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

Dieser Leitfaden ordnet kausale Fragestellungen Python-Bibliotheken zu und verdeutlicht den Unterschied zwischen der Schätzung von Effekten unter einer angenommenen Kausalstruktur und der Entdeckung möglicher Strukturen aus Daten. Er stellt Double Machine…

Maschinelles LernenStatistikAktienKrypto
Machine Learning for Trading

Dieses Framework zeigt Qualitätsprüfungen für tägliche US-Aktien-OHLCV-Daten. Die strukturelle Validierung prüft Preisbeziehungen, positive Preise, nichtnegative Volumina, fehlende Werte, doppelte Datumsangaben, chronologische Reihenfolge, veraltete Preise…

AktienStatistikRisikomanagementUS-Märkte
Machine Learning for Trading

Dieses Notebook stellt ein Modell mit stochastischem Diskontfaktor zur Bewertung eines ETF-Querschnitts vor. Statt Fondsengagements und Faktorrenditen getrennt zu schätzen, trainiert es Netzwerke darauf, eine gemeinsame Diskontfaktorreihe zu finden, deren…

Maschinelles LernenFaktorinvestierenStatistikAktien
Machine Learning for Trading

Dieses Notebook wendet TabM, ein neuronales Ensemble mit gemeinsam genutzten Gewichten, auf ein Panel von Merkmalen für Krypto-Perpetual-Futures an. Die Mitglieder teilen sich ein neuronales Grundgerüst, haben jedoch eigene Skalierungsvektoren und…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook rekonstruiert für jeden AAPL-Trade während einer einzelnen Sitzung im März 2020 das jeweils aktuelle beste Geld- und Briefgebot. Anschließend wendet es die Lee–Ready-Methode an, um abzuleiten, ob Käufer oder Verkäufer den Trade initiiert…

AktienMarktmikrostrukturOrderausführungStatistik
Machine Learning for Trading

Dieses Notebook prüft Finanzmerkmale und modellbasierte Merkmale darauf, ob sie ETFs anhand nachfolgender Renditen in eine Rangfolge bringen können. Es berechnet für jedes Datum einen Information Coefficient, indem es die Querschnittsränge jedes Merkmals mit…

AktienStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook erstellt einen nachvollziehbaren Bericht für eine reine Bitcoin-Long-Strategie, deren Ein- und Ausstieg anhand von RSI-Schwellenwerten erfolgt. Es vergleicht Brutto- und Nettoergebnisse und misst anschließend die Leistung gegenüber einer…

KryptoRückkehr zum MittelwertTechnische IndikatorenBacktesting
Machine Learning for Trading

Dieses Notebook untersucht gezielt, ob eine gelernte Sequenzdarstellung von Perpetual-Funding-Merkmalen handgefertigte Zusammenfassungen der Prämie verbessert, also des Abstands zwischen Perpetual- und Spotpreisen. Es vergleicht NLinear, das Änderungen…

KryptoPerpetual FuturesMaschinelles LernenBacktesting
Machine Learning for Trading

Diese Konfiguration beschreibt eine tägliche Long-Short-US-Aktienstrategie, die ein breites Aktienuniversum anhand von Modellprognosen sortiert, das oberste Dezil kauft und das unterste Dezil mit gleichen Gewichten innerhalb der jeweiligen Gruppe…

AktienUS-MärktePortfolio-KonstruktionOrderausführung
Machine Learning for Trading

Dieses Notebook bewertet potenzielle Merkmale für 20 Währungspaare einzeln anhand zukünftiger Renditen. Es beschränkt die Analyse auf Walk-Forward-Validierungszeiträume, kennzeichnet jede Sitzung mit ihrem Fold und lässt vor dem Holdout eine Pufferlücke,…

DevisenhandelStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook erläutert, wie sich Wahrscheinlichkeitsprognosen mehrerer Agenten kombinieren und die resultierenden Wahrscheinlichkeiten kalibrieren lassen. Es stellt die Neyman-Extremisierung vor, die den Mittelwert der Prognosen abhängig von der…

StatistikMaschinelles LernenMarktstimmung
Machine Learning for Trading

Dieses Datenwerkzeug unterstützt die Arbeit mit dem Bewertungsdatensatz von Chen, Pelger und Zhu, der Aktienrenditen, Unternehmensmerkmale, makroökonomische Zeitreihen und vor der Aufteilung erstellte Merkmaltensoren umfasst. Seine Konvertierungsmethode…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook wandelt Modellranglisten in einfache Krypto-Perpetual-Portfolios um. Zu jedem Funding-Zeitpunkt wählt eine Einstiegsregel Kontrakte am oberen oder unteren Ende der Rangliste aus und gewichtet sie gleich. Die Gleichgewichtung dient als…

KryptoPerpetual FuturesBacktestingPortfolio-Konstruktion
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 Modul beschreibt eine gemeinsame Methode zur Vorbereitung von Walk-Forward-Trainings- und Validierungsfolds für mehrere Modellfamilien. Es trennt aufwendige, modellunabhängige Arbeit – das Zuschneiden von Zeitfenstern, das Anwenden foldspezifischer…

Maschinelles LernenBacktestingStatistik
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

Dieses Notebook vergleicht Validierungsprognosen mehrerer Modellfamilien für die Funding-Forschung zu Perpetual Futures. Es erläutert, dass der Information Coefficient den Rangzusammenhang zwischen Prognosen und nachfolgenden Renditen misst, AUC die…

KryptoPerpetual FuturesMaschinelles LernenStatistik
Machine Learning for Trading

Diese Implementierung beschreibt, wie sich gebündelte Sequenzfenster für Paneldaten in Deep-Learning-Studien erstellen lassen. Die Fenster folgen dem erwarteten Kalender des Panels, statt die Beobachtungen jedes Vermögenswerts zu lückenlosen Zeilen…

Maschinelles LernenStatistikBacktestingKrypto
Machine Learning for Trading

Dieses Notebook stellt praktische Bereinigungsmethoden für Markt- und Unternehmensdaten vor, darunter den Umgang mit Duplikaten, Kennzeichnungen für Datenlücken, Domänenfilter, die Erkennung von Spitzen durch Richtungswechsel, das Begrenzen von Ausreißern,…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook erklärt, wie sich bewerten lässt, ob Strategien auf einem US-Aktienpanel Trading-Kosten standhalten. Es fixiert anhand der Validierungs-Sharpe eine Konfiguration pro Label und bewertet dann dieselbe Strategie zu festgelegten Kostenniveaus…

AktienBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook untersucht, ob SHAP-Attributionen stabil bleiben, wenn Prognosen ähnlich sind oder Modelle mit unterschiedlichen Zufalls-Seeds und Architekturen erneut angepasst werden. Anhand von ETF-Forward-Renditen sucht es Stichprobenpaare mit ähnlichen…

Maschinelles LernenStatistikRisikomanagementAktien
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