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

168 Dokumente

Machine Learning for Trading

Dieses Notebook entwickelt ein einheitensensitives Framework zur Schätzung von Handelskosten bei Aktien, ETFs, Futures, Devisen und Krypto-Perpetuals. Zunächst unterscheidet es gehandeltes Volumen von Aktivitätsmaßen, die sich nicht in den Dollar-Umsatz…

OrderausführungMarktmikrostrukturRisikomanagementFutures
Machine Learning for Trading

Dieses Notebook bewertet LSTM- und NLinear-Sequenzmodelle für Futures-Prognosen. Anders als Modelle mit einer Merkmalszeile je Entscheidungszeitpunkt verarbeiten Sequenzmodelle geordnete Fenster vergangener Beobachtungen und können dadurch möglicherweise…

FuturesMaschinelles LernenBacktestingRisikomanagement
Machine Learning for Trading

Diese Fallstudie untersucht wöchentliche Long-Short-Strategien, die nach Carry sortiert werden, für ein diversifiziertes Universum von CME-Futures. Sie nutzt Tagesdaten, Walk-Forward-Modellbewertung und Kosten für Provisionen, Spreads und Roll-Slippage. Sie…

FuturesCarryMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook stellt ein neuronales Modell des stochastischen Diskontfaktors für ein Panel von CME-Futures vor. Das Modell verwendet sowohl Produktrenditen als auch beobachtbare Merkmale wie Carry, Momentum und Volatilität, um latente Faktoren zu…

FuturesMaschinelles LernenFaktorinvestierenBacktesting
Machine Learning for Trading

Dieses Notebook erklärt die Konstruktion von Merkmalen anhand von Daten, die über die Kurshistorie eines einzelnen Vermögenswerts hinausgehen. Es leitet die annualisierte Futures-Rollrendite aus gleichzeitigen Kursen naher und späterer Kontrakte ab und…

FuturesOptionenCarryVolatilität
Machine Learning for Trading

Diese Konfiguration definiert ein wöchentliches Futures-Anlageuniversum aus Aktienindizes, Staatsanleihen, Energie, Metallen, Währungen, Agrarrohstoffen und Vieh. Als Entscheidungszeitpunkt wird der Freitagsschluss festgelegt, als Ausführungszeitpunkt die…

FuturesMulti-AssetCarryMomentum
Machine Learning for Trading

Dieses Dokument beschreibt ein CME-Futures-Experiment mit TabM, einem parametereffizienten neuronalen Ensemble, anhand derselben konstruierten Merkmalszeilen und Walk-Forward-Folds wie bei linearen Modellen und Gradient-Boosting-Modellen. TabM teilt die…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook untersucht erhaltene Ergebnisse einer Prüfung realer Strategien, bei der die LEAN-Engine mit entsprechenden ML4T-Backtestprofilen verglichen wird. Es ermittelt, welche Workloads der Anlageklassen durch die eingefrorenen Eingaben unterstützt…

BacktestingOrderausführungAktienFutures
Machine Learning for Trading

Das Notebook erstellt vollständige Pipelines für tägliche Aktiendaten und stündliche Krypto-Perpetual-Futures, von der Erfassung und Validierung über die Kennzeichnung der Quelle bis zur Speicherung. Im Aktienbeispiel werden historische WikiPrices-Daten mit…

AktienKryptoFuturesMarktmikrostruktur
Machine Learning for Trading

Dieser Leitfaden zum Datensatz beschreibt eine Sammlung fortlaufender CME-Futures-Kontrakte aus Aktienindizes, Zinsen, Energie, Metallen, Währungen, Landwirtschaft und Viehwirtschaft. Er erläutert die stündlichen Quelldaten und die daraus abgeleitete…

FuturesMulti-AssetRohstoffeBacktesting
Machine Learning for Trading

Dieses Notebook erstellt Hauptkomponentenfaktoren aus einem Panel von CME-Futuresrenditen und nicht aus konstruierten Merkmalen wie Carry, Momentum oder Volatilität. PCA findet Richtungen, die die Variation über Produkte hinweg erklären; die erste kann einer…

FuturesFaktorinvestierenMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Dokument stellt zwei Ansätze mit latenten Faktoren für Futures-Renditen vor. Die Hauptkomponentenanalyse findet unkorrelierte Richtungen, die den größten Anteil der Renditevariation erklären, während ein neuronaler stochastischer Diskontfaktor…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt, wie Holdout-Prognosen für eine ausgewählte Konfiguration eines CME-Futures-Modells erstellt werden. Die Konfiguration wird anhand von Validierungsergebnissen ausgewählt und anschließend mit Daten neu angepasst, deren Zeitraum vor…

FuturesBacktestingMaschinelles LernenRisikomanagement
Machine Learning for Trading

Dieser Leitfaden stellt die öffentlichen CFTC-Commitment-of-Traders-Berichte als Quelle wöchentlicher Positionsdaten zu Futures vor. Er unterscheidet den Bericht Traders in Financial Futures, der Teilnehmer wie Händler, Vermögensverwalter und gehebelte…

FuturesRohstoffeMarktstimmungBacktesting
Machine Learning for Trading

Dieses Notebook wählt eine Fallstudie zu CME-Futures aus registrierten Validierungs-Backtests zu Signalregeln, Allokation und Risiko-Overlays aus. Es vergleicht Kandidaten über beide Renditehorizonte hinweg und wählt die Konfiguration mit der höchsten Sharpe…

FuturesBacktestingRisikomanagementPortfolio-Konstruktion
Machine Learning for Trading

Das Dokument beschreibt, wie eine Futures-Studie zu CME Prognosen für einen Holdout-Zeitraum erstellt, nachdem eine Modellkonfiguration anhand von Validierungsdaten ausgewählt wurde. Die ausgewählte Konfiguration und der Checkpoint werden aus den…

FuturesBacktestingRisikomanagement
Machine Learning for Trading

Das Dokument erläutert, wie wöchentliche CFTC-Commitment-of-Traders-Daten für ausgewählte Futures-Produkte abgerufen und die Historie jedes Produkts als Parquet-Datei gespeichert wird. COT-Berichte erfassen die Positionierung vom Dienstag und werden am…

FuturesRohstoffeMarktstimmung
arXiv papers

Das Dokument argumentiert, dass Finanzrenditen bei herkömmlichen Zeitreihenanalysen beinahe zufällig erscheinen können und dennoch Muster enthalten, die sich mit moderner multivariater Statistik erkennen lassen. Es beschreibt eine von Methoden der Kernphysik…

FuturesTrendfolgeVolatilitätStatistik
arXiv papers

Diese Arbeit untersucht, wie sich verändernde Beziehungen zwischen mehreren Datenströmen modellieren lassen, die sich im Zeitverlauf entwickeln. Im Mittelpunkt steht Flexible Least Squares (FLS), das die gewöhnliche Methode der kleinsten Quadrate um einen…

StatistikArbitrageFuturesBacktesting
arXiv papers

Die Arbeit wendet die verallgemeinerte Extremwerttheorie auf Extremrenditen an den Bitcoin-Futures-Märkten an, um das Risiko erzwungener Liquidationen, den Hebel und die Marginhöhe für Long- und Short-Positionen zu untersuchen. Die empirische Analyse nutzt…

KryptoFuturesPerpetual FuturesRisikomanagement
arXiv papers

Diese Studie untersucht, wie Klassifikatoren, die eine Prognose auslassen können, Handelsentscheidungen beeinflussen. Ein herkömmlicher Richtungs-Klassifikator impliziert immer eine Marktposition; ein selektiver Klassifikator kann das Portfolio dagegen…

Maschinelles LernenFuturesRohstoffeBacktesting
arXiv papers

Diese Studie untersucht, ob vierzehn Gruppen fünfminütiger, auf OHLCV basierender Intraday-Momentum-Signale im Micro-E-Mini-Nasdaq-100-Futureshandel von 2021 bis 2025 einen handelbaren Vorteil boten. Sie nutzt eine Walk-Forward-Validierung mit wachsendem…

FuturesMomentumBacktestingOrderausführung