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

168 Dokumente

MQL5 articles

Diese Übersicht erklärt die Preisbildung an einer Börse anhand konkurrierender Käufer und Verkäufer, deren Orders Preise und verfügbare Mengen festlegen. Ausgehend von einzelnen Verkaufs- und Kaufangeboten führt sie zum aggregierten Orderbuch und behandelt…

MarktmikrostrukturFuturesOrderausführungRisikomanagement
MQL5 articles

Dieser Artikel beschreibt ein Cross-Order-System für MetaTrader 5, das fortlaufende historische Futures-Daten analysiert und Orders im aktuell gültigen Kontrakt platziert. Im Mittelpunkt stehen brasilianische Mini-Dollar- und Mini-Index-Futures. Erläutert…

FuturesOrderausführungRisikomanagement
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

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 stellt ein gemeinsames Datensystem für quantitative Handelsforschung vor und katalogisiert Datensätze zu Aktien, Optionen, Futures, Krypto, Devisen, Faktoren, Makroökonomie, Unternehmensmeldungen, Positionierung, Nachrichten und…

Multi-AssetAktienFuturesKrypto
Machine Learning for Trading

Dieses Notebook erläutert, wie sich aus drei Kontraktlaufzeiten je Produkt eine querschnittliche Futures-Feature-Matrix erstellen lässt. Carry und Kurvenkrümmung werden aus Börsenabrechnungskursen abgeleitet, während rollbereinigte Preise für Rendite-,…

FuturesRohstoffeCarryMomentum
Machine Learning for Trading

Dieses Notebook bewertet Stop-Loss-, Trailing-Stop- und Exits mit fester Laufzeit als Overlays für CME-Futures-Strategien. Für jeden Prognosehorizont wendet es konfigurierte Regeln auf die anhand vorheriger Signal- und Allokationsergebnisse ausgewählte…

FuturesRisikomanagementBacktestingCarry
Machine Learning for Trading

Dieser Leitfaden erläutert, wie stündliche kontinuierliche Futures-Daten in Tagesbalken umgewandelt werden, die an CME-Handelssitzungen ausgerichtet sind. Da eine Sitzung um 4 PM Central Time endet, gehören Balken vom Sonntagabend zur Montagssitzung. Balken…

FuturesRohstoffeMarktmikrostrukturBacktesting
Machine Learning for Trading

Dieses Notebook erstellt regelbasierte Merkmale für einen Querschnitt von CME-Futures, mit Fokus auf Carry aus den Spreads nahe beieinanderliegender Lieferkontrakte. Außerdem werden Momentum-, Volatilitäts-, Kurvenform- und Kalendermerkmale erstellt. Das…

FuturesRohstoffeCarryMomentum
Machine Learning for Trading

Dieses Notebook definiert Vorwärtsrenditeziele für eine Futuresstrategie im Querschnitt, die Produkte nach ihrer Laufzeitstruktur einordnet, stärkere Carry-Produkte long geht und schwächere short. Es unterscheidet um Rollvorgänge bereinigte Kurse, die sich…

FuturesRohstoffeCarryStatistik
Machine Learning for Trading

Dieses Dokument beschreibt einen festen Backtest außerhalb der Stichprobe für eine ausgewählte CME-Futuresstrategie. Konfiguration, Vorhersagen, Allokator, Umschichtungsrhythmus, Konzentration und Transaktionskostenannahmen stammen aus früheren…

FuturesBacktestingStatistikRisikomanagement
Machine Learning for Trading

Dieses Notebook untersucht lineare Prognosemodelle für einen Querschnitt von CME-Futuresprodukten mit Merkmalsspalten aus verwandten Gruppen, darunter Carry, Momentum, Volatilität und rollierende Risikomaße. Da Spalten innerhalb einer Gruppe häufig…

FuturesMaschinelles LernenFaktorinvestierenStatistik
Machine Learning for Trading

Dieses Notebook misst, wie sich Transaktionskosten auf eine festgelegte CME-Futures-Strategiekonfiguration auswirken. Es wählt die berichtete Konfiguration in einem gemeinsamen Validierungsverfahren aus, übernimmt deren Risiko-Overlay in die Kostenläufe und…

FuturesRohstoffeBacktestingOrderausführung
Machine Learning for Trading

Dieses explorative Notebook untersucht stündliche CME-Futuresdaten über Produkte und Anlageklassen hinweg und verwendet den E-mini S&P 500 als Beispiel. Es erläutert die Hierarchie von Produkt über auslaufenden Kontrakt bis zur fortlaufenden Reihe, fasst…

FuturesStatistikBacktestingMarktmikrostruktur
Machine Learning for Trading

Dieses Notebook erläutert, wie Futures-Kontraktspezifikationen die Abrechnung im Backtest beeinflussen. Es zeigt, wie der Kontraktmultiplikator Preisbewegungen in Dollar-P&L umrechnet, wie sich der Nominalwert für die Positionsbemessung aus Preis mal…

FuturesRohstoffeMomentumPositionsgrößenbestimmung
Machine Learning for Trading

Dieser Prüfdatensatz legt fest, wie mehrere Backtesting-Frameworks mit ML4T anhand realer Strategiefallstudien und eines synthetischen Stresstests verglichen werden. Er definiert Vergleichsregeln für geordnete Ausführungen, Zeitstempel, Kontogeldwerte,…

BacktestingOrderausführungMarktmikrostrukturFutures
Machine Learning for Trading

Dieses Notebook vergleicht die Korrektheit und Laufzeit von VectorBT Pro und VectorBT OSS mit ML4T anhand unterstützter Fallstudienstrategien. Es behandelt die Portfolioallokation mit ETF, den Devisenhandel mit USD-Notierung und ein Aktienpanel aus US für…

BacktestingOrderausführungFuturesDevisenhandel
Machine Learning for Trading

Dieses Notebook bewertet Sequenzkonfigurationen von LSTM und NLinear für CME-Futures. Sequenzmodelle verarbeiten geordnete Beobachtungsfenster und prüfen, ob der jüngste Verlauf zusätzliche Informationen gegenüber konstruierten Zusammenfassungsmerkmalen…

FuturesMaschinelles LernenBacktestingStatistik
Machine Learning for Trading

Diese Analyse erläutert, wie Informationskoeffizienten für einen Katalog von CME-Futures-Prognosemodellen zu interpretieren sind. Sie definiert den IC jedes Datums als Rangkorrelation zwischen prognostizierten und realisierten Renditen über Produkte hinweg…

FuturesStatistikMaschinelles LernenBacktesting
Machine Learning for Trading

Dieses Notebook zur Merkmalsentwicklung erstellt Variablen, die Informationen über die Kurshistorie eines einzelnen Assets hinaus erfordern. Für Futures berechnet es die annualisierte Rollrendite aus zeitgleichen Kursniveaus naher und ferner Kontrakte sowie…

FuturesOptionenCarryVolatilität
Machine Learning for Trading

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…

FuturesMaschinelles LernenStatistikBacktesting
Machine Learning for Trading

Dieses Notebook stellt ein aktuelles Audit vor, das VectorBT Pro und VectorBT OSS anhand unterstützter Strategieaufgaben mit realen Daten mit ML4T vergleicht. Beide VectorBT-Editionen werden für ETF-Allokation, USD-notierte Devisenallokation und ein…

Multi-AssetAktienFuturesDevisenhandel
Machine Learning for Trading

Dieses Audit vergleicht Backtrader und Zipline mit ML4T anhand realer Strategiefälle. Dabei werden nur Kombinationen aus Assets und Kontrakten berücksichtigt, die beide Engines und das eingefrorene Datenpaket nativ abbilden können. Untersucht werden die…

BacktestingOrderausführungFuturesDevisenhandel
Machine Learning for Trading

Dieses Notebook wandelt Futures-Carry – die Preisdifferenz zwischen nahen Fälligkeiten – in modellbasierte Features um. Es beschreibt Ein-Schritt-ARIMA-Prognosen je Produkt, rollierende Fourier-Maße für die Stärke saisonaler Zyklen und ein…

FuturesCarryMaschinelles LernenStatistik