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

139 Dokumente

MQL5 articles

Das Dokument beschreibt einen MQL5-Expert-Advisor, der seinen Handelsansatz an ein erkanntes Marktregime anpasst. Bei Aufwärts- und Abwärtstrends nutzt er Trendfolgelogik, in Seitwärtsphasen ein Beispiel zur Mean-Reversion auf Basis von RSI und bei hoher…

Multi-AssetTrendfolgeRückkehr zum MittelwertAusbruch
MQL5 articles

Dieser Artikel beschreibt einen MetaTrader-5-Expert-Advisor, der mehrere Forex- und Metallpaare von einem Chart aus handeln kann und sich optional auf ein einzelnes Paar beschränkt. Sein Signalkonzept kombiniert die Swing-Struktur des ZigZag mit dem Awesome…

DevisenhandelRohstoffeMulti-AssetTechnische Indikatoren
MQL5 articles

Das Dokument beschreibt ein MQL5-Framework, das zusammengehörige offene Positionen als einen Basket verwaltet. Die Positionen werden anhand einer Kennung in ihren Kommentaren gruppiert und anschließend erfasst, um die Anzahl der Positionen, Long- und…

RisikomanagementPositionsgrößenbestimmungOrderausführungMulti-Asset
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 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

Diese Fallstudie vergleicht Prognosemodelle für eine monatliche Rotation über Anlageklassen hinweg, anhand von ETFs für Aktien, festverzinsliche Anlagen, Rohstoffe, Währungen und Immobilien. Die zentrale Erkenntnis lautet, dass Informationskoeffizient (IC)…

Multi-AssetBacktestingPortfolio-KonstruktionMomentum
Machine Learning for Trading

Dieses Notebook zeigt, wie makroökonomische Beobachtungen den Daten zugeordnet werden, an denen Händler tatsächlich darüber verfügen konnten. Es unterscheidet den Zeitraum, den ein Wert misst, von seinem Veröffentlichungsdatum, schätzt Veröffentlichungsdaten…

Multi-AssetBacktestingStatistikRisikomanagement
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 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
Machine Learning for Trading

Dieses Notebook entwickelt einen einheitenbewussten Rahmen zur Schätzung von Handelskosten für Aktien, Krypto-Perpetuals, Futures, ETFs und Devisen. Es unterscheidet zwischen Aktienvolumen, Kontraktvolumen, Basiswertvolumen und Preisaktualisierungen.…

OrderausführungMarktmikrostrukturRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook vergleicht Referenz-ETF-Portfolios anhand historischer Krisen, manuell festgelegter gleichzeitiger Anlageschocks und Monte-Carlo-Verlustszenarien. Zu den historischen Zeiträumen zählen starke Aktien- und zinsbedingte Kursverluste; die…

Multi-AssetPortfolio-KonstruktionRisikomanagementVolatilität
Machine Learning for Trading

Das Notebook untersucht, wie sich eine feste monatliche ETF-Momentumstrategie unter verschiedenen Volatilitäts-, Trend- und Zinskurvenbedingungen entwickelt hat. Die Regime werden so bestimmt, dass sie vor der beschriebenen Rendite bekannt sind: Volatilität…

Multi-AssetMomentumVolatilitätBacktesting
Machine Learning for Trading

Dieses Notebook entwickelt eine Finanz-Feature-Matrix für eine marktübergreifende ETF-Momentum-Hypothese: Assets mit einer stärkeren relativen Performance könnten im folgenden Monat weiterhin besser abschneiden. Es kombiniert nachlaufende Renditen über…

Multi-AssetMomentumTechnische IndikatorenStatistik
Machine Learning for Trading

Dieses Dokument stellt eine marktübergreifende Bestandsaufnahme modellbasierter Feature-Artefakte aus neun Fallstudien vor. Es liest Parquet-Schemata, statt deren Zeilen zu laden, schließt Identifikationsspalten aus, zählt Feature-Spalten und gruppiert Namen…

Multi-AssetMaschinelles LernenStatistikAktien
Machine Learning for Trading

Dieses Dokument erläutert, wie sich eine Feature-Matrix für eine querschnittliche ETF-Momentum- und Rotationshypothese erstellen und prüfen lässt. Es definiert Rückblick und Informationsverzögerung für jedes Feature und erstellt anschließend nachlaufende…

AktienMulti-AssetMomentumTechnische Indikatoren
Machine Learning for Trading

Dieses Hilfsmodul unterstützt Deep-Learning-Workflows für Finanzzeitreihen mit mehreren Assets. Es löst Dataset-Aliase auf und lädt kanonische Fallstudiendaten. Anschließend erstellt es gleitende Fenstersequenzen für jedes Symbol separat. Die…

Maschinelles LernenMulti-AssetBacktesting
Machine Learning for Trading

Dieses Notebook prüft, ob historische ETF-Daten eine monatliche Rangfolgestrategie unterstützen können, bevor ein Modell angepasst oder Prognosen erstellt werden. Es prüft das handelbare Universum anhand der Liquidität des Vorjahres, zählt die zulässigen…

Multi-AssetBacktestingOrderausführungRisikomanagement
Machine Learning for Trading

Dieses Notebook vergleicht sechs Long-only-Verfahren zur ETF-Portfolioaufteilung, die die Abhängigkeit von instabilen Schätzungen verringern sollen. Bei Schätzern mit Kovarianz verwendet es die Kovarianz-Shrinkage nach Ledoit-Wolf. Außerdem vergleicht es die…

Multi-AssetAktienFestverzinsliche WertpapierePortfolio-Konstruktion
Machine Learning for Trading

Dieses Notebook vergleicht die Hyperparameterabstimmung mit einem einzelnen Ziel mit einer Mehrzielsuche für LightGBM-Prognosemodelle. Die Baseline maximiert den Information Coefficient (IC) der Validierung. Die Suche mit NSGA-II maximiert stattdessen IC und…

Maschinelles LernenStatistikBacktestingOrderausführung
Machine Learning for Trading

Dieses gemeinsam genutzte Analysemodul beschreibt Methoden zur Schätzung von Handelsfriktionen über verschiedene Anlageklassen hinweg. Es umfasst Hoch-Tief- und Rendite-Autokovarianzschätzer für Geld-Brief-Spreads, rollierende Durchschnittswerte des Volumens…

OrderausführungMarktmikrostrukturRisikomanagementBacktesting
Machine Learning for Trading

Dieses Notebook führt die registrierten Backtests einer ETF-Fallstudie zu einer Strategieauswertung zusammen, die Unsicherheit berücksichtigt. Es wertet Performancekennzahlen mit Block-Bootstrap-Konfidenzintervallen aus und nutzt gepaarte Bootstraps, um…

BacktestingStatistikPortfolio-KonstruktionFaktorinvestieren
Machine Learning for Trading

Dieses Notebook erläutert, wie ein Makrodatensatz, dessen Zeitstempel den gemessenen Zeitraum angibt, in einem Trading-Backtest Informationen aus der Zukunft einfließen lassen kann. Es schätzt Veröffentlichungsdaten, indem es die Periodenlänge zum…

BacktestingStatistikRisikomanagementMulti-Asset
Machine Learning for Trading

Dieses Notebook implementiert DeePM, eine durchgängige Portfolio-Strategie für ein diversifiziertes ETF-Universum. Das Modell kombiniert zeitliche Merkmale, Asset-Metadaten, querschnittliche Attention und einen Makrographen-Prior, der Attention innerhalb von…

Multi-AssetPortfolio-KonstruktionMaschinelles LernenRisikomanagement
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