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 notebook analyse les messages NASDAQ TotalView-ITCH pour décrire l’activité générale du marché et créer des données de transactions réutilisables. Il compte les messages par type, puis enrichit les messages d’exécution d’ordres en reliant les identifiants…

ActionsMarchés américainsMicrostructure des marchésExécution des ordres
Machine Learning for Trading

Ce notebook construit des caractéristiques dérivées des prix pour classer un vaste univers d’actions US. Il décrit des familles de caractéristiques liées au momentum, à la volatilité, aux moyennes mobiles et aux indicateurs techniques, puis les évalue par…

ActionsMarchés américainsIndicateurs techniquesMomentum
Machine Learning for Trading

Cette étude utilise dix jours de données NVDA par ordre de marché pour examiner comment l’activité quotidienne de trading influe sur l’échantillonnage en barres. Elle filtre les transactions pour ne conserver que les heures normales de marché US, classe les…

ActionsMicrostructure des marchésExécution des ordresIndicateurs techniques
Machine Learning for Trading

Cette étude de cas applique des arbres de gradient boosting aux variables de microstructure du NASDAQ-100 pour prévoir les rendements et leur direction à plusieurs horizons intrajournaliers. Elle compare les arbres aux modèles linéaires : les arbres peuvent…

Apprentissage automatiqueMicrostructure des marchésActionsStatistiques
Machine Learning for Trading

Ce notebook compare la recherche relationnelle déterministe à la recherche par plongements dans un corpus de positions institutionnelles 13F. Il crée un instantané à une date donnée en conservant, pour chaque institution, la dernière position déclarée avant…

Apprentissage automatiqueActionsStatistiquesBacktest
Machine Learning for Trading

Ce notebook montre l’entraînement d’un réseau antagoniste génératif sur des variables ETF conçues avec confidentialité différentielle. Il présente les paramètres de confidentialité epsilon et delta, explique pourquoi DP-SGD écrête le gradient de chaque…

Apprentissage automatiqueStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce notebook applique l’inférence classique des moindres carrés ordinaires aux variables ETF et aux rendements futurs. Il examine les estimations des coefficients, les erreurs types, les statistiques t, les valeurs p et les tests d’hétéroscédasticité,…

ActionsStatistiquesGestion des risquesApprentissage automatique
Machine Learning for Trading

Ce document décrit des utilitaires de chargement des messages ITCH NASDAQ analysés et de reconstitution d’un carnet d’ordres à cours limité à partir des ajouts, suppressions, annulations, exécutions et remplacements d’ordres. Il suit le nombre d’actions…

ActionsMicrostructure des marchésExécution des ordresTrading haute fréquence
Machine Learning for Trading

Ce notebook suit des signaux de classement ETF depuis leur formation jusqu’à leur portefeuille et à un backtest simplifié. Des régressions ridge et des classifications logistiques sont entraînées par validation walk-forward, puis comparées à des…

ActionsApprentissage automatiqueBacktestExécution des ordres
Machine Learning for Trading

Ce notebook montre comment utiliser un réseau de corrélations estimé sur une fenêtre donnée pour décrire un univers d’actions et construire un portefeuille diversifié par réseau. Il sélectionne les symboles liquides à partir des seules données disponibles…

ActionsConstruction de portefeuilleStatistiquesGestion des risques
Machine Learning for Trading

Cette analyse exploratoire examine l’ancien panel d’actions WIKI US de Quandl, en se concentrant sur les conventions de prix, la couverture des données et ce que son historique permet d’étudier par backtest. Elle distingue les prix bruts, qui reflètent les…

ActionsMarchés américainsStatistiquesBacktest
Machine Learning for Trading

Ce notebook construit des indicateurs à partir de données NASDAQ-100 à la minute en utilisant trois méthodes : une régression autorégressive hétérogène glissante pour prévoir la variance à court terme, une transformée de Fourier pour décrire la structure…

ActionsVolatilitéApprentissage automatiqueStatistiques
Machine Learning for Trading

Cette analyse utilise des messages NASDAQ TotalView-ITCH pour décrire l’activité de la place boursière et créer un tableau de transactions relié au symbole, au côté et aux caractéristiques de l’ordre. Elle compte les types de messages, compare le trading aux…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Le document explique comment l’apprentissage automatique double (DML) estime si la part du volume initiée par les acheteurs affecte les rendements futurs après prise en compte du spread, de la volatilité à court terme et des rendements antérieurs. Il élimine…

ActionsMicrostructure des marchésStatistiquesApprentissage automatique
Machine Learning for Trading

Ce notebook transforme des backtests enregistrés de microstructure NASDAQ-100 en une évaluation de stratégies, sans entraîner de modèles ni relancer de backtests. Il lit les métriques et la filiation depuis le registre, construit au besoin des tableaux…

ActionsMicrostructure des marchésBacktestStatistiques
Machine Learning for Trading

Ce notebook vous apprend à décoder les données message par ordre NASDAQ TotalView-ITCH depuis leur format binaire en enregistrements structurés. Il explique le cadrage des messages et les structures propres à chaque type, montre comment dépaqueter les champs…

ActionsMicrostructure des marchésTrading haute fréquenceExécution des ordres
Machine Learning for Trading

Ce notebook applique une stratégie mensuelle de momentum ETF et de régime de courbe des taux de deux façons : par calcul vectorisé des rendements et par simulation séquentielle d’un compte. Les deux approches utilisent les mêmes pondérations cibles, actifs,…

ActionsMomentumBacktestExécution des ordres