Passer au contenu

Bibliothèque de connaissances

Résumés et idées clés, rédigés par l’agent de recherche de Stratmill, à partir des livres, articles, travaux et code informatique consultés par nos agents IA. Chaque page renvoie à la source originale.

Rechercher dans la bibliothèque

704 documents

Machine Learning for Trading

Ce notebook applique TabM à un tableau de caractéristiques d’actions US, entre les modèles linéaires pénalisés et les ensembles d’arbres. Chaque membre de l’ensemble partage une base de réseau neuronal, mais possède son propre vecteur de mise à l’échelle et…

ActionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook présente un autoencodeur supervisé qui compresse des lignes de caractéristiques de ETF en une représentation de faible dimension et prédit directement les rendements futurs à partir de cette représentation. Contrairement à un autoencodeur…

Multi-actifsApprentissage automatiqueInvestissement factorielStatistiques
Machine Learning for Trading

Ce notebook ajuste des modèles ridge, lasso et elastic net à un large ensemble de caractéristiques établies des actions US, dont la valeur, la rentabilité, l’investissement, le momentum, la taille, le risque et la liquidité. Il évalue les rendements mensuels…

ActionsInvestissement factorielMomentumApprentissage automatique
Machine Learning for Trading

Cette analyse compare des modèles de prédiction ETF enregistrés, issus de plusieurs familles et réunis dans un panel multi-actifs commun. Elle évalue leur capacité à classer les fonds selon leurs rendements ultérieurs à l’aide de coefficients d’information,…

Multi-actifsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Cette analyse applique une analyse en composantes principales fondée sur les corrélations aux rendements de fonds négociés en bourse sectoriels. La standardisation des rendements avant la décomposition donne à chaque secteur une variance unitaire ; les…

ActionsInvestissement factorielStatistiquesConstruction de portefeuille
Machine Learning for Trading

Cet outil calcule des mesures de biais de sélection et d’incertitude de performance pour des groupes de backtests de stratégies. Il forme des cohortes par famille, par étape et étiquette, ainsi qu’au niveau des étiquettes, puis calcule notamment les ratios…

BacktestStatistiquesGestion des risques
Machine Learning for Trading

Ce document décrit les principes d’implémentation d’un moteur de backtest commun et explique comment interpréter correctement les grilles de rendements pour annualiser la performance. Il estime la fréquence d’échantillonnage observée à partir des intervalles…

BacktestGestion des risquesStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce document présente un autoencodeur supervisé comme modèle de contrôle pour les modèles à facteurs latents conditionnels. Il relie directement les caractéristiques des entreprises aux rendements futurs tout en comprimant 57 entrées dans un goulot…

ActionsApprentissage automatiqueInvestissement factorielStatistiques
Machine Learning for Trading

Ce notebook explique comment les divisions d’actions et les dividendes en espèces perturbent les séries historiques de prix bruts et faussent les rendements calculés. Il présente l’ajustement rétrospectif, qui remet à l’échelle les cours historiques en…

ActionsMarchés américainsBacktestStatistiques
Machine Learning for Trading

Cette expérience combine les prédictions de validation d’un modèle d’arbres à gradient boosté, d’un réseau neuronal tabulaire et d’un modèle à facteurs latents pour le classement mensuel des ETF. Elle standardise d’abord les prédictions transversalement à…

Multi-actifsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce document présente des méthodes communes pour générer des caractéristiques issues de modèles ajustés sans utiliser d’observations futures. Pour les modèles de Markov cachés, il distingue les probabilités d’état filtrées, fondées sur les observations…

Apprentissage automatiqueVolatilitéStatistiquesBacktest
Machine Learning for Trading

Ce document décrit une méthode walk-forward qui transforme les résidus de prédiction en largeurs d’incertitude par entité, utilisées pour dimensionner les positions. À chaque instant de décision, le calibrage utilise les résidus dont les résultats sont déjà…

Dimensionnement des positionsGestion des risquesStatistiquesBacktest
Machine Learning for Trading

Cette étude de cas sélectionne une configuration dans un ensemble figé de stratégies crypto sur contrats à terme perpétuels, couvrant plusieurs étiquettes de rendement et de direction, méthodes de dimensionnement de portefeuille et ajustements du risque.…

CryptomonnaiesContrats à terme perpétuelsBacktestStatistiques
Machine Learning for Trading

Ce guide présente les bases publiques de rendements factoriels de la Ken French Data Library et de AQR, notamment les facteurs de marché, de taille, de valeur, de rentabilité, d’investissement, de momentum, de qualité et de bêta faible. Il explique comment…

Investissement factorielStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook utilise le double apprentissage automatique pour estimer si les écarts de prime des contrats à terme perpétuels sont liés aux rendements ultérieurs sur huit heures, et si cette relation estimée diffère entre les marchés à forte et à faible…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook présente PCMCI comme une méthode pour découvrir des relations décalées dans des séries temporelles financières multivariées, sans définir au préalable de graphe causal. Il applique la méthode aux rendements des ETF et d’un indice de volatilité,…

Apprentissage automatiqueStatistiquesMulti-actifsActions
Machine Learning for Trading

Ce notebook explique comment évaluer les prévisions probabilistes et encadrer un pipeline de prévision. Il compare les scores de Brier et logarithmique, l’erreur de calibration attendue et la sharpness ; montre comment les diagrammes de fiabilité révèlent…

StatistiquesApprentissage automatiqueGestion des risquesBacktest
Machine Learning for Trading

Ce notebook présente le protocole Rademacher Anti-Serum (RAS) comme méthode d’ajustement des estimations de performance lors d’une sélection au sein d’une classe finie de stratégies ou de signaux. La complexité empirique de Rademacher estime dans quelle…

StatistiquesBacktestGestion des risquesApprentissage automatique
Machine Learning for Trading

Ce notebook présente NLinear comme modèle de référence pour prévoir les rendements boursiers à partir de fenêtres ordonnées de caractéristiques. Chaque exemple contient 60 sessions consécutives pour une action. Pour chaque caractéristique, le modèle…

ActionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook reconstitue les meilleurs cours acheteur et vendeur nationaux (NBBO) en vigueur pour chaque transaction AAPL pendant la séance régulière du 16 mars 2020. Il combine chronologiquement les événements de cotation et de transaction, conserve la…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Ce document présente un jeu de données de change OHLCV couvrant les paires majeures et croisées G10, avec des barres journalières et de quatre heures provenant de OANDA. Il explique comment télécharger et charger les données, les filtrer par paire ou plage…

Marché des changesStatistiquesVolatilité