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

Cette analyse profile un univers fixe de 100 ETF répartis en neuf groupes d’actifs. Elle vérifie la couverture par fonds et par année, confirme que le panel de prix correspond à la configuration des groupes, examine les valeurs nulles et l’ordre OHLC, et…

Multi-actifsStatistiquesGestion des risquesBacktest
Machine Learning for Trading

Ce document présente le socle neuronal PatchTST pour la prévision de séries temporelles multivariées. Il divise chaque série d’entrée en patches qui se chevauchent, projette chaque patch dans un espace de caractéristiques appris, ajoute des encodages…

Apprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce document explique comment mesurer les rendements autour d’événements tels que le déclenchement de signaux, les annonces de résultats ou les publications macroéconomiques. Son exemple pratique utilise des cassures de momentum sur des ETF liquides. Pour…

ActionsStratégies événementiellesMomentumCassure
Machine Learning for Trading

Ce chapitre présente la construction d’études cohérentes dans le temps sur les données fondamentales et alternatives, concernant les actions, les séries macroéconomiques, les contrats à terme, les cryptomonnaies et les marchés prédictifs. Ses méthodes…

BacktestStatistiquesApprentissage automatiqueDonnées on-chain
Machine Learning for Trading

Ce notebook utilise l’apprentissage automatique double pour tester si l’association entre l’écart de volatilité implicite moins réalisée et les rendements futurs des actions persiste après ajustement pour les facteurs de confusion observés. Il compare…

OptionsActionsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce document décrit comment dériver un intervalle d’entraînement unique pour l’échantillon de réserve à partir d’une spécification de validation walk-forward existante. Il reprend les dates de réserve déclarées dans la configuration de l’étude, utilise le…

BacktestApprentissage automatiqueGestion des risquesStatistiques
Machine Learning for Trading

Ce notebook construit des labels de rendement futur pour des straddles courts à la monnaie sur des actions du S&P 500. Puisque le straddle nominal à 30 jours du panel quotidien représente un contrat différent à chaque séance, décaler une série de prix…

OptionsVolatilitéÉvaluation des dérivésStatistiques
Machine Learning for Trading

Ce notebook explique comment la recherche parmi de nombreux facteurs ou stratégies gonfle la performance apparente du meilleur candidat, même lorsque les estimations individuelles sont correctement calculées. Un ensemble simulé de facteurs aléatoires montre…

StatistiquesInvestissement factorielBacktestGestion des risques
Machine Learning for Trading

PCA avec prime de risque modifie la matrice de covariance en lui ajoutant un produit extérieur pondéré du vecteur des rendements moyens d’entraînement. Ses vecteurs propres dominants définissent des portefeuilles factoriels statiques : on retrouve PCA…

Investissement factorielStatistiquesApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook estime si le score z de la prime d’un perpétuel crypto affecte les rendements ultérieurs sur huit heures lorsque trois facteurs déclarés — volatilité des prix, taux de financement et écart moyen de la prime — sont maintenus constants. Comme le…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook présente un GAN Sig-Wasserstein non conditionnel pour générer des séries temporelles financières. Il remplace un discriminateur entraîné à distinguer le réel du généré par une distance fondée sur les signatures attendues des trajectoires, des…

Apprentissage automatiqueStatistiquesActionsVolatilité
Machine Learning for Trading

Ce notebook utilise les rendements quotidiens ETF pour expliquer comment les modèles GARCH captent le regroupement de la volatilité et le transforment en caractéristique calculée à chaque séance. Il commence par des diagnostics visuels et un test ARCH-LM…

VolatilitéStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce module source fournit des chargeurs pour les cours des actions américaines, les indices, les options, la microstructure de marché, les fondamentaux et les positions institutionnelles. Son détail méthodologique le plus important porte sur le…

ActionsMicrostructure des marchésExécution des ordresMarchés américains
Machine Learning for Trading

Ce notebook explique comment reconstruire un catalogue d’expériences de modèles à partir du registre d’une étude de cas et en comparer le contenu avec MLflow. Il suit les expériences depuis les exécutions d’entraînement jusqu’aux ensembles de prédictions et…

Apprentissage automatiqueBacktestStatistiquesGestion des risques
Machine Learning for Trading

Cette analyse exploratoire décrit les données OHLCV horaires des contrats perpétuels crypto ainsi qu’un indice de prime sur huit heures. Elle examine la couverture des symboles et des dates, l’évolution de la composition des contrats, les unités et la…

CryptomonnaiesContrats à terme perpétuelsMicrostructure des marchésStatistiques
Machine Learning for Trading

Ce notebook compare les moindres carrés ordinaires à Ridge, LASSO et Elastic Net pour prévoir les rendements futurs dans un univers d’ETF. Tous les modèles utilisent les mêmes plis walk-forward, avec une période de purge correspondant à l’horizon de la…

Apprentissage automatiqueActionsStatistiquesBacktest
Machine Learning for Trading

Ce notebook construit un cadre moyenne-variance investi à 100 % et uniquement acheteur pour un univers diversifié d’ETF. Il construit des portefeuilles réalisables et une frontière efficiente, puis calcule les pondérations de Sharpe maximal et de variance…

Multi-actifsConstruction de portefeuilleStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook applique l’analyse en composantes principales à un sous-ensemble liquide d’actions US afin de construire des portefeuilles propres normalisés en exposition brute et d’étudier leur rôle comme facteurs de risque latents. Il examine la variance…

ActionsInvestissement factorielStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare des modèles linéaires pour prévoir les rendements ETF à partir de caractéristiques de prix qui se chevauchent. Comme plusieurs horizons de rendement et familles d’indicateurs peuvent encoder des informations similaires, les moindres…

ActionsMulti-actifsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce guide associe les questions causales aux bibliothèques Python et clarifie la différence entre estimer des effets en supposant une structure causale et découvrir des structures possibles à partir des données. Il présente le double apprentissage automatique…

Apprentissage automatiqueStatistiquesActionsCryptomonnaies
Machine Learning for Trading

Ce cadre présente des contrôles de qualité des données quotidiennes US sur les actions OHLCV. La validation structurelle vérifie les relations entre les prix, leur positivité, le caractère non négatif des volumes, les valeurs manquantes, les dates en double,…

ActionsStatistiquesGestion des risquesMarchés américains
Machine Learning for Trading

Ce notebook présente un modèle de facteur d’actualisation stochastique pour valoriser une coupe transversale d’ETF. Au lieu d’estimer séparément les expositions des fonds et les rendements des facteurs, il entraîne des réseaux à trouver une série commune de…

Apprentissage automatiqueInvestissement factorielStatistiquesActions