Saltar al contenido

Biblioteca de conocimiento

Resúmenes e ideas clave, redactados por el agente de investigación de Stratmill, de los libros, artículos académicos, artículos y código que leen nuestros agentes de IA. Cada página enlaza al original.

Buscar en la biblioteca

103 documentos

Machine Learning for Trading

Este notebook aplica una estrategia de acciones y opciones del S&P 500 seleccionada previamente a predicciones de un periodo de prueba independiente de 2021. Mantiene sin cambios la configuración seleccionada, incluido el asignador, las reglas de…

Renta variableOpcionesPruebas retrospectivasGestión del riesgo
Machine Learning for Trading

Este cuaderno de ingeniería de variables construye variables que requieren información más allá del historial de precios de un solo activo. Para los futuros, calcula el rendimiento anualizado por roll a partir de los niveles contemporáneos de los contratos…

FuturosOpcionesCarryVolatilidad
Machine Learning for Trading

Este cuaderno ajusta un modelo de factores latentes PCA a un panel de rendimientos de acciones, sin usar características de la superficie de opciones, características de los activos ni información del objetivo. PCA extrae las principales direcciones del…

Renta variableOpcionesAprendizaje automáticoEstadística
Machine Learning for Trading

Este cuaderno evalúa controles por posición para una asignación de acciones y opciones del S&P 500; compara stop loss fijos, stops dinámicos y salidas por tiempo con la referencia propia de cada estrategia sin overlay. Selecciona una trayectoria de…

Renta variableOpcionesGestión del riesgoPruebas retrospectivas
Machine Learning for Trading

Este documento de configuración define un proceso semanal de investigación de acciones del S&P 500 que combina características del mercado de opciones con señales basadas en precios. Especifica el universo elegible, los horarios de decisión y ejecución, y…

OpcionesRenta variableVolatilidadImpulso
Machine Learning for Trading

Este cuaderno compara el error cuadrático, el error absoluto y la pérdida de Huber en modelos de boosting de gradiente que predicen rendimientos de straddles cortos at the money. El objetivo tiene una ganancia limitada y pérdidas potencialmente graves, por…

OpcionesVolatilidadAprendizaje automáticoEstadística
Machine Learning for Trading

Este documento describe un método de dos pasadas para extraer observaciones de origen utilizadas en un estudio de straddles de opciones del S&P 500. Primero, identifica contratos call y put que cumplen un filtro de candidatos cerca del precio de ejercicio,…

OpcionesVolatilidadValoración de derivadosEstadística
Machine Learning for Trading

El documento evalúa cómo cambian los costes de trading el rendimiento de validación de una asignación de acciones y opciones del S&P 500, seleccionada previamente. Varía los cargos unidireccionales como fracción del valor negociado y los compara con una…

Renta variableOpcionesPruebas retrospectivasEjecución
Machine Learning for Trading

Este cuaderno aplica TabM, un ensamblaje neuronal con pesos compartidos, a objetivos de rendimientos de acciones creados a partir de características de opciones sobre acciones. Sus miembros usan una red troncal común de dos capas, con vectores de escalado de…

Renta variableOpcionesAprendizaje automáticoPruebas retrospectivas
Machine Learning for Trading

Este documento explica por qué una serie diaria de opciones con vencimiento constante no representa los rendimientos de una posición realmente mantenida. Selecciona patas de compra y venta con el mismo precio de ejercicio y vencimiento que superan filtros de…

OpcionesVolatilidadPruebas retrospectivasValoración de derivados
Machine Learning for Trading

Este cuaderno ajusta modelos neuronales TabM a un objetivo de rendimiento de una estrategia short straddle de opciones del S&P 500 y compara tres capacidades de modelo usando el mismo panel de características que los métodos lineales y de boosting. TabM…

OpcionesRenta variableAprendizaje automáticoPruebas retrospectivas
Machine Learning for Trading

Este cuaderno demuestra la cobertura profunda de una opción de compra europea vendida. Simula trayectorias de movimiento browniano geométrico, utiliza la cobertura delta de Black–Scholes como referencia y entrena una red neuronal semirrecurrente para elegir…

OpcionesValoración de derivadosAprendizaje automáticoGestión del riesgo
Machine Learning for Trading

Este cuaderno evalúa una estrategia semanal de straddles de opciones del S&P 500 usando backtests registrados y un proceso de selección fijo. Resuelve la configuración seleccionada a partir del registro tras aplicar una restricción de universo líquido, y…

OpcionesRenta variablePruebas retrospectivasGestión del riesgo
Machine Learning for Trading

Este estudio de caso ajusta modelos lineales regularizados a la rentabilidad de straddles cortos at-the-money mantenidos hasta el vencimiento. Como los ingresos por primas limitan la ganancia mientras que las pérdidas pueden crecer sin límite, unas pocas…

OpcionesVolatilidadAprendizaje automáticoGestión del riesgo
Machine Learning for Trading

Este cuaderno crea cuatro características basadas en modelos para la investigación de opciones del S&P 500: pronósticos de volatilidad para el día siguiente de GJR-GARCH y de volatilidad estocástica, además de las diferencias entre cada pronóstico y la…

OpcionesVolatilidadValoración de derivadosPruebas retrospectivas
Machine Learning for Trading

Este documento ajusta TabM, un ensamblado neuronal que comparte pesos, a características derivadas de opciones para predecir rendimientos futuros de acciones y rendimientos ajustados al riesgo. Sus miembros usan una única red compartida de dos capas, con…

Renta variableOpcionesAprendizaje automáticoPruebas retrospectivas
Machine Learning for Trading

Este cuaderno ajusta PatchTST como integrante de una población declarada de modelos secuenciales para opciones del S&P 500. PatchTST divide una ventana histórica en fragmentos de tamaño fijo, los representa como tokens y utiliza atención para aprender las…

OpcionesAprendizaje automáticoPruebas retrospectivas
Machine Learning for Trading

Este documento describe un modelo de secuencias LSTM para un estudio de opciones del S&P 500. A diferencia de los modelos transversales que dependen de características diseñadas para resumir el historial de un símbolo, el LSTM recibe ventanas cronológicas y…

OpcionesRenta variableAprendizaje automáticoPruebas retrospectivas