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

1,494 Dokumente

Machine Learning for Trading

Dieses Notebook vergleicht sklearn HistGradientBoosting, XGBoost, LightGBM und CatBoost zur Prognose zukünftiger ETF-Renditen. Es misst den querschnittlichen Information Coefficient, die Trainingszeit und den Speicherverbrauch für verschiedene…

Maschinelles LernenAktienBacktestingStatistik
Machine Learning for Trading

Dieses Notebook ordnet eine Familie von ETF-Renditemodellen ein, die gemeinsame latente Richtungen in einem Panel ableiten und Merkmale zur Schätzung von Fondsrisiken verwenden. Es unterscheidet fünf Ansätze: unbedingte Hauptkomponenten; instrumentierte PCA…

StatistikMaschinelles LernenFaktorinvestieren
Machine Learning for Trading

Dieses Notebook zeigt, warum die Suche über viele Signale oder Strategien das beste beobachtete Ergebnis stärker erscheinen lässt, als es seinem tatsächlichen Prognosewert entspricht. Eine Simulation mit Faktoren ohne echte Information veranschaulicht, wie…

StatistikFaktorinvestierenBacktestingMaschinelles Lernen
Machine Learning for Trading

Dieses Notebook erläutert, wie ein veröffentlichtes, querschnittlich rangiertes US-Unternehmensmerkmal-Panel in eine Feature-Matrix mit Schlüsseln für eine Faktorenstudie überführt wird. Es gruppiert Eingaben in festgelegte Familien, kombiniert Merkmale und…

AktienFaktorinvestierenBacktestingStatistik
Machine Learning for Trading

Diese Merkmalsstudie zu US-Aktien erläutert, wie sich Merkmale aus geschätzten Modellen erstellen lassen, ohne zukünftige Daten in frühere Beobachtungen einfließen zu lassen. Der Schätzplan sieht eine Aufwärmphase mit historischen Daten vor, passt Parameter…

AktienVolatilitätTechnische IndikatorenStatistik
Machine Learning for Trading

Dieses Notebook wendet TSMixer auf ETF-Sequenzen an und nutzt dafür eine global über alle Fonds geteilte Funktion. Jedes Beispiel enthält die Historie und Kovariaten eines einzelnen Fonds; zeitliche und merkmalsbezogene Wechselwirkungen werden über das Panel…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook beschreibt ein Modell mit stochastischem Diskontierungsfaktor (SDF) zur Bewertung der Querschnittsrenditen von US-Unternehmen. Statt zunächst Faktoren zu schätzen und anschließend anzuwenden, lernt es direkt Gewichte für Unternehmen und…

AktienFaktorinvestierenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook analysiert rekonstruierte NASDAQ-Limit-Orderbücher, um Intraday-Spreads und die Markttiefe an der besten Geld- und Briefseite zu beschreiben. Anschließend untersucht es, ob ein Ungleichgewicht im Orderflow mit nachfolgenden Renditen in…

MarktmikrostrukturAktienStatistikOrderausführung
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 Notebook bewertet vier aus Nachrichten abgeleitete Signale – gewichtete Überraschung, durchschnittliche Stimmung, Stimmungsänderung und Artikelabdeckung – anhand künftiger Aktienrenditen. Es berechnet täglich einen Spearman-Informationskoeffizienten…

AktienMarktstimmungStatistikFaktorinvestieren
Machine Learning for Trading

Dieses Dokument beschreibt die Anpassung temporaler Faltungsnetze an Mikrostrukturmerkmale auf Minutenebene für NASDAQ 100. Kausale Faltungen verhindern, dass eine Prognose spätere Beobachtungen verwendet. Dilatation ermöglicht es aufeinanderfolgenden…

AktienMaschinelles LernenStatistikBacktesting
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

Diese Analyse vergleicht Prognosen verschiedener Modellfamilien, die mit monatlichen Merkmalen von US-Aktien trainiert wurden, um Renditen für den Folgemonat vorherzusagen. Im Mittelpunkt steht der Informationskoeffizient im Querschnitt, der misst, wie gut…

AktienUS-MärkteMaschinelles LernenStatistik
Machine Learning for Trading

Diese Fallstudie passt regularisierte lineare Modelle an Renditen von bis zum Verfall gehaltenen Short-At-the-Money-Straddles an. Der Trade vereinnahmt Call- und Put-Prämien. Dadurch ist der maximale Gewinn begrenzt, während bei starken Bewegungen des…

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 Notebook vergleicht Methoden zur Entdeckung von Beziehungen in einem Panel von ETF-Renditen: NOTEARS für zeitgleiche lineare gerichtete azyklische Graphen, VAR-LiNGAM für verzögerte und unmittelbare Strukturen, PCMCI für bedingte…

Maschinelles LernenStatistikAktienBacktesting
Machine Learning for Trading

Dieses Notebook zeigt, wie sich LightGBM-Hyperparameter mit Optunas TPE-Sampler abstimmen lassen. Als Ziel dient der Informationskoeffizient im Querschnitt. Die Anzahl der Boosting-Runden wird per Early Stopping gewählt; ein benutzerdefinierter…

Maschinelles LernenBacktestingStatistikAktien
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

Dieses Notebook vereint fünf Ansätze mit latenten Faktoren zur Modellierung des Querschnitts der Aktienrenditen in der S&P 500-Optionsfallstudie. PCA schätzt gemeinsame Bewegungen allein anhand der Renditen; IPCA bildet Merkmale linear auf Exposures ab; ein…

AktienFaktorinvestierenMaschinelles LernenStatistik
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 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 untersucht, ob der Total Value Locked als Alternativdatensignal für Ether-Renditen dienen kann. TVL fasst den Dollarwert der in dezentralen Finanzprotokollen hinterlegten Kryptoanlagen zusammen. Da es sich um einen preisbewerteten Bestand und…

KryptoDeFiOn-Chain-DatenStatistik
Machine Learning for Trading

Dieses Notebook definiert Schlusskurs-zu-Schlusskurs-Renditen für zwei Handelshorizonte im Querschnitt von ETFs. Jeder Horizont wird vom bereinigten Schlusskurs bis zum Schlusskurs einer festgelegten Anzahl späterer Sitzungen gemessen. Es erklärt, warum…

AktienMomentumStatistikBacktesting
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