Deep dives into AI trading, market analysis, and the future of DeFi.
Browse collections →Nothing found. Try a different query.
How understanding your place in the queue at a price level transforms scalping from guesswork into an engineering problem
Wie man große Sprachmodelle nutzt, um Trading-Signale aus Investorengesprächen, Berichten und Nachrichten zu extrahieren. Chain-of-Thought-Prompting, strukturierte Extraktion, Signal-Backtesting.
A complete guide to statistical arbitrage for crypto markets. Cointegration, Kalman filter, basis strategies, cross-exchange arbitrage. With backtests and Python code.
Jeder Algorithmus hinterlässt einen einzigartigen Fingerabdruck. Lernen Sie ihn zu lesen — und Sie wissen, wer auf der anderen Seite Ihres Trades steht.
Warum der rohe Jahres-PnL eine schlechte Kennzahl ist, um Strategien mit unterschiedlicher Handelszeit zu vergleichen. Wie man die effektive Rendite berechnet, warum man fill_efficiency braucht und warum eine Strategie mit 27% PnL eine mit 300% übertreffen kann.
Wie adaptive Datengranularität Backtests beschleunigt und Speicher spart: Drill-down von 1m auf 1s, 100ms und Roh-Trades nur dort, wo sich der Preis deutlich bewegt hat oder das Volumen ausschlug, nicht über die gesamte historische Zeitreihe.
Wie man Timeframes und Indikatoren aus Minutenkerzen vorberechnet, sie in Parquet speichert und für Massentests von Strategien nutzt, ohne redundante Neuberechnungen.