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

Quantopian-Vorlesungen

Diese Vorlesung verwendet Faktormodelle, um Portfoliorenditen zu erklären und Exponierungen gegenüber systematischen Risikoquellen zu quantifizieren. Sie beschreibt, wie aktive Renditen relativ zu einer Benchmark auf Faktorrenditen regressiert werden und wie…

FaktorinvestierenRisikomanagementPortfolio-KonstruktionAktien
Quantopian-Vorlesungen

Diese Vorlesung führt den Kalman-Filter als Methode ein, um den Zustand eines sich entwickelnden Systems anhand eines Modells und verrauschter Beobachtungen zu schätzen. Der Filter wechselt zwischen der Prognose des nächsten Zustands und der Aktualisierung…

StatistikAktienTechnische IndikatorenMaschinelles Lernen
Quantopian-Vorlesungen

Diese Vorlesung erläutert Stationarität, Integrationsordnungen und die Bedeutung dieser Eigenschaften für die Analyse finanzieller Zeitreihen. Ein stationärer Prozess hat stabile datenerzeugende Eigenschaften, während Veränderungen wie ein driftender…

StatistikPairs-TradingAktienBacktesting
Quantopian-Vorlesungen

Das Dokument erklärt die Spearman-Rangkorrelation als Maß dafür, ob sich zwei Variablen in derselben oder entgegengesetzten Reihenfolge bewegen, auch wenn ihr Zusammenhang monoton, aber nicht linear ist. Die Korrelation wird aus gerankten Beobachtungen…

StatistikAktienMomentumBacktesting
Quantopian-Vorlesungen

Das Dokument führt lineare Faktormodelle ein, die Renditen eines Assets anhand seiner Exponierungen gegenüber fundamentalen Faktorrenditen erklären. Es beschreibt zwei Möglichkeiten, Unternehmensmerkmale vergleichbar zu machen: Long-Short-Portfolios durch…

FaktorinvestierenAktienMomentumPortfolio-Konstruktion
Quantopian-Vorlesungen

Das Dokument erläutert, wie die Verteilung des Engagements auf unabhängige oder schwach korrelierte Positionen die Portfoliovolatilität senken kann, während zusätzliche stark korrelierte Assets das Risiko möglicherweise kaum verändern. Es veranschaulicht das…

RisikomanagementPortfolio-KonstruktionPositionsgrößenbestimmungStatistik
Quantopian-Vorlesungen

Das Dokument definiert Korrelation als Kovarianz geteilt durch die Standardabweichungen zweier Reihen. So entsteht ein Maß zwischen -1 und 1, das sich leichter über Datensätze hinweg vergleichen lässt. Es erläutert Kovarianz- und Korrelationsmatrizen anhand…

StatistikPortfolio-KonstruktionRisikomanagementAktien
Quantopian-Vorlesungen

Diese Vorlesung erläutert, warum viele statistische Tests die Wahrscheinlichkeit erhöhen, zufällig scheinbar signifikante Zusammenhänge zu finden. Sie veranschaulicht dies mit paarweisen Spearman-Rangkorrelationen zwischen unabhängigen Zufallsreihen. Wenn…

StatistikBacktestingMaschinelles Lernen
Machine Learning for Trading

Dieses Modul stellt Prüfungen nach dem Training von Zeitreihengeneratoren vor, die auf dem TimeGAN-Auswertungsansatz beruhen. Es misst den Nutzen, indem es einen rekurrenten Prädiktor auf synthetischen Sequenzen trainiert und mit echten Daten testet. Ein…

Maschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook beschreibt einen Backtest außerhalb der Stichprobe für eine ausgewählte Krypto-Perpetual-Funding-Strategie. Es verwendet Prognosen aus einer Trainingshistorie, die vor dem Holdout-Zeitraum endet, und wendet anschließend die gewählte…

KryptoPerpetual FuturesCarryBacktesting
Machine Learning for Trading

Das Dokument zeigt, wie wöchentliche Commitment-of-Traders-Berichte in Positionsmerkmale für Futures umgewandelt werden. Es erläutert die Händlerkategorien in den Formaten für Finanz-Futures und aufgeschlüsselte Rohstoffe sowie die Bedeutung der…

FuturesRohstoffeMarktstimmungTechnische Indikatoren
Machine Learning for Trading

Das Dokument erläutert, wie ein stochastischer Diskontfaktor (SDF) einen Preiskern schätzt, der jedes Asset bewerten sollte, statt gemeinsame Renditefaktoren zu schätzen. Es beschreibt adversariales Training: Ein Netzwerk schlägt den Diskontfaktor vor,…

OptionenBewertung von DerivatenMaschinelles LernenFaktorinvestieren
Machine Learning for Trading

Dieses Notebook verwendet Optuna, um XGBoost, LightGBM und CatBoost anhand eines zeitlich aufgeteilten Datensatzes mit Unternehmensmerkmalen abzustimmen. Bei jeder Bibliothek wird die Verlustfunktion – mittlerer quadratischer Fehler oder mittlerer absoluter…

Maschinelles LernenStatistikFaktorinvestierenBacktesting
Machine Learning for Trading

Dieser Benchmark vergleicht pandas und Polars anhand typischer Vorgänge in Finanzdaten-Pipelines, darunter rollierende Merkmale, Gruppenberechnungen, Fenstertransformationen, Filterung, Joins, verzögerte Datenscans, Speicherbedarf und…

BacktestingMaschinelles LernenStatistikMarktmikrostruktur
Machine Learning for Trading

Dieses Dokument beschreibt eine tägliche Kandidatenmenge von ETF, die Aktien, festverzinsliche Wertpapiere, Rohstoffe und Währungen abdeckt. Es skizziert einen Ablauf zum Herunterladen und Laden von Marktdaten für Analysen, zur Prüfung der Abdeckung nach…

Multi-AssetAktienFestverzinsliche WertpapiereRohstoffe
Machine Learning for Trading

Dieses Notebook erläutert, wie vier Markteinflussmodelle in einem Backtest angewendet werden: ohne Einfluss, linearer Einfluss, Einfluss nach einer Quadratwurzelfunktion und ein konfigurierbares Potenzgesetz. Jedes Modell schätzt anhand von Orderrichtung,…

OrderausführungMarktmikrostrukturBacktestingRisikomanagement
Machine Learning for Trading

Dieses Notebook wendet TabM, einen Ansatz mit neuronalen Netzen für Tabellendaten, auf Prognosezeilen für Wechselkurspaare an, ohne die Daten als Sequenz zu behandeln. Es verwendet eine gemeinsame Runner-Infrastruktur, um die Vorverarbeitung innerhalb jedes…

DevisenhandelMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Dieses Dokument erläutert, wie sich wöchentliche Commitment-of-Traders-Berichte in Merkmale zur Positionierung in Futures umwandeln lassen. Es beschreibt Berichtskategorien für Finanz-Futures und physische Rohstoffe, erklärt, wie Nettopositionen die…

FuturesRohstoffeMarktstimmungStatistik
Machine Learning for Trading

Dieses Dokument erläutert, wie verborgene Markov-Modelle unbeobachtete Marktphasen anhand von Renditen und jüngster Volatilität ableiten. Zunächst legt es zwei transparente Vergleichswerte fest: einen Schwellenwert des Volatilitätsindex für Stress und den…

Maschinelles LernenStatistikVolatilitätTrendfolge
Machine Learning for Trading

Dieses Notebook erstellt univariate Prognosen der täglichen Schlusskurse von SPY mit PyTorch ohne Abstraktionsschicht, sktime und Darts. Es vergleicht die praktische Nutzung jeder Schnittstelle, einschließlich Implementierungsaufwand,…

AktienMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook erläutert eine Familie von ETF-Modellen, die Renditen anhand gemeinsamer latenter Richtungen darstellt und schätzt, wie Fondsmerkmale auf Exposures abgebildet werden. Es unterscheidet fünf Ansätze: unbedingte Hauptkomponenten, Instrumented…

AktienMaschinelles LernenStatistikFaktorinvestieren
Machine Learning for Trading

Diese Analyse vergleicht Prognose-, Latent-Faktor- und Kausalmodelle für eine Querschnittsstrategie mit S&P-500-Aktien und wöchentlichen Vorwärtsrenditen. Der Merkmalsumfang kombiniert Momentum- und Volatilitätsmaße für Aktien mit Optionsdaten wie impliziter…

AktienOptionenMaschinelles LernenStatistik
Machine Learning for Trading

Dieses Notebook erstellt ein tägliches Merkmals-Panel für eine Long-Short-Rangstrategie über zwanzig FX-Paare. Es fasst vierstündige Kassakursbalken zu Sitzungen zusammen, die mit dem Rollover um 5 PM in New York enden, und erstellt daraus nachlaufende…

DevisenhandelSpotmärkteRückkehr zum MittelwertMomentum