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

558 documents

Machine Learning for Trading

Ce notebook montre comment entraîner un réseau antagoniste génératif sur des caractéristiques quotidiennes de ETF avec confidentialité différentielle. Il présente la garantie et le budget de confidentialité, puis utilise Opacus pour écrêter le gradient du…

Apprentissage automatiqueStatistiquesActionsGestion des risques
Machine Learning for Trading

Ce notebook applique TabM, un ensemble neuronal à partage de poids, à des cibles de rendement boursier construites à partir de caractéristiques d’options sur actions. Ses membres utilisent une base de réseau commune à deux couches, avec des vecteurs…

ActionsOptionsApprentissage automatiqueBacktest
Machine Learning for Trading

Cette note sur les données décrit une collection diversifiée de fonds négociés en bourse utilisée dans une stratégie de momentum et dans une série plus large d’exemples de recherche financière. Elle fournit des observations quotidiennes d’ouverture, de plus…

Multi-actifsActionsTitres à revenu fixeMatières premières
Machine Learning for Trading

Ce notebook applique TabM à un tableau de caractéristiques d’actions US, entre les modèles linéaires pénalisés et les ensembles d’arbres. Chaque membre de l’ensemble partage une base de réseau neuronal, mais possède son propre vecteur de mise à l’échelle et…

ActionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook ajuste des modèles ridge, lasso et elastic net à un large ensemble de caractéristiques établies des actions US, dont la valeur, la rentabilité, l’investissement, le momentum, la taille, le risque et la liquidité. Il évalue les rendements mensuels…

ActionsInvestissement factorielMomentumApprentissage automatique
Machine Learning for Trading

Cette analyse applique une analyse en composantes principales fondée sur les corrélations aux rendements de fonds négociés en bourse sectoriels. La standardisation des rendements avant la décomposition donne à chaque secteur une variance unitaire ; les…

ActionsInvestissement factorielStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce notebook explique comment analyser les messages historiques du flux IEX DEEP et maintenir un carnet d’ordres à cours limité à partir de mises à jour agrégées par niveau de prix. Il extrait les variations de profondeur, les meilleures offres d’achat et de…

ActionsMicrostructure des marchésExécution des ordresMarchés américains
Machine Learning for Trading

Ce notebook compare les allocations à pondération égale, pondérées par score positif et par largeur conforme pour des ETF et des contrats à terme CME parmi les mieux classés. Il estime les largeurs d’intervalles conformes par entité à partir des résidus de…

ActionsContrats à termeDimensionnement des positionsGestion des risques
Machine Learning for Trading

Ce notebook compare trois façons de convertir des prévisions de rendement signées en positions binaires : un seuil fixe à zéro, un percentile glissant des scores propres à chaque symbole et un percentile transversal entre symboles. Il mesure l’activation des…

Apprentissage automatiqueIndicateurs techniquesCryptomonnaiesActions
Machine Learning for Trading

Ce document présente un autoencodeur supervisé comme modèle de contrôle pour les modèles à facteurs latents conditionnels. Il relie directement les caractéristiques des entreprises aux rendements futurs tout en comprimant 57 entrées dans un goulot…

ActionsApprentissage automatiqueInvestissement factorielStatistiques
Machine Learning for Trading

Ce notebook explique comment les divisions d’actions et les dividendes en espèces perturbent les séries historiques de prix bruts et faussent les rendements calculés. Il présente l’ajustement rétrospectif, qui remet à l’échelle les cours historiques en…

ActionsMarchés américainsBacktestStatistiques
Machine Learning for Trading

Cette étude NASDAQ-100 examine l’effet des coûts de transaction sur une stratégie actions fréquemment rééquilibrée. Elle distingue deux réponses possibles aux coûts : limiter l’univers négocié aux titres plus liquides et moins coûteux, et réduire la…

ActionsMarchés américainsExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce notebook présente PCMCI comme une méthode pour découvrir des relations décalées dans des séries temporelles financières multivariées, sans définir au préalable de graphe causal. Il applique la méthode aux rendements des ETF et d’un indice de volatilité,…

Apprentissage automatiqueStatistiquesMulti-actifsActions
Machine Learning for Trading

Ce tutoriel transforme des signaux transversaux ETF en portefeuilles long-only, équipondérés et composés des dix premières positions, puis compare la régression Ridge et la classification logistique à des références fondées sur le momentum et…

ActionsBacktestExécution des ordresConstruction de portefeuille
Machine Learning for Trading

Ce notebook présente NLinear comme modèle de référence pour prévoir les rendements boursiers à partir de fenêtres ordonnées de caractéristiques. Chaque exemple contient 60 sessions consécutives pour une action. Pour chaque caractéristique, le modèle…

ActionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook reconstitue les meilleurs cours acheteur et vendeur nationaux (NBBO) en vigueur pour chaque transaction AAPL pendant la séance régulière du 16 mars 2020. Il combine chronologiquement les événements de cotation et de transaction, conserve la…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Ce document présente PCA instrumentée, où les expositions des actifs aux facteurs sont modélisées comme des fonctions linéaires de caractéristiques observées avant le rendement. Il utilise les moindres carrés alternés pour estimer la relation entre…

ActionsInvestissement factorielApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce document décrit un jeu de référence reproductible sur les actions US, issu de l’archive de réplication de la tarification des actifs de Chen, Pelger et Zhu. Il comprend environ 1.2 million d’observations mensuelles sur les actions, de 1967 à 2016, avec 46…

ActionsInvestissement factorielApprentissage automatiqueMarchés américains
Machine Learning for Trading

Ce document explique comment TSMixer traite l’historique récent des caractéristiques d’une action sous forme de matrice dont les lignes représentent les sessions et les colonnes les caractéristiques. Ses blocs mélangent l’information le long des colonnes de…

ActionsApprentissage automatiqueMomentumBacktest
Machine Learning for Trading

Ce notebook utilise les prédictions GBM walk-forward enregistrées pour des ETF et des contrats à terme CME afin de comparer la pondération à poids égaux, la pondération inversement proportionnelle à la largeur conforme et la pondération proportionnelle aux…

ActionsContrats à termeGestion des risquesDimensionnement des positions
Machine Learning for Trading

Ce notebook compare les prévisions zero-shot de Chronos et TinyTimeMixer à celles d’un modèle LSTM et d’un modèle linéaire pénalisé sur un panel d’ETF. Chaque modèle reçoit le même contexte historique univarié, mais les modèles préentraînés prévoient la…

ActionsApprentissage automatiqueStatistiquesBacktest