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

100 documents

Machine Learning for Trading

Ce carnet présente la surveillance de la dérive des covariables pour les variables de momentum des ETF ETF et les contrats à terme perpétuels crypto, sur des fenêtres de marché contrastées. Il compare l’indice de stabilité de population, qui mesure les…

Apprentissage automatiqueStatistiquesGestion des risquesCryptomonnaies
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 compare trois méthodes pour convertir des prévisions signées de rendement du modèle en positions binaires : un seuil fixe à zéro, un percentile glissant par symbole et un percentile transversal entre symboles. Elle applique ces règles aux…

Apprentissage automatiqueExécution des ordresBacktestCryptomonnaies
Machine Learning for Trading

Ce notebook présente le backtesting vectorisé avec VectorBT à travers une règle de retour à la moyenne RSI en position acheteuse uniquement, appliquée aux données du marché des contrats perpétuels sur Bitcoin. Il calcule un RSI fondé sur le cours de clôture,…

CryptomonnaiesContrats à terme perpétuelsRetour à la moyenneIndicateurs techniques
Machine Learning for Trading

Ce notebook compare six méthodes d’allocation appliquées à des stratégies sur contrats perpétuels crypto ayant déjà franchi un processus de sélection de référence. Il garde fixes les prédictions et les règles d’entrée de chaque stratégie, puis modifie la…

CryptomonnaiesContrats à terme perpétuelsDimensionnement des positionsConstruction de portefeuille
Machine Learning for Trading

Ce notebook ajoute un réseau convolutif temporel (TCN) à une comparaison de modèles séquentiels pour prévoir les primes de financement des contrats perpétuels de cryptomonnaies. Le remplissage causal garantit que chaque position n’utilise que les…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce module estime les paramètres de marchés crypto simulés utilisés dans des environnements d’apprentissage par renforcement. Il charge les données horaires d’un marché perpétuel pour un symbole donné, calcule les rendements logarithmiques de clôture à…

CryptomonnaiesContrats à terme perpétuelsVolatilitéMicrostructure des marchés
Machine Learning for Trading

Ce notebook étudie si une prime extrême sur les contrats à terme perpétuels affecte les rendements ultérieurs du BTC ou le retour de la prime à la moyenne. Il définit le traitement comme un état de prime élevée et compare un résultat de marché général,…

CryptomonnaiesContrats à terme perpétuelsArbitrageStatistiques
Machine Learning for Trading

Ce notebook utilise l’excursion favorable maximale (MFE) et l’excursion défavorable maximale (MAE) pour ancrer les largeurs des étiquettes à triple barrière dans les trajectoires de prix observées. Pour une position prise à la clôture d’une barre, il mesure…

ActionsContrats à termeCryptomonnaiesVolatilité
Machine Learning for Trading

Ce notebook explique comment transformer GJR-GARCH ajusté et des modèles de Markov cachés en caractéristiques de trading tout en contrôlant le biais d’anticipation. GJR-GARCH estime la volatilité conditionnelle et capte l’impact plus marqué des chocs de…

CryptomonnaiesContrats à terme perpétuelsVolatilitéApprentissage automatique
Machine Learning for Trading

Ce notebook compare deux questions causales sur les primes extrêmes des contrats à terme perpétuels sur Bitcoin : un état de prime prédit-il les rendements futurs, et prédit-il le retour ultérieur de la prime à sa moyenne ? Le traitement est un indicateur…

CryptomonnaiesContrats à terme perpétuelsStatistiquesMicrostructure des marchés
Machine Learning for Trading

Ce notebook compare DQN, PPO et A2C dans un environnement de trading simulé commun, calibré sur les rendements horaires des contrats à terme perpétuels sur Bitcoin. Un modèle GARCH(1,1) produit le regroupement de volatilité ; l’environnement facture les…

Apprentissage automatiqueCryptomonnaiesContrats à terme perpétuelsVolatilité
Machine Learning for Trading

Ce document présente un réseau convolutif temporel qui prédit les primes de financement des contrats perpétuels crypto à partir d’une fenêtre de règlement de 60. Quatre blocs de convolution causale utilisent un noyau de trois et des dilatations de 1, 2, 4 et…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueRetour à la moyenne
Machine Learning for Trading

Ce notebook mesure l’effet des coûts d’exécution sur une configuration de contrats perpétuels crypto déjà sélectionnée. Il conserve fixes le modèle, le checkpoint, la règle d’entrée, l’allocateur et le contrôle du risque, puis relance la stratégie sur une…

CryptomonnaiesContrats à terme perpétuelsBacktestExécution des ordres
Machine Learning for Trading

Ce notebook teste une conception de sortie à deux modèles sur des données horaires perpétuelles de BTC, ETH et SOL. Un classificateur d’entrée repère les rendements futurs exceptionnellement élevés ; sa probabilité prédite est ensuite combinée aux…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueBacktest
Machine Learning for Trading

Cette analyse compare les prédictions de validation de plusieurs familles de modèles appliquées au financement des contrats à terme perpétuels. Elle explique que le coefficient d’information mesure le classement des rendements ultérieurs, que AUC mesure…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueStatistiques
Machine Learning for Trading

Cette étude de cas évalue les données de valeur totale verrouillée de DeFi Llama comme entrée potentielle d’une chaîne de recherche sur le trading de l’Ether. Elle distingue la force du signal, la qualité des données, leur admissibilité juridique et leur…

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

Ce notebook évalue les sorties au niveau des positions sur contrats à terme perpétuels crypto sélectionnés lors d’une étape d’allocation antérieure. Il définit des stops de perte fixes, des stops suiveurs liés au meilleur prix de chaque position et des…

CryptomonnaiesContrats à terme perpétuelsGestion des risquesBacktest
Machine Learning for Trading

Ce document décrit un jeu de données et un processus d’étude des contrats à terme perpétuels sur cryptomonnaies et de leur indice de prime. Il présente des observations horaires OHLCV et des relevés de prime toutes les huit heures sur un univers configuré,…

CryptomonnaiesContrats à terme perpétuelsContrats à termeArbitrage
Machine Learning for Trading

Ce notebook décrit une répétition du déploiement d’un modèle directionnel de taux de financement crypto. Il entraîne un modèle LightGBM à trois classes sur des données historiques de contrats perpétuels dérivées de Binance, puis récupère les barres horaires…

CryptomonnaiesContrats à terme perpétuelsMarchés au comptantApprentissage automatique
Machine Learning for Trading

Ce notebook évalue si les données des contrats à terme perpétuels Binance permettent de soutenir une stratégie transversale qui classe les contrats selon leur prime et prend des positions longues et courtes. Il n’ajuste aucun modèle et ne produit aucune…

CryptomonnaiesContrats à terme perpétuelsStatistiquesBacktest