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

837 Dokumente

Machine Learning for Trading

Dieses Notebook wendet positionsbezogene Risikokontrollen auf führende ETF-Allokationskombinationen an und hält dabei jede zugrunde liegende Prognose, Konzentration und Allokationsmethode konstant. Es vergleicht Stop-Losses, Trailing Stops und zeitbasierte…

AktienRisikomanagementBacktestingPositionsgrößenbestimmung
Machine Learning for Trading

Das Dokument beschreibt, wie eine Trading-Forschungspipeline prüft, ob Anpassungen von Modellen mit latenten Faktoren in einem verwendbaren Zustand abgeschlossen wurden. Bei Modellen, die mit Gradientenabstieg trainiert wurden, wird geprüft, ob das zuletzt…

Maschinelles LernenFaktorinvestierenRisikomanagement
Machine Learning for Trading

Dieses Notebook fragt Backtest-Register aus neun Fallstudien ab und erstellt vergleichbare Tabellen für nachgelagerte Analysen. Es ordnet Ergebnisse nach Anlageklasse und Datenfrequenz und erfasst die Performance über die Phasen Signal, Allokation, Kosten…

BacktestingStatistikPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Dokument beschreibt einen einjährigen Out-of-Sample-Backtest von S&P-500-Options-Straddles. Verwendet werden Prognosen eines auf Daten vor dem Holdout erneut trainierten Modells sowie die zuvor ausgewählte Strategie, Allokation, Konzentration, der…

OptionenBacktestingRisikomanagementUS-Märkte
Machine Learning for Trading

Dieses Notebook spezifiziert und führt eine Double-Machine-Learning-Analyse zum Effekt der Varianzrisikoprämie auf Renditen von Short-Optionen bis zum Verfall durch. Vor der Ausführung legt es Behandlung, Ergebnisgröße, Störfaktoren, Zeitablauf, Störmodell,…

OptionenVolatilitätMaschinelles LernenStatistik
Machine Learning for Trading

Das Dokument erläutert, wie ein Experimentregister ein Modell von seiner Trainingskonfiguration über Prognosen bis zu Backtestergebnissen nachverfolgen kann. Jede Phase erhält eine Kennung, die aus einer kanonisierten Spezifikation abgeleitet wird. So…

Maschinelles LernenStatistikBacktestingRisikomanagement
Machine Learning for Trading

Dieses Kapitel beschreibt den Portfolioaufbau als Umwandlung von Renditeprognosen, Risikoschätzungen und Beschränkungen in Gewichtungen, Hebel und Rebalancing-Entscheidungen. Es skizziert einen Forschungsablauf, der Allokationsentscheidungen dokumentiert,…

Portfolio-KonstruktionRisikomanagementPositionsgrößenbestimmungBacktesting
Machine Learning for Trading

Dieses Notebook erläutert, wie sich Ausstiege auf Positionsebene bewerten und mit portfolioweiten Kontrollen kombinieren lassen. Feste Stop-Loss-, Take-Profit- und zeitbasierte Ausstiege werden mit nachziehenden und enger werdenden Stops verglichen; ein…

RisikomanagementPositionsgrößenbestimmungBacktestingPortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook untersucht, wie Ridge, Lasso und Elastic Net wirken, wenn eine Merkmalsmatrix für Krypto-Perpetuals eine ökonomische Größe – die Prämie – auf viele verschiedene Arten misst. Die Eingaben werden von Prämienniveaus, Änderungen, Volatilität,…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Diese Studie wandelt registrierte Modellprognosen in vergleichbare S&P-500-Optionsstrategien um. An wöchentlichen Entscheidungstagen ordnet sie prognostizierte Renditen, filtert nach einem liquiden Anlageuniversum und verkauft gleich gewichtete…

OptionenAktienBacktestingOrderausführung
Machine Learning for Trading

Dieses Notebook zeigt das Rademacher-Anti-Serum-Protokoll, mit dem sich berücksichtigen lässt, dass aus einer Klasse getesteter Strategien ein Gewinner ausgewählt wird. Es schätzt die empirische Komplexität anhand der Performance-Pfade der Kandidaten und…

BacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook entwickelt eine Ausstiegsstrategie mit zwei Modellen für stündliche Krypto-Perpetuals. Ein Einstiegsklassifikator erkennt ungewöhnlich starke zukunftsgerichtete Renditen, während ein Ausstiegsklassifikator prognostiziert, ob die nächste…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook führt die Ergebnisse aus neun Marktfallstudien in einem mehrstufigen Prüfprozess für Strategien zusammen. Es prüft nacheinander, ob ein Modell einen positiven Informationskoeffizienten aufweist, seine ausgewählte Konfiguration einen positiven…

BacktestingStatistikRisikomanagementOrderausführung
Machine Learning for Trading

Dieses Notebook bewertet eine zuvor ausgewählte Optionskonfiguration für den S&P 500 in einem Holdout-Zeitraum. Es verwendet erneut die registrierten Modellprognosen und Strategieeinstellungen einschließlich Signalzeitplan, Allokation, Absicherungsregel und…

OptionenBacktestingRisikomanagementUS-Märkte
Machine Learning for Trading

Dieses Kapitel versteht Strategieforschung als Entwurf und Evaluierung eines ausführbaren Entscheidungsprozesses – von der ersten ökonomischen Idee über Positionsgrößen, Beschränkungen und Kosten bis hin zu Tests unter liveähnlichen Bedingungen. Es…

BacktestingMaschinelles LernenStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook demonstriert Prüfungen auf Merkmalsdrift bei ETF-Momentum- und technischen Merkmalen in ruhigen und angespannten Marktphasen sowie bei Krypto-Perpetuals mit Premiumindexdaten über verschiedene Marktregime hinweg. Es vergleicht den Population…

Maschinelles LernenStatistikRisikomanagementKrypto
Machine Learning for Trading

Dieses Notebook erläutert, wie Sie die Kontrakte zum US-Leitzins von Kalshi interpretieren und ihre Preise für quantitative Forschung aufbereiten. Der Preis eines binären Kontrakts entspricht einer impliziten Ereigniswahrscheinlichkeit; der Datenfeed enthält…

Festverzinsliche WertpapiereStatistikMarktmikrostrukturArbitrage
Machine Learning for Trading

Diese Umgebung modelliert einen Market Maker, der Quote-Mittelpunkt und Spread abhängig von Inventar, Volatilität und einer diskreten Aktionswahl anpasst. Synthetische Preise verwenden eine bedingte Volatilität, die mit einem GARCH-Prozess erzeugt wird; der…

Market-MakingMarktmikrostrukturVolatilitätRisikomanagement
Machine Learning for Trading

Dieses Notebook entwickelt einen einheitenbewussten Rahmen zur Schätzung von Handelskosten für Aktien, Krypto-Perpetuals, Futures, ETFs und Devisen. Es unterscheidet zwischen Aktienvolumen, Kontraktvolumen, Basiswertvolumen und Preisaktualisierungen.…

OrderausführungMarktmikrostrukturRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Referenz-ETF-Portfolios anhand historischer Krisen, manuell festgelegter gleichzeitiger Anlageschocks und Monte-Carlo-Verlustszenarien. Zu den historischen Zeiträumen zählen starke Aktien- und zinsbedingte Kursverluste; die…

Multi-AssetPortfolio-KonstruktionRisikomanagementVolatilität
Machine Learning for Trading

Das Dokument beschreibt eine gemeinsame Zustandsmaschine für automatisierte Handelsstopps mit den Zuständen geschlossen, offen und halboffen. Dieser Ablauf wird auf vier Bedingungen angewandt: Portfolio-Drawdown, Tagesverlust, aufeinanderfolgende…

RisikomanagementOrderausführungStatistik
Machine Learning for Trading

Das Notebook untersucht, wie sich eine feste monatliche ETF-Momentumstrategie unter verschiedenen Volatilitäts-, Trend- und Zinskurvenbedingungen entwickelt hat. Die Regime werden so bestimmt, dass sie vor der beschriebenen Rendite bekannt sind: Volatilität…

Multi-AssetMomentumVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook entwickelt einen Portfolio-Allocator, der einem Variablenauswahl-Netzwerk im Stil eines Temporal Fusion Transformer einen LSTM-Encoder vorschaltet. Das Auswahl-Netzwerk bettet jedes Eingabemerkmal separat ein und weist ihm Softmax-Gewichte…

AktienMaschinelles LernenPortfolio-KonstruktionRisikomanagement
Machine Learning for Trading

Dieses Dokument erläutert, wie sich eine Feature-Matrix für eine querschnittliche ETF-Momentum- und Rotationshypothese erstellen und prüfen lässt. Es definiert Rückblick und Informationsverzögerung für jedes Feature und erstellt anschließend nachlaufende…

AktienMulti-AssetMomentumTechnische Indikatoren