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

86 documents

Machine Learning for Trading

Ce document décrit un univers quotidien de candidats ETF couvrant les actions, les titres à revenu fixe, les matières premières et les devises. Il présente un flux de travail pour télécharger les données de marché, les charger en vue de leur analyse,…

Multi-actifsActionsTitres à revenu fixeMatières premières
Machine Learning for Trading

Ce document présente un système de données partagé pour la recherche en trading quantitatif. Il répertorie des jeux de données sur les actions, les options, les contrats à terme, les cryptomonnaies, le marché des changes, les facteurs, la macroéconomie, les…

Multi-actifsActionsContrats à termeCryptomonnaies
Machine Learning for Trading

Ce notebook montre comment aligner les observations macroéconomiques sur les dates auxquelles les traders pouvaient réellement en avoir connaissance. Il distingue la période mesurée par une valeur de sa date de publication, estime les dates de publication à…

Multi-actifsBacktestStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook interroge les registres de backtests de neuf cas d’étude et assemble des tableaux comparables pour les analyses ultérieures. Il organise les résultats par classe d’actifs et fréquence des données, puis consigne les performances aux étapes du…

BacktestStatistiquesConstruction de portefeuilleGestion des risques
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 présente un inventaire multi-marchés des artefacts de caractéristiques issues de modèles dans neuf études de cas. Il lit les schémas Parquet sans charger leurs lignes, exclut les colonnes d’identifiants, compte les colonnes de caractéristiques et…

Multi-actifsApprentissage automatiqueStatistiquesActions
Machine Learning for Trading

Ce document explique comment construire et examiner une matrice de caractéristiques pour une hypothèse transversale de momentum et de rotation ETF. Il définit la période rétrospective et le décalage d’information de chaque caractéristique, puis construit les…

ActionsMulti-actifsMomentumIndicateurs techniques
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 chapitre présente la recherche sur les stratégies comme la conception et l’évaluation d’un processus de décision exécutable, de l’idée économique initiale au dimensionnement des positions, aux contraintes, aux coûts et aux tests proches du trading en…

BacktestApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare six méthodes d’allocation de positions longues uniquement ETF, conçues pour réduire la dépendance aux estimations instables. Il applique une régularisation de covariance de Ledoit-Wolf aux estimateurs qui utilisent la covariance et…

Multi-actifsActionsTitres à revenu fixeConstruction de portefeuille
Machine Learning for Trading

Le document présente un flux de recherche en trading par apprentissage automatique, de la collecte des données et de la création des variables à l’entraînement des modèles, au backtesting, aux coûts de transaction, aux décisions de portefeuille et de risque,…

Apprentissage automatiqueBacktestGestion des risquesConstruction de portefeuille
Machine Learning for Trading

Le document décrit le chargement des données de marché ETF, avec des filtres facultatifs sur les symboles et les dates, ainsi qu’une limite déterministe au nombre de symboles renvoyés. Le point analytique principal consiste à adapter la série de prix à la…

ActionsMulti-actifsStatistiques
Machine Learning for Trading

Ce tutoriel explique comment organiser les données de marché au-delà de téléchargements ponctuels. Il présente un gestionnaire unifié pour récupérer un symbole ou des lots de symboles, des univers prédéfinis ou personnalisés et un stockage Parquet…

Multi-actifsActionsBacktestExécution des ordres
Machine Learning for Trading

Ce notebook vérifie si les données historiques ETF permettent de soutenir une stratégie de classement mensuel avant d’ajuster un modèle ou de produire des prévisions. Il teste l’univers négociable à partir de la liquidité de l’année précédente, compte les…

Multi-actifsBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook compare le réglage mono-objectif des hyperparamètres à une recherche multiobjectif pour des modèles de prévision LightGBM. La référence maximise le coefficient d’information (IC) en validation. La recherche NSGA-II maximise plutôt IC tout en…

Apprentissage automatiqueStatistiquesBacktestExécution des ordres
Machine Learning for Trading

Ce module d’analyse partagé décrit différentes méthodes d’estimation des frictions de négociation sur plusieurs classes d’actifs. Il comprend des estimateurs de spreads bid-ask fondés sur les cours hauts et bas et l’autocovariance des rendements, des mesures…

Exécution des ordresMicrostructure des marchésGestion des risquesBacktest
Machine Learning for Trading

Ce notebook élabore un cadre tenant compte des unités pour estimer les coûts de trading sur les actions, les contrats perpétuels crypto, les contrats à terme, les ETF et le marché des changes. Il distingue le volume en actions, le volume en contrats, le…

Exécution des ordresMicrostructure des marchésGestion des risquesBacktest
Machine Learning for Trading

Ce notebook compare des portefeuilles de référence d’ETF face à des crises historiques, à des chocs simultanés définis manuellement sur les actifs et à des scénarios de pertes de Monte-Carlo. Les périodes historiques incluent d’importantes baisses des…

Multi-actifsConstruction de portefeuilleGestion des risquesVolatilité
Machine Learning for Trading

Ce notebook rassemble les backtests enregistrés d’une étude de cas sur ETF pour évaluer les stratégies en tenant compte de l’incertitude. Il lit les mesures de performance accompagnées d’intervalles de confiance bootstrap par blocs et utilise des bootstraps…

BacktestStatistiquesConstruction de portefeuilleInvestissement factoriel
Machine Learning for Trading

Ce notebook explique comment un panel macroéconomique horodaté selon la période qu’il mesure peut introduire des informations futures dans un backtest de trading. Il estime les dates de publication en ajoutant la durée de la période à la date horodatée, puis…

BacktestStatistiquesGestion des risquesMulti-actifs
Machine Learning for Trading

Ce notebook met en œuvre DeePM, une politique de portefeuille de bout en bout pour un univers diversifié de ETF. Son modèle combine des facteurs temporels, des métadonnées sur les actifs, de l’attention transversale et un a priori de graphe macroéconomique…

Multi-actifsConstruction de portefeuilleApprentissage automatiqueGestion des risques
Machine Learning for Trading

Ce notebook d’ingénierie des facteurs construit des variables qui nécessitent des informations allant au-delà de l’historique des prix d’un seul actif. Pour les contrats à terme, il calcule le rendement de roulement annualisé à partir des niveaux…

Contrats à termeOptionsStratégies de portageVolatilité