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

87 documents

Machine Learning for Trading

Ce notebook présente une référence fondée sur l’analyse en composantes principales pour prévoir les rendements des contrats à terme CME. PCA est ajustée sur le panel de rendements des produits du pli d’entraînement ; ses composantes représentent donc les…

Contrats à termeInvestissement factorielStatistiquesBacktest
Machine Learning for Trading

Cette analyse explique comment les données CME sur les contrats à terme sont organisées en produits, contrats à échéance et séries continues avec roulement selon les volumes. Elle utilise les données E-mini S&P 500 pour montrer que les contrats individuels…

Contrats à termeMatières premièresMulti-actifsBacktest
Machine Learning for Trading

Ce notebook compare les allocations à pondération égale, pondérées par score positif et par largeur conforme pour des ETF et des contrats à terme CME parmi les mieux classés. Il estime les largeurs d’intervalles conformes par entité à partir des résidus de…

ActionsContrats à termeDimensionnement des positionsGestion des risques
Machine Learning for Trading

Ce notebook utilise les prédictions GBM walk-forward enregistrées pour des ETF et des contrats à terme CME afin de comparer la pondération à poids égaux, la pondération inversement proportionnelle à la largeur conforme et la pondération proportionnelle aux…

ActionsContrats à termeGestion des risquesDimensionnement des positions
Machine Learning for Trading

Ce tutoriel construit une série continue de contrats à terme individuels ES. Il identifie le contrat le plus proche à partir du volume de trading, avec une contrainte de reconduction monotone, et compare le changement de contrat fondé sur le volume à un…

Contrats à termeBacktestStatistiquesExécution des ordres
Machine Learning for Trading

Ce notebook isole les résultats du moteur LEAN dans le cadre d’un audit comparant des exécutions conservées de stratégies réelles à des profils ML4T Backtest correspondants. Il identifie quatre types de tâches pris en charge : allocation ETF, financement de…

Multi-actifsBacktestExécution des ordresCryptomonnaies
Machine Learning for Trading

Ce notebook utilise des données réelles d’ETF pour déterminer si un signal de momentum reste utile lorsque sa rétrospective, le régime de marché et sa mise en œuvre varient raisonnablement. Il calcule les coefficients d’information transversaux entre le…

Contrats à termeMomentumBacktestStatistiques
Machine Learning for Trading

Ce notebook compare plusieurs méthodes de mesure de la volatilité et développe des modèles de volatilité autorégressifs hétérogènes (HAR) ainsi qu’une analyse de la rugosité. Il utilise les rendements intrajournaliers pour estimer la variance réalisée de la…

VolatilitéStatistiquesIndicateurs techniquesActions
Machine Learning for Trading

Ce notebook construit des intervalles de prédiction autour de prévisions par gradient boosting à l’aide de la prédiction conforme par séparation. Il ajuste un modèle sur un segment d’entraînement antérieur, mesure les résidus absolus sur un segment de…

Apprentissage automatiqueStatistiquesGestion des risquesDimensionnement des positions
Machine Learning for Trading

Cet audit compare des moteurs de trading qui rejouent les mêmes objectifs de modèle figés et les mêmes données historiques adressées par contenu pour l’allocation ETF, les contrats à terme, le financement des contrats perpétuels crypto, le marché des changes…

BacktestExécution des ordresMulti-actifsContrats à terme
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 notebook utilise l’apprentissage automatique double pour estimer si le portage des contrats à terme prédit les rendements ultérieurs indépendamment de la volatilité, du momentum et du rang transversal du portage. Il élimine l’effet de ces facteurs de…

Contrats à termeStratégies de portageApprentissage automatiqueStatistiques
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

Le notebook explique comment interpréter les contrats binaires de taux de la Réserve fédérale proposés par Kalshi comme des probabilités et convertir une échelle de seuils de taux en distribution implicite. Il souligne que le flux contient des offres YES :…

Contrats à termeStatistiquesMicrostructure des marchésIndicateurs techniques
Machine Learning for Trading

Ce document compare différentes méthodes de dimensionnement des positions pour des stratégies sur contrats à terme CME, sélectionnées à partir d’une référence classée selon le Sharpe de validation à pondération égale. La pondération égale traite tous les…

Contrats à termeMatières premièresDimensionnement des positionsConstruction de portefeuille
Machine Learning for Trading

Ce notebook applique un modèle neuronal de facteur d’actualisation stochastique aux contrats à terme CME. En évaluation des actifs, un facteur d’actualisation stochastique est une variable aléatoire dont le produit par le rendement de chaque actif a la même…

Contrats à termeApprentissage automatiqueInvestissement factorielBacktest
Machine Learning for Trading

Ce carnet utilise Optuna pour régler des modèles de rendement LightGBM en tenant compte à la fois du coefficient d’information transversal (IC) et de la rotation des prévisions. Une recherche monoobjectif maximise IC à titre de comparaison ; une recherche…

Apprentissage automatiqueStatistiquesContrats à termeCryptomonnaies
Machine Learning for Trading

Cette analyse explique comment lire les coefficients d’information transversaux (IC) des modèles de contrats à terme CME et les relier aux tests de portefeuille ultérieurs. Elle calcule la corrélation de rang entre rendements prévus et réalisés pour chaque…

Contrats à termeStatistiquesApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook vérifie si les données peuvent soutenir une stratégie hebdomadaire transversale sur contrats à terme avant tout ajustement de modèle. Il décrit une méthode qui classe les produits CME, prend des positions longues sur les contrats les mieux…

Contrats à termeMatières premièresStratégies de portageExécution des ordres
Machine Learning for Trading

Ce notebook étudie le boosting de gradient pour prévoir transversalement les rendements des contrats à terme CME. Il fait varier la capacité des arbres au moyen de profils de nombre de feuilles et compare les objectifs d’erreur quadratique, d’erreur absolue…

Contrats à termeMatières premièresApprentissage automatiqueBacktest