeit schlägt einen Rahmen vor, um kurzfristige Muster in finanziellen Zeitreihen zu finden, die die künftige Kursrichtung anzeigen könnten. Durch das Clustern historischer Beispiele und das Aussortieren weniger nützlicher Muster sollen hochwertige,…
Dieser Rahmen kombiniert Maße der realisierten Volatilität mit einem durch LSTM erweiterten Modell für realisiertes GARCH, um Renditen und realisierte Volatilität gemeinsam darzustellen. Für die Bayes'sche Inferenz und Prognose wird Sequential Monte Carlo…
Diese Arbeit überträgt Online-Lernen mit Gedächtnis aus dem Experten-Setting auf die allgemeine Online-konvexe Optimierung. Das Setting modelliert Entscheidungen, deren Verluste von einer Folge früherer Handlungen abhängen, und erfasst damit zeitliche…
Diese Studie schlägt einen Rahmen für statistische Arbitrage mit mehreren US-Aktienpaaren vor, der Graphen-Clustering zur Identifikation von Beziehungen zwischen Aktien nutzt. Sie kombiniert quantitative Methoden mit Klassifikatoren des maschinellen Lernens…
Diese Studie skizziert einen Arbeitsablauf für den Einsatz rekurrenter neuronaler Netze zur Prognose von Kryptowährungskursen und zur Entwicklung von Trading-Strategien. Sie begründet die Methode mit der Volatilität des Marktes und der Fähigkeit rekurrenter…
Die Studie beschreibt einen automatisierten Long-Volatilitätsansatz, der Straddle-Optionen handelt, ohne vorherzusagen, ob die Preise steigen oder fallen. Sie verwendet ein Transformer-basiertes Double-Deep-Q-Netzwerk mit Aufmerksamkeit auf…
Dieses Dokument untersucht neuronale Netzprognosen, wenn sich der Zusammenhang zwischen Eingaben und Renditen im Zeitverlauf verändert. Es schlägt Online-Early-Stopping vor, ein Trainingsverfahren, mit dem das Modell einer sich verändernden Funktion folgen…
Diese Arbeit nutzt nichtnegative Tensorfaktorisierung (NTF), um Muster der Handelsaktivität in Online-Finanzmärkten über mehrere Zeitskalen hinweg zu identifizieren. Zunächst wird die Methode anhand synthetischer Daten demonstriert, anschließend wird sie auf…
Das Dokument beschreibt die Entwicklung von Strategien durch die Klassifizierung von Marktphasen, statt Preise oder Renditen direkt vorherzusagen. Kennzeichnungen definieren die Phasen; Marktmerkmale wie gleitende Durchschnitte werden danach ausgewählt, wie…