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

558 documents

Machine Learning for Trading

Ce carnet évalue si des données historiques sur les ETF peuvent soutenir une stratégie de classement mensuel avant la construction d’un modèle ou d’une prévision. Il vérifie l’éligibilité à chaque date à partir de la liquidité de l’année précédente, compte…

ActionsBacktestExécution des ordresStatistiques
Machine Learning for Trading

Ce carnet sélectionne des caractéristiques candidates pour une stratégie qui vend des options d’achat et de vente à la monnaie sur la même action, avec la même échéance, et conserve le straddle jusqu’à l’échéance. Pour chaque caractéristique, il mesure si…

OptionsActionsStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook traite les données trimestrielles groupées sur les positions 13F de la SEC afin d’étudier la détention institutionnelle, le classement des gestionnaires et les réseaux de détention commune. Il sélectionne le dernier dépôt de chaque gestionnaire…

ActionsMarchés américainsStatistiquesMicrostructure des marchés
Machine Learning for Trading

Ce notebook évalue des prévisions de validation issues de recherches sur les actions et les options en les transformant en portefeuilles d’actions acheteurs uniquement. Il utilise une référence équipondérée des K meilleurs titres, compare plusieurs niveaux…

ActionsOptionsBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook utilise des transactions et des messages d’ordres issus de NASDAQ ITCH pour illustrer des phénomènes de microstructure de marché. Il examine l’autocorrélation du premier ordre négative des rendements de prix au niveau du tick, en expliquant…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Ce module utilitaire fournit des outils statistiques pour diagnostiquer les panels de données de trading. Sa méthode d’autocorrélation calcule une courbe au sein de chaque entité avant de regrouper les résultats entre entités, évitant ainsi une dépendance…

StatistiquesBacktestMicrostructure des marchésActions
Machine Learning for Trading

Cette étude de cas sur les actions US distingue la prévision des rendements futurs de l’affirmation selon laquelle le momentum en est la cause. Elle considère comme traitement le rendement de l’action sur l’année précédente, hors dernier mois, comme résultat…

ActionsMomentumApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook pédagogique compare des méthodes de création d’étiquettes cibles pour des modèles de trading supervisés à partir de données ETF. Il couvre les rendements à horizon fixe et les étiquettes directionnelles, les percentiles glissants des séries…

Apprentissage automatiqueStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook présente des contrôles du biais d’anticipation à partir de prix ETF et de séries macroéconomiques. Il montre qu’une moyenne mobile centrée inclut des observations futures, peut suivre de trop près les retournements de prix et présente une…

ActionsStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook compare trois façons d’utiliser les régimes de marché pour la prévision : un modèle de référence sans variable de régime, un modèle unique auquel est fournie la probabilité filtrée d’un état volatil et des modèles distincts entraînés dans des…

ActionsApprentissage automatiqueStatistiquesVolatilité
Machine Learning for Trading

Ce notebook utilise le double apprentissage automatique (DML) pour estimer l’effet ajusté d’une mesure continue de momentum ETF sur les rendements ultérieurs, en contrôlant la volatilité récente et à plus long terme, le régime de marché et la pente de la…

Apprentissage automatiqueStatistiquesActionsMomentum
Machine Learning for Trading

Ce notebook explique la parité des risques hiérarchique (HRP), une méthode de construction de portefeuille conçue pour limiter la sensibilité aux estimations de covariance bruitées. Il en décrit les trois étapes : regrouper les actifs selon la distance de…

Construction de portefeuilleGestion des risquesBacktestMulti-actifs
Machine Learning for Trading

Ce notebook utilise des enregistrements de transactions issus de NASDAQ ITCH pour examiner l’activité de trading intrajournalière. Il regroupe les transactions individuelles en barres temporelles et compare les volumes en actions, le nombre de transactions,…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Ce guide présente deux sources de données de ticks du carnet d’ordres sur les actions US destinées à la recherche en microstructure : les événements market-by-order de Databento et les messages NASDAQ TotalView-ITCH. Il décrit leurs formats, leurs…

ActionsMicrostructure des marchésExécution des ordresMarchés américains
Machine Learning for Trading

Ce notebook examine comment exprimer l’incertitude des prévisions de rendement des ETF en comparant le dropout Monte-Carlo aux ensembles profonds. Le dropout reste actif lors de passages d’inférence répétés, tandis qu’un ensemble mesure les désaccords entre…

ActionsApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare six méthodes de pondération de portefeuilles ETF sélectionnés selon le même classement prédit : pondération égale, pondération par score, inverse de la volatilité, parité des risques, optimisation moyenne-variance et parité des risques…

ActionsConstruction de portefeuilleBacktestGestion des risques
Machine Learning for Trading

Ce notebook ajuste un modèle LSTM déclaré pour la prévision dans une étude sur les options du S&P 500. Le réseau reçoit des fenêtres chronologiques de l’historique de chaque symbole et utilise un état récurrent à portes pour représenter l’information entre…

ActionsOptionsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook explique comment construire et examiner un panel trimestriel de données fondamentales sur les actions à partir des données SEC XBRL. Chaque observation indique à la fois la période fiscale décrite et la date de dépôt à laquelle l’information est…

ActionsMarchés américainsInvestissement factorielBacktest
Machine Learning for Trading

Ce notebook présente un cadre de diagnostic pour un backtest d’allocation de ETF. Il calcule des mesures de risque et de rendement, comme les ratios de Sharpe, Sortino et Calmar, la volatilité, la valeur à risque et le drawdown maximal ; suit les…

Construction de portefeuilleGestion des risquesBacktestActions