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

242 documents

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 document décrit un environnement Gymnasium pour entraîner un agent à liquider une position sur un horizon fixe. L’observation combine l’inventaire restant et le temps avec le spread, la profondeur du marché, la volatilité et un régime normal ou tendu. Une…

Apprentissage automatiqueExécution des ordresMicrostructure des marchésVolatilité
Machine Learning for Trading

Ce notebook présente un flux de prévision en quatre phases utilisant l’orchestration Python native, CrewAI et LangGraph. Il compare la gestion de l’état, l’inspection ou la reprise après échec, les dépendances ajoutées par chaque approche et le…

Apprentissage automatiqueStatistiquesExécution des ordresBacktest
Machine Learning for Trading

Ce notebook formule un ordre parent comme un problème de contrôle à horizon fini. À chaque intervalle, le Q-learning tabulaire choisit un multiplicateur appliqué à une tranche de transaction fondée sur le VWAP, en fonction du temps et de l’inventaire…

ActionsExécution des ordresApprentissage automatiqueMicrostructure des marchés
Machine Learning for Trading

Cette analyse transversale examine comment l’information prédictive, mesurée par le coefficient d’information (IC), se traduit en Sharpe de portefeuille dans neuf études de cas de trading. Son point central est que la mise en œuvre joue un rôle déterminant…

Multi-actifsStatistiquesBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook explique comment construire un historique continu des prix des contrats à terme à partir de contrats individuels arrivant à échéance. Il repère les contrats du mois le plus proche selon le volume de négociation, applique une contrainte…

Contrats à termeBacktestExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce script de validation met à l’épreuve un processus de recherche réduit sur les contrats à terme CME, des prévisions du modèle aux pondérations de portefeuille et au backtesting. Il vérifie que les prévisions couvrent exactement les clés attendues de…

Contrats à termeBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce module définit un objectif différentiable pour l’apprentissage de portefeuille de bout en bout. Il transforme des pondérations de risque limitées au niveau des actifs en expositions du portefeuille à l’aide d’un ajustement par la volatilité, calcule les…

Apprentissage automatiqueConstruction de portefeuilleGestion des risquesExécution des ordres
Machine Learning for Trading

Ce notebook analyse des carnets d’ordres NASDAQ reconstruits pour décrire les spreads intrajournaliers et la profondeur au meilleur cours acheteur et vendeur, puis examine si le déséquilibre des flux d’ordres est associé au rendement de la tranche suivante.…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Ce notebook établit une référence au stade du signal pour évaluer les prévisions du modèle sur les contrats à terme CME. À chaque décision hebdomadaire, il classe les produits selon leur rendement prédit, achète le groupe de tête, vend à découvert celui de…

Contrats à termeBacktestConstruction de portefeuilleExécution des ordres
Machine Learning for Trading

Cette configuration définit une expérience de classement et de rééquilibrage long uniquement sur des ETF. Elle couvre un vaste univers de 100 ETF, avec des expositions aux actions, obligations, matières premières et régions ; les décisions sont mensuelles et…

ActionsMulti-actifsBacktestExécution des ordres
Machine Learning for Trading

Ce benchmark compare CSV, Parquet, Feather (Arrow IPC) et HDF5 sur le même panel OHLCV déterministe. Il mesure le temps d’écriture, le temps de lecture avec matérialisation, la taille des fichiers et l’effet de la lecture de certaines colonnes seulement. La…

ActionsBacktestExécution des ordres
Machine Learning for Trading

Ce tutoriel opérationnel présente les protections à l’exécution d’un système de trading en réel avec un courtier synthétique. Il montre comment SafeBroker rejette les ordres lorsque les données de marché sont trop anciennes ou que les pertes quotidiennes…

Gestion des risquesExécution des ordresMicrostructure 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 deux méthodes d’estimation des spreads bid-ask lorsque seules des données journalières OHLCV sont disponibles. Corwin-Schultz compare les amplitudes haut-bas sur des intervalles adjacents d’un et deux jours, en s’appuyant sur le…

Microstructure des marchésStatistiquesExécution des ordresVolatilité
Machine Learning for Trading

Ce document explique une référence de validation pour les prédictions de modèles sur les contrats à terme CME. À chaque décision hebdomadaire, les produits sont classés selon le rendement prédit ; le groupe de tête est détenu à l’achat et celui du bas à la…

Contrats à termeBacktestConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Cette note présente un flux de travail opérationnel pour connecter une stratégie à Interactive Brokers via TWS ou Gateway. Elle vérifie que la session utilise un compte de simulation, lit les valeurs du compte et les positions, puis demande des barres…

Exécution des ordresGestion des risquesMomentumActions
Machine Learning for Trading

Ce notebook teste la sensibilité d’un backtest de momentum sur ETF aux frais de trading supposés. Il conserve fixes les pondérations et le calendrier de trading de la stratégie, relance le simulateur pour une plage de coûts par opération et compare la…

ActionsMomentumBacktestExécution des ordres
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 analyse les messages NASDAQ TotalView-ITCH pour décrire l’activité générale du marché et créer des données de transactions réutilisables. Il compte les messages par type, puis enrichit les messages d’exécution d’ordres en reliant les identifiants…

ActionsMarchés américainsMicrostructure des marchésExécution des ordres
Machine Learning for Trading

Cette étude utilise dix jours de données NVDA par ordre de marché pour examiner comment l’activité quotidienne de trading influe sur l’échantillonnage en barres. Elle filtre les transactions pour ne conserver que les heures normales de marché US, classe les…

ActionsMicrostructure des marchésExécution des ordresIndicateurs techniques