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

Diese ETF-Merkmalsstudie erstellt drei modellbasierte Eingaben: ein Hidden-Markov-Modell (HMM) zur Schätzung des Marktregimes, fraktional differenzierte Kurse von Referenzfonds und die bedingte Volatilität je ETF anhand von GARCH(1,1). Um Look-ahead zu…

AktienVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Tutorial vergleicht feste Stop-Loss- und Take-Profit-Barrieren, nachlaufende Stopps, ATR-skalierte Ausstiege, ein Machine-Learning-Ausstiegssignal und Kombinationen dieser Ansätze anhand täglicher SPY-Daten. Feste Barrieren werden ausgehend von…

AktienRisikomanagementTechnische IndikatorenBacktesting
Machine Learning for Trading

Diese Studie vergleicht Gradient-Boosted Trees mit einem regularisierten linearen Modell, um Währungspaare nach künftigen Renditen zu ordnen. Bäume können bedingte Beziehungen darstellen, etwa Momentum in einem Marktregime und Carry in einem anderen, während…

DevisenhandelMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Diese explorative Analyse untersucht einen vierstündigen OANDA-Datensatz mit zwanzig Währungspaaren. Sie erläutert, dass das Volumenfeld Kursaktualisierungen an einem Handelsplatz zählt, nicht das konsolidierte Handelsvolumen, und daher keine marktweite…

DevisenhandelStatistikMarktmikrostruktur
Machine Learning for Trading

Dieses operative Tutorial demonstriert Laufzeitsicherungen für ein Live-Trading-System mit einem synthetischen Broker. Es zeigt, wie SafeBroker Aufträge ablehnt, wenn Marktdaten zu alt sind oder Tagesverluste ein konfiguriertes Limit überschreiten, und wie…

RisikomanagementOrderausführungMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook setzt einen Prognoseagenten aus einem Sprachmodell-Client, einem Suchwerkzeug und einer begrenzten Zugfolge zusammen. Der Agent sucht nach Belegen und gibt eine binäre Wahrscheinlichkeit mit Begründung zurück. Sein Antwortparser behandelt…

Maschinelles LernenStatistikMarktstimmungBacktesting
Machine Learning for Trading

Dieses Notebook nutzt bayessche Ereignisstudien mit strukturellen Zeitreihen, um die Wirkung von Mitteilungen der Federal Reserve auf einen Anleihen-ETF zu schätzen. Es erstellt ein Gegenfaktum aus Beziehungen vor dem Ereignis zwischen den täglichen…

Festverzinsliche WertpapiereEreignisgesteuertStatistikMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook vergleicht DQN, PPO und A2C in einer gemeinsamen simulierten Trading-Umgebung, die auf stündliche Renditen von Bitcoin-Perpetual-Futures kalibriert ist. Ein GARCH(1,1)-Modell erzeugt Volatilitätscluster. Die Umgebung berechnet Kosten für…

Maschinelles LernenKryptoPerpetual FuturesVolatilität
Machine Learning for Trading

Dieses Notebook prüft, ob vier Strategien verwalteter Portfolios SPY-Renditen erklären, wenn die gemeinsame Bewegung breiter ETF kontrolliert wird. Die Strategien ordnen ETFs anhand verzögerten Momentums, der Volatilität oder jüngster Renditen. Zehn…

FaktorinvestierenMaschinelles LernenStatistikMomentum
Machine Learning for Trading

Dieses Notebook überträgt Word2Vec Skip-gram auf institutionelle Aktienbestände. Es behandelt das Portfolio jeder Institution als Satz, Aktienkennungen als Token und nach gemeldetem Bestandswert geordnete Positionen als Wortreihenfolge. Aktien, die…

AktienMaschinelles LernenPortfolio-KonstruktionStatistik
Machine Learning for Trading

Dieses Notebook erklärt, warum unveränderte Aktienkurse irreführende Renditen ergeben können, wenn sie Aktiensplits oder Bardividendentermine umfassen. Es beschreibt die rückwirkende Bereinigung, bei der historische Preise anhand späterer Kapitalmaßnahmen…

AktienStatistikBacktestingUS-Märkte
Machine Learning for Trading

Dieses Notebook prüft, ob eine modellbasierte Positionsgröße eine Gleichgewichtung in einer US-Strategie mit Unternehmensmerkmalen verbessert. Es vergleicht Score-Gewichtung, bei der Wertpapieren mit höheren prognostizierten Scores mehr Kapital zugewiesen…

AktienPositionsgrößenbestimmungPortfolio-KonstruktionBacktesting
Machine Learning for Trading

Dieses Notebook prüft, ob sich der Information Coefficient (IC) eines Signals von Rauschen unterscheiden lässt, wenn aufeinanderfolgende Beobachtungen abhängig sind. Anhand eines Momentum-Signals und von ETF-Daten wird veranschaulicht, wie überlappende…

StatistikMaschinelles LernenMomentumBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Ausstiege aus Long-Positionen in ETF: feste Gewinnziele und Stopps, nachlaufende Stopps, ATR-skalierte Barrieren, Machine-Learning-Signale und Kombinationen. Es erstellt Indikatoren und Handelssimulationen und fasst anschließend…

AktienRisikomanagementPositionsgrößenbestimmungVolatilität
Machine Learning for Trading

Dieses Notebook erklärt, wie ein bereitgestelltes Panel wirtschaftlicher Zeitreihen von FRED untersucht und dessen Tageskalender, Metadaten und abgeleitete Spalten interpretiert werden. Da das Panel auf einen täglichen Kalender abgeflacht wurde, lassen…

Multi-AssetFestverzinsliche WertpapiereVolatilitätStatistik
Machine Learning for Trading

Dieses Notebook behandelt ARIMA-Prognosen als Eingabespalten für nachgelagerte Modelle statt als eigenständige Prognosen. Es passt Modelle an ETF-Renditen an, nutzt Stationaritätsprüfungen und Autokorrelationsdiagnostik zur Auswahl möglicher Ordnungen und…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt, wie NLinear-Prognosen für FX-Labels vorbereitet und registriert werden. NLinear zieht den zuletzt beobachteten Wert von jeder Eingabehistorie fester Länge ab und konzentriert das Modell so auf Veränderungen innerhalb des…

DevisenhandelMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses gemeinsame Analysewerkzeug unterstützt den Vergleich von Trading-Modellprognosen anhand von Registry-Metriken und Diagnosen auf Prognoseebene. Es lädt vorab berechnete Information-Coefficient-Ergebnisse, kann optional nach Label oder Modellfamilie…

StatistikBacktestingMaschinelles LernenPortfolio-Konstruktion
Machine Learning for Trading

Das Dokument erläutert, wie Forward-Return-Labels für eine querschnittliche Futures-Strategie erstellt werden, die Produkte nach ihrer Terminkurve ordnet. Es unterscheidet rollbereinigte Preise, die für Renditen über Kontraktwechsel hinweg geeignet sind, von…

FuturesRohstoffeCarryBacktesting
Machine Learning for Trading

Das Dokument beschreibt drei modellbasierte Merkmale aus dem Carry von Futures: eine ARIMA-Prognose des Carry der nächsten Sitzung, rollierende Fourier-Maße ausgewählter Zykluslängen und ein Hidden-Markov-Modell mit zwei Zuständen, das das Marktregime anhand…

FuturesCarryMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Dokument erläutert eine Validierungsbaseline für Modellprognosen zu CME-Futures. Bei jeder wöchentlichen Entscheidung werden die Produkte nach prognostizierter Rendite geordnet; die oberste Gruppe wird long und die unterste short gehalten, wobei beide…

FuturesBacktestingPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Dokument stellt das monatliche US-Aktienpanel von Chen, Pelger und Zhu vor, das zum Benchmarking von Asset-Pricing-Modellen verwendet wird. Es beschreibt 46 Unternehmensmerkmale, geordnet nach wirtschaftlichem Thema, Überschussrenditen für den…

AktienUS-MärkteFaktorinvestierenStatistik
Machine Learning for Trading

Das Dokument erläutert ein temporales Faltungsnetzwerk zur Prognose von Funding-Prämien bei Krypto-Perpetuals anhand eines Fensters von 60 Abrechnungen. Vier kausale Faltungsblöcke verwenden einen Kernel der Größe drei und Dilatationen von 1, 2, 4 und 8. Ihr…

KryptoPerpetual FuturesMaschinelles LernenRückkehr zum Mittelwert
Machine Learning for Trading

Dieses Notebook beschreibt eine von GT-GAN inspirierte Architektur zur Erzeugung von Zeitreihen mit tatsächlich unregelmäßigen Zeitstempeln, etwa Tick-, Volumen- oder Dollar-Bars. Ein GRU-ODE-Encoder bildet Beobachtungen auf latente Zustände ab, während…

Maschinelles LernenHochfrequenzhandelMarktmikrostrukturBacktesting