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

189 Dokumente

Machine Learning for Trading

Dieses Notebook misst, wie sich die Validierungsperformance einer S&P-500-Optionsstrategie unter verschiedenen angenommenen Anteilen des gezahlten notierten Spreads verändert. Es wählt eine Basisstrategie pro Modellfamilie aus und führt jede anschließend mit…

OptionenOrderausführungBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook erläutert, warum ein allgemeines Risiko-Overlay mit Zielgewichtung die beschriebene S&P-500-Short-Straddle-Strategie nicht steuern kann. Die Options-Engine weist wöchentlichen Kohorten feste Kapitalanteile zu und normalisiert die Gewichte…

OptionenRisikomanagementBacktestingBewertung von Derivaten
Machine Learning for Trading

Dieses Notebook erstellt Labels für zukünftige Aktienrenditen für eine Strategie, die gelistete Optionsdaten auswertet, um Aktien zu ordnen, und diese anschließend hält. Es erstellt eine angepasste Kursreihe, die Kapitalmaßnahmen berücksichtigt,…

AktienOptionenStatistikBacktesting
Machine Learning for Trading

Diese Fallstudie untersucht, ob Informationen aus börsennotierten Optionen bei der Auswahl von S&P-500-Aktien helfen können. Sie kombiniert tägliche Aktienkurse mit optionsimplizierten Volatilitätsniveaus, Schiefe, Laufzeitstruktur und Kennzahlen der…

AktienOptionenBacktestingRisikomanagement
Machine Learning for Trading

Diese explorative Analyse führt Optionskontrakte und den Aufbau von Optionsketten ein und untersucht anschließend eine 2020-Stichprobe von S&P-500-Optionen auf acht Basiswerte. Sie erläutert Moneyness, inneren Wert und Zeitwert, implizite Volatilität, die…

OptionenAktienVolatilitätBewertung von Derivaten
Machine Learning for Trading

Dieses Notebook bewertet positionsbezogene Stop-Losses, Trailing-Stops und zeitbasierte Ausstiege für die Allokationslinie, die unter geeigneten Kandidaten mit vollständiger Abdeckung den höchsten Validierungs-Sharpe aufweist. Jedes Overlay wird mit seiner…

AktienOptionenRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Gewichtungsregeln für ein S&P-500-Optionsmodell, das Straddles verkauft. Die ausgewählten Symbole und die übrigen Strategieeinstellungen bleiben unverändert. Die Gleichgewichtungs-Baseline wird durch Allokatoren ersetzt, die…

OptionenAktienPortfolio-KonstruktionPositionsgrößenbestimmung
Machine Learning for Trading

Dieses Notebook wendet TabM an, eine neuronale Architektur für Tabellendaten, die ein zweischichtiges Merkmalsnetzwerk für alle Ensemble-Mitglieder gemeinsam nutzt. Jedes Mitglied skaliert die gemeinsame Repräsentation mit einem eigenen gelernten Vektor und…

OptionenMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Notebook beschreibt die Erstellung eines Out-of-Sample-Vorhersagesatzes für ein zuvor ausgewähltes S&P-500-Optionsmodell. Die Konfiguration wird anhand der Validierungsergebnisse festgelegt, mit Daten vor dem Holdout erneut trainiert und die…

OptionenBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook führt das NLinear-Modell als Mitglied einer festgelegten Population von drei Sequenzlernmodellen für Optionen des S&P 500 aus. Die Anfragen und Checkpoints für die gesamte Population werden vor der Anpassung dieses Mitglieds aufgelöst, damit…

OptionenUS-MärkteMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook wendet Double Machine Learning an, um zu prüfen, ob der Spread aus impliziter minus realisierter Volatilität nach Bereinigung um beobachtete Störfaktoren mit späteren Aktienrenditen zusammenhängt. Es identifiziert realisierte Volatilität,…

AktienOptionenVolatilitätMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook erstellt Merkmale für bedingte Volatilität für eine Aktien- und Optionsstudie zum S&P 500 mithilfe eines GJR-GARCH-Modells. Anders als feste Regeln auf Basis früherer Preise hängen angepasste Merkmale vom Schätzfenster ab. Daher legt die…

AktienOptionenVolatilitätBacktesting
Machine Learning for Trading

Dieses Dokument beschreibt, wie sich große S&P-500-Optionsketten für Forschungszwecke in tägliche Datensätze je Symbol umwandeln lassen. Die Zusammenfassung der Optionsfläche wählt Optionen nahe den angestrebten absoluten Deltas innerhalb von Laufzeitgruppen…

OptionenVolatilitätBewertung von Derivaten
Machine Learning for Trading

Dieses Notebook bewertet Validierungsvorhersagen als reine Long-Aktienportfolios mit gleich gewichteter Top-K-Auswahl und einem Entscheidungsrhythmus, der durch die Frequenz der Labels bestimmt wird. Es prüft die zeitliche Reihenfolge von Schlusskurs und…

AktienOptionenBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Diese Fallstudie bewertet wöchentlich eröffnete, am Geld liegende Short Straddles auf Bestandteile des S&P 500, die bis zur Fälligkeit gehalten und täglich delta-gehedgt werden. Die zentrale methodische Entscheidung ist, Renditen bis zur Fälligkeit zu…

OptionenVolatilitätBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook untersucht, wie Annahmen zu Transaktionskosten den Validierungs-Sharpe einer ausgewählten Aktien- und Optionsallokation des S&P 500 beeinflussen. Wenn verfügbar, übernimmt es die Konfiguration, die anhand einer eingefrorenen Kandidatenmenge…

AktienOptionenOrderausführungBacktesting
Machine Learning for Trading

Diese Fallstudie entwickelt Merkmale, um zu untersuchen, ob die implizite Varianz am Geld bei S&P-500-Aktien die anschließend realisierte Varianz übersteigt und ob sich der Unterschied zwischen Wertpapieren unterscheidet. Sie kombiniert Straddle-Kurse mit…

OptionenVolatilitätAktienBacktesting
Machine Learning for Trading

Dieses Notebook untersucht, ob Finanzmerkmale dabei helfen, ein delta-gehedgtes Optionsrendite-Label über 10 Sitzungen zu erklären. Es vergleicht Ridge-Modelle mit einem impliziten Volatilitätsmerkmal, Gruppen von Merkmalen, die von der impliziten…

OptionenAktienStatistikMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook misst, wie sich die Sharpe-Kennzahl der Validierung für S&P-500-Optionsstraddles am Geld bei angenommenen Ausführungskosten und zwei Optionsuniversen verändert. Es gibt die Spread-Kosten als Anteil des notierten halben Optionsspreads an, da…

OptionenUS-MärkteBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook passt Gradient-Boosting-Baummodelle an Optionsmarktmerkmale an, die Prognosen wie implizite Volatilität, Skew, Laufzeitenstruktur und Varianzrisikoprämie abbilden. Es vergleicht die Baumkapazität und die Wahl der Regressionsverlustfunktion…

OptionenMaschinelles LernenVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht prädiktive, strukturelle und kausale Modellevidenz für eine querschnittliche S&P-500-Studie, die Aktienmerkmale mit aus Optionen abgeleiteten Größen wie impliziter Volatilität, Skew und Laufzeitenstruktur kombiniert. Es bewertet…

AktienOptionenMaschinelles LernenFaktorinvestieren
Machine Learning for Trading

Dieses Notebook nutzt Double Machine Learning, um zu prüfen, ob der Zusammenhang zwischen der Differenz aus impliziter und realisierter Volatilität und künftigen Aktienrenditen nach Anpassung um beobachtete Störfaktoren bestehen bleibt. Es vergleicht den…

OptionenAktienMaschinelles LernenStatistik