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 explique comment appliquer quatre modèles d’impact de marché dans un backtest : sans impact, impact linéaire, impact en racine carrée et loi de puissance configurable. Chaque modèle estime une variation de prix signée par action selon le sens de…

Exécution des ordresMicrostructure des marchésBacktestGestion des risques
Machine Learning for Trading

Ce document explique comment les modèles de Markov cachés déduisent des régimes de marché non observés à partir des rendements et de la volatilité récente. Il commence par deux références transparentes : un seuil d’indice de volatilité pour le stress et le…

Apprentissage automatiqueStatistiquesVolatilitéSuivi de tendance
Machine Learning for Trading

Ce notebook étudie ARIMA comme générateur de variables pour des modèles pouvant utiliser ses résultats avec d’autres prédicteurs. Il explique comment les graphiques ACF et PACF peuvent suggérer des ordres de modèle, comment les critères d’information…

ActionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook présente des diagnostics légers de réfutation pour le triage des caractéristiques et distingue explicitement la cohérence d’un mécanisme de l’identification causale. Il commence par examiner les caractéristiques ETF sur plusieurs horizons de…

Apprentissage automatiqueStatistiquesMomentumVolatilité
Machine Learning for Trading

Cet outil mesure la variation relative absolue de la prime d’un straddle d’options ouvert, sur des horizons de séance spécifiés. Il calcule une prime valide à partir de cotations appariées d’un call et d’un put, avec des bids positifs et des asks supérieurs…

OptionsVolatilitéBacktest
Machine Learning for Trading

Ce notebook explique comment créer une matrice transversale de caractéristiques de contrats à terme à partir de trois échéances par produit. Il dérive le portage et la courbure de la courbe à partir des prix réglés par la bourse, tout en utilisant des prix…

Contrats à termeMatières premièresStratégies de portageMomentum
Machine Learning for Trading

Cette étude des caractéristiques d’actions US explique comment générer des caractéristiques à partir de modèles estimés sans introduire de données futures dans les observations antérieures. Le calendrier d’estimation prévoit une période de préchauffage…

ActionsVolatilitéIndicateurs techniquesStatistiques
Machine Learning for Trading

Ce notebook spécifie et exécute une analyse d’apprentissage automatique double de l’effet de la prime de risque de variance sur les rendements des options vendues jusqu’à leur échéance. Avant l’exécution, il détermine le traitement, le résultat, les facteurs…

OptionsVolatilitéApprentissage automatiqueStatistiques
Machine Learning for Trading

Cette étude de cas ajuste des modèles linéaires régularisés aux rendements de straddles à la monnaie vendus et conservés jusqu’à l’échéance. La transaction encaisse les primes des options d’achat et de vente, ce qui plafonne son gain maximal, mais peut…

OptionsVolatilitéApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook présente des diagnostics limités à la validation pour une étiquette de rendement d’options S&P 500 couvertes en delta sur 10 séances. Il répartit les prédicteurs financiers en groupes dépendant ou indépendants de la volatilité implicite, puis…

OptionsVolatilitéStatistiquesApprentissage automatique
Machine Learning for Trading

Ce notebook construit des caractéristiques fondées sur des règles pour une coupe transversale de contrats à terme CME, centrées sur le portage issu de l’écart entre des contrats à échéances proches. Il construit également des caractéristiques de momentum, de…

Contrats à termeMatières premièresStratégies de portageMomentum
Machine Learning for Trading

Cette exploration de données examine des observations d’indice de prime sur huit heures pour des contrats perpétuels crypto margés en USDT et explique le lien entre la prime et les paiements de financement. L’indice utilise les cours acheteur et vendeur…

CryptomonnaiesContrats à terme perpétuelsArbitrageStratégies de portage
Machine Learning for Trading

Ce notebook construit des variables fondées sur des modèles pour l’étude des options S&P 500, à partir des rendements du sous-jacent. Il ajuste GJR-GARCH, qui accorde un poids supplémentaire aux chocs de rendement négatifs, ainsi qu’un modèle de volatilité…

OptionsVolatilitéStatistiquesApprentissage automatique
Machine Learning for Trading

Le notebook traite chaque fenêtre de rendements comme une distribution empirique et regroupe les fenêtres selon la distance de Wasserstein unidimensionnelle. Pour des échantillons de même taille, le tri fournit l’appariement optimal des quantiles ; la…

ActionsApprentissage automatiqueStatistiquesVolatilité
Machine Learning for Trading

Cette analyse de faisabilité cherche à déterminer si les données et hypothèses d’une stratégie hebdomadaire de short straddle avec couverture delta sur les composantes du S&P 500 sont plausibles avant l’ajustement d’un modèle. Elle explique comment des calls…

OptionsVolatilitéGestion 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

Le document explique comment créer des facteurs de paires de devises à partir de trois modèles de séries temporelles ajustés : un filtre espace-état qui estime un niveau de prix évoluant lentement, un modèle de Markov caché à deux états pour les régimes de…

Marché des changesStatistiquesVolatilitéBacktest
Machine Learning for Trading

Ce document décrit la création d’une matrice de facteurs transversaux pour les actions du S&P 500, en combinant des historiques de cours ajustés et des surfaces résumées de volatilité implicite des options. Il classe les facteurs par rôle, donnée d’entrée,…

ActionsOptionsVolatilitéMomentum