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

122 documents

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 compare quatre allocations de référence ETF à l’aide de périodes de crises historiques, de chocs simultanés sur les actifs définis manuellement, de simulations de Monte-Carlo de Student-t et de statistiques par régime de marché. Il explique la…

Multi-actifsGestion des risquesConstruction de portefeuilleVolatilité
Machine Learning for Trading

Ce notebook examine les données de transactions et de cotations AlgoSeek à la granularité des ticks pour AAPL pendant le krach boursier de mars 16, 2020. Il filtre les heures normales de négociation, distingue les transactions des mises à jour NBBO et étudie…

ActionsMicrostructure des marchésExécution des ordresVolatilité
Machine Learning for Trading

Ce notebook développe la valorisation Black-Scholes des options d’achat et de vente européennes, vérifie la parité put-call et calcule la volatilité implicite par recherche de racine de Brent. Il définit également Delta, Gamma, Vega, Theta et Rho, et utilise…

OptionsÉvaluation des dérivésVolatilitéGestion des risques
Machine Learning for Trading

Ce notebook de caractéristiques ETF explique comment des modèles statistiques ajustés peuvent laisser fuiter des informations futures par leurs paramètres estimés, même lorsque leurs formules n’utilisent que des observations passées. La solution consiste à…

ActionsApprentissage automatiqueStatistiquesVolatilité
Machine Learning for Trading

Cette analyse vérifie si les données quotidiennes d’options permettent une stratégie hebdomadaire qui vend des straddles à la monnaie sur les composants du S&P 500, couvre en delta les actions et conserve les contrats jusqu’à l’échéance. Elle explique…

OptionsVolatilitéExécution des ordresBacktest
Machine Learning for Trading

Ce notebook développe des caractéristiques fondées sur des modèles pour les contrats à terme perpétuels crypto : des prévisions de volatilité conditionnelle par actif issues de GJR-GARCH et une probabilité de régime de tension à l’échelle du marché, obtenue…

CryptomonnaiesContrats à terme perpétuelsVolatilitéApprentissage automatique
Machine Learning for Trading

Ce notebook utilise l’analyse des excursions favorables et défavorables maximales pour définir la largeur des barrières triples à partir des trajectoires de prix observées. Pour une entrée longue à la clôture d’une barre, il mesure le plus haut et le plus…

Gestion des risquesVolatilitéBacktest
Machine Learning for Trading

Ce notebook explore un panel de données économiques construit à partir des séries Federal Reserve Economic Data. Il établit que le panel fourni utilise des dates calendaires, week-ends et jours fériés compris, et montre comment les métadonnées associées…

Titres à revenu fixeVolatilitéStatistiquesMarchés américains
Machine Learning for Trading

Ce document explique comment les décompositions en ondelettes et les estimations spectrales glissantes décrivent les rendements financiers à différentes échelles de temps. Les ondelettes divisent les rendements en composantes couvrant des périodes de plus en…

ActionsStatistiquesVolatilitéIndicateurs techniques
Machine Learning for Trading

Le notebook explique comment distinguer les variations continues des prix et les sauts dans les rendements intrajournaliers des actions. Il estime la variance réalisée quotidienne à partir des rendements au carré et utilise la variation bipuissance comme…

ActionsVolatilitéStatistiquesMicrostructure des marchés
Machine Learning for Trading

Ce cours compare des modèles stochastiques paramétriques et des méthodes bootstrap pour générer des trajectoires financières synthétiques. Il couvre le mouvement brownien géométrique, la diffusion par sauts, le retour à la moyenne, la volatilité stochastique…

StatistiquesVolatilitéGestion des risquesBacktest
Machine Learning for Trading

Ce carnet sélectionne des caractéristiques candidates pour une stratégie qui vend des options d’achat et de vente à la monnaie sur la même action, avec la même échéance, et conserve le straddle jusqu’à l’échéance. Pour chaque caractéristique, il mesure si…

OptionsActionsStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook construit des étiquettes de rendement futur pour des straddles courts à la monnaie sur des actions du S&P 500. Comme le panel quotidien de straddles à 30 jours passe chaque séance à un prix d’exercice ou à une échéance différents, une série de…

OptionsÉvaluation des dérivésVolatilitéBacktest
Machine Learning for Trading

Le notebook explique la valeur à risque (VaR), qui correspond à un quantile de perte, et la valeur à risque conditionnelle (CVaR), qui représente la moyenne des pertes au-delà de ce seuil. À partir de rendements quotidiens ETF, il compare des estimations…

Gestion des risquesVolatilitéBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook développe une tâche simulée de création de marché dans laquelle un agent PPO choisit le biais des cotations et la largeur du spread. La probabilité d’exécution diminue à mesure que les cotations s’éloignent du prix médian, tandis que le…

Tenue de marchéApprentissage automatiqueExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce notebook pédagogique compare des méthodes de création d’étiquettes cibles pour des modèles de trading supervisés à partir de données ETF. Il couvre les rendements à horizon fixe et les étiquettes directionnelles, les percentiles glissants des séries…

Apprentissage automatiqueStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook compare trois façons d’utiliser les régimes de marché pour la prévision : un modèle de référence sans variable de régime, un modèle unique auquel est fournie la probabilité filtrée d’un état volatil et des modèles distincts entraînés dans des…

ActionsApprentissage automatiqueStatistiquesVolatilité