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

733 documents

Machine Learning for Trading

Cette étude de cas explique comment produire des prévisions pour une période de réserve après avoir fait des choix de modèle et de stratégie à partir des données de validation. Elle récupère la configuration précédemment sélectionnée, reconstitue sa…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce notebook construit un allocateur LSTM qui transforme directement des caractéristiques récentes de rendement et de volatilité ETF en pondérations de portefeuille exclusivement longues. Une sortie softmax maintient des pondérations non négatives et un…

Apprentissage automatiqueConstruction de portefeuilleBacktestGestion des risques
Machine Learning for Trading

Ce notebook présente EdgarTools pour explorer les déclarations SEC par entreprise et type de déclaration. Il montre comment rechercher des émetteurs à l’aide d’identifiants CIK stables, récupérer des rapports annuels et trimestriels, extraire des états…

ActionsMarchés américainsBacktestStatistiques
Machine Learning for Trading

Ce notebook décrit un modèle séquentiel LSTM destiné à prévoir les rendements boursiers à partir de fenêtres ordonnées de caractéristiques récentes. Chaque exemple utilise 60 séances consécutives pour une action ; les fenêtres qui traversent des…

ActionsApprentissage automatiqueStatistiquesMarchés américains
Machine Learning for Trading

Cette analyse vérifie si les données quotidiennes d’options permettent une stratégie hebdomadaire qui vend des straddles à la monnaie sur les composants du S&P 500, couvre en delta les actions et conserve les contrats jusqu’à l’échéance. Elle explique…

OptionsVolatilitéExécution des ordresBacktest
Machine Learning for Trading

Cette référence résume les mois de contrat cotés pour 35 produits à terme CME, couvrant les indices boursiers, les bons du Trésor, l’énergie, les métaux, les devises, les taux d’intérêt, l’agriculture, l’élevage et les cryptomonnaies. Elle explique le…

Contrats à termeMicrostructure des marchésBacktestMatières premières
Machine Learning for Trading

Ce document décrit un processus de téléchargement des données officielles de financement des contrats perpétuels Binance USD-M, de leur normalisation et de leur mise en cache dans un fichier en colonnes. Les archives mensuelles sont récupérées simultanément…

CryptomonnaiesContrats à terme perpétuelsÉvaluation des dérivésBacktest
Machine Learning for Trading

Ce notebook applique TabM, un ensemble neuronal à partage de poids, à un panel d’actions US représenté par une ligne de caractéristiques pour chaque action et séance. Un tronc commun à deux couches alimente plusieurs membres, chacun doté de son propre…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Cette analyse sélectionne une configuration dans un ensemble figé de candidats sur contrats à terme perpétuels crypto, couvrant quatre étiquettes de prévision et plusieurs étapes de stratégie. Elle retient le meilleur Sharpe de validation et considère les…

CryptomonnaiesContrats à terme perpétuelsStatistiquesBacktest
Machine Learning for Trading

Ce notebook définit des objectifs de rendements futurs pour classer les actions US et explique comment faire correspondre leurs horizons aux séances de trading réelles. Il utilise des prix ajustés des divisions d’actions et des dividendes pour calculer les…

ActionsMomentumStatistiquesBacktest
Machine Learning for Trading

Ce notebook compare des configurations de boosting de gradient pour les contrats à terme perpétuels crypto à l’aide de caractéristiques fondées sur la prime des contrats perpétuels par rapport au marché au comptant. Il fait varier la capacité des arbres et…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook développe des caractéristiques fondées sur des modèles pour les contrats à terme perpétuels crypto : des prévisions de volatilité conditionnelle par actif issues de GJR-GARCH et une probabilité de régime de tension à l’échelle du marché, obtenue…

CryptomonnaiesContrats à terme perpétuelsVolatilitéApprentissage automatique
Machine Learning for Trading

Cette étude de cas présente un processus de recherche sur les contrats à terme perpétuels crypto, en considérant les paiements de financement échangés entre positions longues et courtes lors de règlements réguliers comme une source potentielle de rendement.…

CryptomonnaiesContrats à terme perpétuelsContrats à termeApprentissage automatique
Machine Learning for Trading

Cette analyse compare les résultats du tri des caractéristiques dans neuf études de cas sur le trading et examine si les caractéristiques retenues par le filtrage prédisent des stratégies plus performantes. Le filtrage combine le contrôle du taux de fausses…

StatistiquesApprentissage automatiqueBacktest
Machine Learning for Trading

Ce carnet décrit une politique de portefeuille ETF de bout en bout, conçue pour améliorer les performances dans différentes conditions de marché. Elle comprend des caractéristiques de rendement et de tendance normalisées par la volatilité, un modèle fondé…

Multi-actifsConstruction de portefeuilleApprentissage automatiqueGestion des risques
Machine Learning for Trading

Cette étude de cas applique l’estimation causale au momentum des ETF et examine si son effet sur les rendements futurs varie selon la volatilité du marché. Elle utilise un traitement de momentum continu, un rendement futur à 21 jours, des variables de…

ActionsMarchés américainsMomentumApprentissage automatique
Machine Learning for Trading

Ce notebook présente NLinear comme un modèle séquentiel de référence simple pour prévoir les rendements des actions US. Chaque exemple utilise une fenêtre de 60 séances consécutives pour une action, avec des caractéristiques ordonnées dans le temps. Pour…

ActionsMarchés américainsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook utilise l’analyse des excursions favorables et défavorables maximales pour définir la largeur des barrières triples à partir des trajectoires de prix observées. Pour une entrée longue à la clôture d’une barre, il mesure le plus haut et le plus…

Gestion des risquesVolatilitéBacktest
Machine Learning for Trading

Ce notebook évalue NLinear, un modèle séquentiel minimal qui soustrait le dernier niveau observé de chaque fenêtre rétrospective et associe les valeurs restantes à une prévision. Sa simplicité en fait une référence utile pour des architectures séquentielles…

Apprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Le document explique comment quatre modèles d’impact de marché estiment le mouvement de prix défavorable par action associé à un ordre : sans impact, impact linéaire, impact en racine carrée et loi de puissance configurable. Il précise la convention de…

Exécution des ordresMicrostructure des marchésBacktestGestion des risques
Machine Learning for Trading

Le document transforme une hypothèse de momentum multi-actifs en test exploratoire mensuel sur un univers de 100-ETF. Il construit des prix ajustés de fin de mois, mesure le momentum sur 12 à -1 mois, puis répartit les ETF admissibles en cinq groupes…

Multi-actifsMomentumSuivi de tendanceStatistiques