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
Diese Studie vergleicht Modelle für historische Volatilität, exponentiell gleitenden Durchschnitt ARCH, GARCH und EGARCH anhand von Bitcoin-Kassakursen. Den Ergebnissen zufolge schneiden GARCH und EGARCH sowohl bei der Anpassung innerhalb der Stichprobe als…
Diese Studie entwickelt eine statistische Arbitragemethode auf Basis eines bedingten Faktormodells für ein Portfolio aus US-Aktien. Ein Zustandsraummodell behandelt Renditen als verrauschte Kombinationen aus Faktorwerten und latenten, zeitvariablen…
Die Arbeit entwickelt Bootstrap-Verfahren für die likelihoodbasierte Inferenz in autoregressiven bedingten Dauermodellen. Da Beobachtungen Dauern über eine feste Zeitspanne erfassen, kann die Zahl der Beobachtungen zufällig sein; auch das asymptotische…
Dieses vorgeschlagene System nutzt Volatilitätsbeziehungen zwischen großen Aktien, um Trendsignale zu erzeugen. Zunächst untersucht es Kursdaten mit Korrelations- und Autokorrelationsanalysen, technischen Indikatoren, Hypothesentests, statistischen Modellen…
Die Studie schlägt ein Rahmenwerk für den automatisierten Bitcoin-Hochfrequenzhandel vor, das ein Preismodell mit Long Short-Term Memory (LSTM) und Proximal Policy Optimization (PPO) kombiniert. Dabei gelten Preise als Zustände des Agenten, Trades als…
Das Dokument stellt QTMRL vor, einen Reinforcement-Learning-Agenten, der mithilfe technischer Indikatoren Handelsentscheidungen für Aktien trifft. Sein Eingabedatensatz kombiniert tägliche Preis- und Volumendaten repräsentativer S&P-500-Aktien aus…
Diese Studie untersucht, ob öffentliche Archive der Binance-BTCUSDT-Perpetual-Futures eine valide Point-in-Time-Faktorforschung ermöglichen. Sie unterscheidet Ereignis-, Veröffentlichungs- und Verfügbarkeitszeitpunkte sowie die Phasen Vorschlag, Prüfung,…
Die Arbeit schlägt ein Verfahren zur Auswahl von Strategien namens DNN-Forwardtesting vor. Statt eine Handelsstrategie allein anhand ihrer Ergebnisse mit historischen Kursen auszuwählen, prognostiziert das Verfahren zunächst einen möglichen künftigen…
Die Arbeit stellt Deep Momentum Networks vor, die Deep Learning mit dem Volatilitätsskalierungsrahmen des Zeitreihenmomentums verbinden. Ein neuronales Netz lernt Trendschätzungen und Positionsgrößen gemeinsam; seine Parameter werden so trainiert, dass die…
Die Arbeit schlägt Mid-LSTM vor, ein Deep-Learning-Modell, das Aktienkurse über einen mittelfristigen Horizont unter Berücksichtigung von Marktanomalien prognostizieren soll. Es bildet Markttrends als verborgene Zustände ab. Der beschriebene Ansatz…
Die Arbeit entwickelt einen Portfolioansatz auf Grundlage von Trendfolgesignalen. Sie verbindet ein Autokorrelationsmodell mit der Kovarianz von Trends und Risikoprämien und legt Modelle für die Trend-Kovarianzmatrix fest. Das resultierende optimale…
Diese Studie prüft die Behauptung, dass der Bitcoinpreis im Zeitverlauf einem Potenzgesetz folgt, und untersucht, ob dieses Muster strukturell robust oder für Prognosen nützlich ist. Sie wendet das Clauset-Shalizi-Newman-Verfahren auf für Extremwerte…
Das Dokument stellt einen allgemeinen Ablauf zum Entwurf, zur Umsetzung und zur Bewertung algorithmischer Handelsstrategien für Aktien- und Kryptomärkte vor. Es verwendet vier Beispiele: einen Crossover gleitender Durchschnitte, einen volumengewichteten…
Diese Studie bewertet eine dynamische Pairs-Trading-Strategie für Kryptowährungen, die mithilfe von Kointegrationstests und geschätzter Mean-Reversion-Geschwindigkeit Anlagewerte auswählt und ihr Rückblickfenster anpasst. Sie verwendet in verschiedenen…
E-TRENDS schlägt einen Prognoserahmen mit LSTM für tägliche Änderungen von Aktientrends vor. Im Mittelpunkt stehen die 30 größten Aktien des S&P 500; beschrieben wird eine Validierung über Marktzyklen von 2005 bis 2025. Statt das Trendniveau direkt…
Die Arbeit formuliert ein Portfolio-Designproblem für statistische Arbitrage und sucht Kombinationen zugrunde liegender Vermögenswerte mit starker Mean Reversion. Ziel ist es, ein Kriterium für die Stärke der Mean Reversion gegen die Portfoliovarianz…
Diese Studie untersucht, ob ein großes Sprachmodell Unternehmensnachrichten nutzen kann, um eine Momentum-Querschnittsstrategie zu verfeinern. Sie kombiniert tägliche Renditen der S&P-500-Bestandteile mit hochfrequenten Nachrichten und fordert ChatGPT dann…
Dieser Überblick bewertet AI-Anwendungen bei Aktien, ETFs, zentralisierten Kryptomärkten, Perpetual Futures und On-Chain-Aktivitäten. Er beschreibt den Weg zu Anlageerträgen als Abfolge: Point-in-Time-Daten müssen ein zuverlässiges Signal, praktikable…
Das Paper stellt einen Deep-Reinforcement-Learning-Agenten für die Portfolioverwaltung vor, der Renditestreben und Risikobegrenzung miteinander abwägt. Seine Zielstrategie passt an, wie stark der Agent die optimale Aktion bevorzugt; ein einstellbarer…
Diese Studie betrachtet einen Händler, der über ein Limit-Orderbuch verkauft und anschließend den verbleibenden Bestand mithilfe vorgegebener Zeitpläne in einer Schlussauktion anpasst. Die beiden Phasen sind durch eine Prognose des Auktionspreises und…
Die Arbeit verwendet evolutionäre Optimierung, um regelbasierte Handelsstrategien aus Finanzsentimentdaten abzuleiten. Das Sentimentsignal bildet die bullische oder bearische Einschätzung einzelner Aktien durch die Online-Handelsgemeinschaft ab und stammt…
Die Studie prüft die Informer-Prognosearchitektur als Grundlage automatisierter Strategien mit hochfrequenten Bitcoin-Daten. Sie trainiert Varianten mit RMSE, Generalized Mean Absolute Directional Loss (GMADL) und Quantilverlust und wandelt anschließend…
Diese vorläufige Studie untersucht, ob sich Bitcoin-Preisbewegungen durch die Kombination von Marktstimmung und technischer Analyse prognostizieren lassen. Als Stimmungsindikator dient der Fear and Greed Index, der zusammen mit technischen Indikatoren und…
Die Studie vergleicht 41 Machine-Learning-Modelle, aufgeteilt in Klassifikatoren und Regressoren, um Bitcoin-Preise vorherzusagen und ihren Einsatz im algorithmischen Trading zu bewerten. Sie kombiniert Prognosekennzahlen wie absolute und quadrierte Fehler…