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 document décrit un backtest hors échantillon d’un an de straddles sur options S&P 500. Il applique les prédictions d’un modèle réajusté sur l’historique antérieur à l’échantillon réservé, avec la stratégie, l’allocation, la concentration, le calendrier…

OptionsBacktestGestion des risquesMarchés américains
Machine Learning for Trading

Cette analyse compare les prédictions de plusieurs familles de modèles entraînées sur des caractéristiques mensuelles des actions US afin de prévoir les rendements du mois suivant. Elle porte sur le coefficient d’information transversal, qui mesure la…

ActionsMarchés américainsApprentissage automatiqueStatistiques
Machine Learning for Trading

Cette étude de cas ajuste des modèles linéaires régularisés aux rendements de straddles à la monnaie vendus et conservés jusqu’à l’échéance. La transaction encaisse les primes des options d’achat et de vente, ce qui plafonne son gain maximal, mais peut…

OptionsVolatilitéApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce document explique comment un registre d’expériences peut suivre un modèle depuis sa configuration d’entraînement jusqu’aux prédictions et aux résultats du backtest. Chaque étape reçoit un identifiant dérivé d’une spécification canonisée, de sorte que des…

Apprentissage automatiqueStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook compare des méthodes pour découvrir les relations au sein d’un panel de rendements ETF : NOTEARS pour les graphes acycliques dirigés linéaires contemporains, VAR-LiNGAM pour les structures retardées et instantanées, et PCMCI pour les liens…

Apprentissage automatiqueStatistiquesActionsBacktest
Machine Learning for Trading

Ce notebook montre comment régler les hyperparamètres de LightGBM avec l’échantillonneur TPE d’Optuna, en utilisant le coefficient d’information transversal comme objectif. Il combine l’arrêt anticipé, qui choisit le nombre d’itérations de boosting, et une…

Apprentissage automatiqueBacktestStatistiquesActions
Machine Learning for Trading

Ce chapitre présente la construction de portefeuille comme le processus qui transforme des prévisions de rendement, des estimations de risque et des contraintes en pondérations, en levier et en décisions de rééquilibrage. Il expose un processus de recherche…

Construction de portefeuilleGestion des risquesDimensionnement des positionsBacktest
Machine Learning for Trading

Ce notebook explique comment évaluer les sorties au niveau des positions et les combiner avec des contrôles à l’échelle du portefeuille. Il compare les sorties fixes par stop-loss, prise de bénéfices et durée aux stops suiveurs et resserrés ; une sortie…

Gestion des risquesDimensionnement des positionsBacktestConstruction de portefeuille
Machine Learning for Trading

Cette étude transforme des prédictions de modèles enregistrées en stratégies comparables sur options du S&P 500. Aux dates de décision hebdomadaires, elle classe les rendements prévus, filtre un univers liquide et vend des straddles à la monnaie équipondérés…

OptionsActionsBacktestExécution des ordres
Machine Learning for Trading

Ce notebook rassemble cinq approches à facteurs latents pour modéliser la section transversale des rendements boursiers dans l’étude de cas sur les options du S&P 500. PCA estime les mouvements communs à partir des seuls rendements ; IPCA établit une…

ActionsInvestissement factorielApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook présente le protocole Rademacher Anti-Serum pour tenir compte de la sélection d’un gagnant parmi une classe de stratégies testées. Il estime la complexité empirique à partir des trajectoires de performance des candidats et montre comment leur…

BacktestStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook élabore une politique de sortie à deux modèles pour des contrats perpétuels crypto horaires. Un classificateur d’entrée repère les rendements futurs exceptionnellement élevés, tandis qu’un classificateur de sortie prédit si le prochain rendement…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook synthétise les résultats de neuf études de cas de marché dans un entonnoir cumulatif de sélection des stratégies. Il teste, dans l’ordre, si un modèle présente un coefficient d’information positif, si sa configuration sélectionnée affiche un…

BacktestStatistiquesGestion des risquesExécution des ordres
Machine Learning for Trading

Ce notebook explique quand une stratégie se décrit le plus clairement par des tableaux précalculés et quand elle bénéficie d’une simulation séquentielle qui fait évoluer les positions, les exécutions, la trésorerie, les profits et pertes réalisés ou les…

BacktestDimensionnement des positionsTrading par pairesGestion des risques
Machine Learning for Trading

Ce notebook évalue si la valeur totale verrouillée peut servir de signal de données alternatives pour les rendements de l’ether. TVL agrège la valeur en dollars des actifs crypto déposés dans des protocoles de finance décentralisée. Comme il s’agit d’un…

CryptomonnaiesFinance décentralisée (DeFi)Données on-chainStatistiques
Machine Learning for Trading

Ce notebook évalue une configuration d’options S&P 500 sélectionnée précédemment sur une période témoin. Il réutilise les prédictions du modèle et les paramètres de stratégie enregistrés, notamment le calendrier des signaux, l’allocation, la règle de…

OptionsBacktestGestion des risquesMarchés américains
Machine Learning for Trading

Ce notebook construit un répartiteur de portefeuille qui place un réseau de sélection de variables de type Temporal Fusion Transformer avant un encodeur LSTM. Le réseau de sélection intègre séparément chaque caractéristique d’entrée et attribue aux…

ActionsApprentissage automatiqueConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce notebook compare pandas et Polars sur des opérations utilisées dans les pipelines de données financières, notamment les calculs glissants, les résumés OHLCV groupés, les statistiques de fenêtre, le filtrage, les jointures, les lectures différées de…

StatistiquesExécution des ordresBacktest
Machine Learning for Trading

Ce notebook décrit un flux TabM pour des modèles de paires de devises. TabM applique un petit réseau neuronal à chaque ligne de décision au lieu de traiter les observations comme une séquence. Le notebook récupère la planification de l’architecture et des…

Marché des changesApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce notebook développe une matrice de caractéristiques financières pour une hypothèse de momentum multi-actifs sur ETF : les actifs ayant une performance relative plus forte pourraient continuer à surperformer le mois suivant. Elle combine les rendements…

Multi-actifsMomentumIndicateurs techniquesStatistiques
Machine Learning for Trading

Ce document décrit le réajustement, sur tout l’historique admissible antérieur à -2021, de la configuration sélectionnée lors des étapes de validation précédentes, puis la génération de prédictions pour l’échantillon témoin 2021. Il déduit l’intervalle…

ActionsOptionsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook teste si les arbres de gradient boosting améliorent le classement transversal des paires de devises par rapport à un modèle linéaire pénalisé. L’univers FX contient des paires partageant des devises ; les observations sont donc dépendantes : un…

Marché des changesApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce module utilitaire prend en charge les flux d’apprentissage profond appliqués aux séries temporelles financières multi-actifs. Il résout les alias de jeux de données et charge les données de référence des études de cas, puis crée des séquences à fenêtre…

Apprentissage automatiqueMulti-actifsBacktest
Machine Learning for Trading

Ce notebook compare deux modèles d’embeddings à poids ouverts exécutés localement, sur des extraits de documents 10-K récents et un ensemble fixe de requêtes de recherche financière. Il crée des extraits de deux phrases, vectorise les mêmes documents et…

Apprentissage automatiqueStatistiquesBacktest