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

Ce notebook détaille le cycle de déploiement d’un modèle quotidien de paires FX, en utilisant Interactive Brokers à la fois comme source de données en temps réel et comme plateforme d’exécution. Il entraîne un modèle de régression Ridge sur un panel…

Marché des changesApprentissage automatiqueExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook présente un modèle neuronal de facteur d’actualisation stochastique pour un panel de contrats à terme CME. Le modèle utilise les rendements des produits et des caractéristiques observables, telles que le carry, le momentum et la volatilité, afin…

Contrats à termeApprentissage automatiqueInvestissement factorielBacktest
Machine Learning for Trading

Cette étude recalcule les performances des principales combinaisons d’allocation et de contrôle du risque ETF selon deux grilles de coûts, en maintenant fixe chaque configuration de stratégie enregistrée. Une grille utilise les points de base par transaction…

BacktestExécution des ordresConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce notebook compare six allocations long-only pour un univers multi-actifs d’ETF. Il utilise le shrinkage de covariance de Ledoit–Wolf afin de réduire la variation d’échantillonnage susceptible de déstabiliser l’optimisation, et compare le Sharpe maximal, la…

Construction de portefeuilleGestion des risquesMulti-actifsBacktest
Machine Learning for Trading

Ce notebook montre comment utiliser PCMCI pour rechercher des relations décalées entre les rendements de ETF et ceux de la volatilité, sans définir au préalable de graphe causal. Il oppose les tests d’indépendance conditionnelle fondés sur un panel aux tests…

Apprentissage automatiqueStatistiquesMulti-actifsBacktest
Machine Learning for Trading

Cette expérience examine dans quelle mesure un signal long-short mensuel sélectionné sur les actions US dépend des petites capitalisations. Elle applique un filtre retardé sur la capitalisation boursière qui retire le quartile le plus petit des prédictions…

ActionsMarchés américainsInvestissement factorielBacktest
Machine Learning for Trading

Ce notebook explique comment PatchTST utilise des segments de longueur fixe de caractéristiques séquentielles de marché pour prévoir les étiquettes du NASDAQ-100. Le mécanisme d’attention relie les segments sur une fenêtre rétrospective d’une heure, tout en…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce document présente une expérience sur les contrats à terme CME utilisant TabM, un ensemble neuronal économe en paramètres, sur les mêmes lignes de caractéristiques élaborées et les mêmes plis walk-forward que les modèles linéaires et de boosting par…

Contrats à termeApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Le document présente NLinear, un modèle de séquence minimal destiné à prévoir les rendements des actions du NASDAQ-100 à partir de caractéristiques intrajournalières. Il utilise une fenêtre rétrospective fixe, soustrait la dernière observation afin que le…

ActionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce module décrit la migration d’un registre après la modification, par une bibliothèque, de la numérotation des plis walk-forward, alors que leurs fenêtres de dates et leurs valeurs ajustées restent inchangées. Comme les identifiants de plis figurent dans…

BacktestApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook examine les résultats conservés d’un audit de stratégies réelles comparant le moteur LEAN à des profils ML4T Backtest correspondants. Il identifie les charges de travail par classe d’actifs prises en charge par les entrées figées et présente des…

BacktestExécution des ordresActionsContrats à terme
Machine Learning for Trading

Ce notebook décrit la production de prédictions pour la période de holdout d’une étude de cas sur les actions US, après sélection d’une configuration sur les plis de validation. Il résout la configuration sélectionnée, conserve le choix du checkpoint et…

ActionsApprentissage automatiqueBacktestGestion des risques
Machine Learning for Trading

Le notebook compare deux façons de diviser un ordre important sur actions en ordres enfants au cours d’une séance de trading. TWAP envoie des quantités à peu près égales à chaque intervalle et ne nécessite aucune prévision du marché. VWAP répartit les titres…

ActionsExécution des ordresMicrostructure des marchésBacktest
Machine Learning for Trading

Le notebook explique comment comparer des modèles de prédiction d’options S&P 500 sans que des échantillons d’évaluation incomplets ou mal appariés faussent les résultats. Il identifie chaque modèle par sa famille, sa configuration et son point de contrôle,…

OptionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook explique un autoencodeur conditionnel qui modélise les rendements des actions comme le produit d’expositions factorielles dépendantes de caractéristiques par des facteurs latents. Il estime d’abord les rendements de portefeuilles gérés selon les…

ActionsInvestissement factorielApprentissage automatiqueConstruction de portefeuille
Machine Learning for Trading

Ce guide de jeu de données décrit un ensemble de contrats à terme continus CME couvrant les indices boursiers, les taux, l’énergie, les métaux, les devises, les produits agricoles et l’élevage. Il présente les données horaires sources et la fréquence…

Contrats à termeMulti-actifsMatières premièresBacktest
Machine Learning for Trading

Ce notebook compare des modèles linéaires sur des caractéristiques ETF construites à partir de fenêtres de rendements qui se chevauchent et de mesures connexes de momentum, de volatilité et d’oscillateurs. Ces prédicteurs sont colinéaires, ce qui rend…

Multi-actifsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook évalue les performances d’ensembles de prédictions ETF enregistrés lorsqu’ils sont convertis en portefeuilles. Il croise chaque ensemble de prédictions de validation avec des schémas d’entrée définis, tels que différentes sélections des k…

ActionsBacktestConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce chapitre cartographie les données financières issues des marchés, des fondamentaux et de sources alternatives, puis compare la manière dont les classes d’actifs déterminent le sens des prix, de la liquidité et des observations. Il souligne que les…

Multi-actifsStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook décrit un modèle LSTM qui prédit les rendements à partir de fenêtres ordonnées de caractéristiques boursières dans un panel d’actions US. Contrairement à un modèle tabulaire classique, le LSTM traite les séances séquentiellement et conserve un…

Apprentissage automatiqueActionsMarchés américainsBacktest
Machine Learning for Trading

Ce notebook présente TimeGAN, un modèle antagoniste génératif récurrent destiné à produire des séquences financières synthétiques. Ses cinq modules apprennent une représentation latente et sa reconstruction, prédisent les états latents successifs, génèrent…

Apprentissage automatiqueActionsStatistiquesBacktest