Wissensbibliothek

Das Dokument beschreibt die Anpassung eines einfachen linearen Sequenzmodells an NASDAQ-100-Ein-Minuten-Merkmale, um zukünftige Renditen für mehrere Horizonte vorherzusagen. Jede Eingabe umfasst die vorangegangene Stunde für eine Aktie, ausgedrückt als…

Das Dokument beschreibt einen Workflow für Machine-Learning-Handelsforschung, der Ideen von Daten und Merkmalskonstruktion über Modelltraining, Backtesting, Transaktionskosten, Portfolio- und Risikoentscheidungen bis hin zu Einsatz und Überwachung führt. Es…

Dieses Notebook erstellt modellbasierte bedingte Volatilitätsmerkmale für S&P-500-Aktien mit einem GJR-GARCH(1,1)-Modell. Anschließend vergleicht es einen optionsimpliziten Volatilitätsaufschlag gegenüber der realisierten Volatilität mit einem Aufschlag…

Diese CME-Futures-Studie variiert die Kapazität und Verlustfunktion von Gradient-Boosting-Bäumen und zeichnet Vorhersagen an mehreren Trainings-Checkpoints auf. Die Anzahl der Blätter bestimmt, wie fein ein Modell den Merkmalsraum aufteilt, während sich…

Dieses Notebook untersucht, wie sich Ridge-Regularisierungsentscheidungen auf den Informationskoeffizienten eines ETF-Panels auswirken und wie eine Hyperparametersuche die berichtete Performance überhöhen kann. Zunächst wertet es ein breites Alpha-Raster…

Dieses Notebook passt ein latentes PCA-Faktormodell an ein Panel von Aktienrenditen an, ohne Optionsoberflächenmerkmale, andere Merkmale oder Zielinformationen zu verwenden. PCA extrahiert die führenden Richtungen der historischen querschnittlichen…

Dieses Dokument beschreibt einen monatlichen US-Aktiendatensatz für Machine-Learning-Forschung im Asset Pricing. Er enthält 94 nach Rang transformierte Unternehmensmerkmale, darunter Rechnungslegungskennzahlen und technische Merkmale, sowie Renditen.…

Dieses Notebook fasst die Ausführung einer übergeordneten Order als Steuerungsproblem mit endlichem Zeithorizont auf. Ein tabellarischer Q-Learning-Agent wählt einen Multiplikator für eine auf VWAP basierende Handelsrate anhand der verbleibenden Zeit, des…

Dieses Notebook erstellt einen Retrieval-Augmented-Research-Assistenten auf Grundlage von Auszügen aus US-Unternehmensmeldungen nach 10-K. Es lädt Meldungen, zerlegt Texte in Satzfenster, bettet die Abschnitte mit einem lokalen Modell ein und erstellt einen…

Dieses Notebook demonstriert das Training eines generativen adversarialen Netzwerks mit täglichen ETF-Merkmalen und differenzieller Privatsphäre. Es erläutert die Datenschutzgarantie und das Budget und verwendet anschließend Opacus, um den…

Dieses Notebook erklärt TSMixer, ein neuronales Zeitreihenmodell, das zwei Operationen abwechselt: eine gemeinsame lineare Abbildung über zurückliegende Tage für jedes Merkmal und ein gemeinsames Merkmals-MLP, das unabhängig auf jeden Tag angewendet wird.…

Dieses Notebook trainiert ein Long-Short-Term-Memory-Netzwerk mit NASDAQ-100-Mikrostrukturmerkmalen, um künftige Renditen über mehrere Horizonte im Minutenbereich vorherzusagen. Anders als ein abgeflachtes lineares Modell verarbeitet ein LSTM jede…

Dieses Notebook zeigt, wie sich aus dem MD&A-Text quartalsweiser SEC 10-Q zwei mögliche Aktiensignale ableiten lassen. FinBERT bewertet Textabschnitte nach positiver, neutraler oder negativer Tonalität; die Abschnittswerte werden zu einer durchschnittlichen…

Dieses Notebook erklärt die instrumentierte Hauptkomponentenanalyse (IPCA), die die Faktor-Exposures jedes ETF als gemeinsame lineare Funktion der beobachteten Merkmale dieses Fonds modelliert. Abwechselnde kleinste Quadrate schätzen gemeinsam die Abbildung…

Das Notebook stellt einen autonomen Forschungsablauf vor, in dem ein Sprachmodell allgemeine Werkzeuge verwendet, um Dateien zu prüfen, Befehle auszuführen, ein Backtest-Register abzufragen und Daten zu untersuchen. Statt Forschungsaktionen fest zu…

Dieses gemeinsame Modul zur Feature-Konstruktion definiert Regeln für die Erstellung finanzieller Prognosemerkmale, die in mehreren Fallstudien verwendet werden, und prüft diese. Für jede Merkmalsfamilie hält es Hypothese, Eingaben, rollierenden…

Diese Analyse vergleicht gelernte Signale für monatliche Querschnittsrenditen von US-Aktien anhand von Bilanz- und Marktmerkmalen; Zielgröße ist die Rendite des Folgemonats. Sie untersucht lineare Modelle, Boosted Trees, tiefe Tabular-Methoden, Schätzer…

Dieses Kapitel stellt agentische Arbeitsabläufe für Finanzrecherchen vor, bei denen das Sammeln, Filtern und Zusammenführen uneinheitlicher Evidenz die zentrale Herausforderung ist. Es vergleicht diese Abläufe mit herkömmlichen Modellen, die sich für…

Dieses Notebook definiert und validiert monatliche Rendite-Labels für eine Querschnittsstudie zu Unternehmensmerkmalen aus US. Es prüft, wie der Datenanbieter die Merkmale jeder Zeile dem Renditeergebnis zuordnet, und betont, dass das Panel bereits…

Dieses Notebook erstellt einen durchgängigen Portfolioallokator, der ein Variablenauswahl-Netzwerk im Stil eines Temporal Fusion Transformers vor einen LSTM schaltet. Separate gated Residual Networks bilden einzelne Merkmale ab, und gelernte weiche Gewichte…

Dieses Notebook erklärt, wie Finanzmodelle bewertet werden können, ohne dass Informationen, die zum Entscheidungszeitpunkt nicht verfügbar waren, in das Training oder die Modellauswahl einfließen. Es unterscheidet zwischen Trainings-, Validierungs- und…

Dieses Notebook vergleicht vier Methoden zur Erkennung von Beziehungen in einem Panel aus ETF-Renditen: NOTEARS für zeitgleiche lineare DAGs, VAR-LiNGAM für verzögerte und unmittelbare Strukturen, PCMCI für Tests auf bedingte Unabhängigkeit und Granger-Tests…

Dieses Notebook untersucht, wie sich Ridge-Regularisierung auf die Performance des Informationskoeffizienten (IC) auswirkt und wie die Hyperparametersuche berichtete Validierungsergebnisse verzerren kann. Zunächst wird ein breites Alpha-Raster mit…

Dieses Notebook stellt Tail-GAN vor, einen generativen adversarialen Ansatz zur Reproduktion des Tail-Risikos finanzieller Szenarien, insbesondere des Value at Risk (VaR) und des Expected Shortfall (ES). Es verwendet differenzierbares Sortieren, damit…