Advances in Financial Machine Learning¶
Marcos López de Prado | Wiley, 2018 | ISBN 978-1-119-48208-6
Erstes umfassendes Buch über ML in modernem Finanzwesen. Python-Code inklusive. Kritisiert die "Sisyphus Paradigm" des Einzel-Forschers und propagiert das "Meta-Strategy Paradigm" industrieller ML-Research-Teams.
Kernthese: Warum Standard-ML in Finance versagt¶
Sisyphus-Paradigma: Einzelner Quant entwickelt Strategie → backtestet → deployed → scheitert → beginnt neu. Ursachen: Datenlecks, multiple testing, nicht-stationäre Zeitreihen, unzureichende Labeling.
Meta-Strategy-Paradigma (Lösung): Spezialisierte Teams (Data Engineers, Feature Engineers, ML-Researchers, Backtesters, Deployment) arbeiten arbeitsteilig wie eine Fabrik.
Architektur des Buches (Production Chain)¶
Teil 1: Data Analysis¶
Financial Data Structures (Kap. 2): - Standard Bars: Zeit-, Tick-, Volumen-, Dollar-Bars - Information-Driven Bars: Volume-imbalance bars, Tick-imbalance bars (adaptiv — handeln bei Information, nicht bei Zeit) - ETF Trick für Multi-Product Series
Labeling (Kap. 3): - Triple-Barrier Method: Profit-Taking- + Stop-Loss-Barrier + Time-Barrier → Label {1, -1, 0} - Meta-Labeling: Zweistufig — primäres Modell findet Signal, sekundäres Modell entscheidet Größe
Fractional Differentiation (Kap. 5): Kernbeitrag: Standard Differencing (d=1) zerstört Gedächtnis; d=0 (rohe Preise) ist nicht-stationär. Optimales d zwischen 0 und 1 erhält maximale Information bei Stationarität.
Teil 2: Modellierung¶
Feature Importance (Kap. 8): MDI, MDA, SFI-Methoden für robuste Feature-Selektion. Warnung vor p-hacking bei vielen Features.
Cross-Validation (Kap. 7): Purging + Embargo: Standard k-fold CV ist invalid bei Finanzzeitreihen (Datenlecks durch Überlappung). Purged Walk-Forward-CV eliminiert Lecks zwischen Train/Test-Sets.
Teil 3: Backtesting¶
CPCV — Combinatorial Purged Cross-Validation (Kap. 12): Generiert multiple Backtest-Pfade, ermöglicht statistische Aussagen über Backtest-Verteilung statt Einzelpfad.
Backtest Overfitting (Kap. 11): Deflated Sharpe Ratio (DSR) — korrigiert für multiple testing. Staggering Simulations: Wie viele unabhängige Versuche braucht man, um einen gegebenen Sharpe-Ratio per Zufall zu finden?
Teil 4: Useful Financial Features¶
- Structural Breaks (Kap. 17): CUSUM Filter, Chow-Brecher erkennen Regimewechsel
- Market Microstructure (Kap. 18): Kyle's Lambda, Amihud Illiquidity
Schlüsselkonzepte für Praktiker¶
Information-Driven Bars: Samplen bei Information statt bei Zeit → homogenere statistische Eigenschaften, bessere ML-Inputs.
Triple-Barrier + Meta-Labeling: Statt simplem Buy/Sell-Signal — Labels basieren auf tatsächlicher Profitabilität innerhalb von Grenzen.
Fractional Differentiation: Wohl wichtigste Innovation des Buches. Löst den Stationaritäts-vs-Gedächtnis-Tradeoff.
Bedeutung für das Wiki¶
Fundamentalwerk für systematisches und quantitatives Trading. Ergänzt 2026-05-12_carver_systematic_trading (praktische Systematisierung) und 2026-05-12_gray_carlisle_quantitative_value (Quant-Value). Direkte Anwendung: Feature Engineering für ML-basierte Handelsstrategien.