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

2,371 documents

Machine Learning for Trading

Ce notebook applique l’analyse en composantes principales fondée sur les corrélations aux rendements des ETF sectoriels afin de décrire les facteurs de risque communs et la rotation sectorielle. La standardisation des rendements donne une variance unitaire à…

ActionsInvestissement factorielStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce module décrit des contrôles visant à vérifier que les entrées de prédiction et de backtest couvrent les séances et les segments définis par une étude. Les contrôles relatifs comparent les modèles candidats entre eux et peuvent donc manquer une défaillance…

BacktestGestion des risquesStatistiquesMicrostructure des marchés
Machine Learning for Trading

Ce notebook transforme les rendements prospectifs des 21 jours des ETF en cible de hausse ou de baisse et évalue une régression logistique régularisée par L1 et L2 sur des segments chronologiques de validation walk-forward. Il met les variables à l’échelle à…

Apprentissage automatiqueStatistiquesDimensionnement des positionsActions
Machine Learning for Trading

Ce notebook applique l’analyse en composantes principales à un sous-ensemble liquide d’actions US pour extraire des facteurs latents et former des portefeuilles propres long-short. Il explique comment convertir des vecteurs PCA standardisés en pondérations…

ActionsInvestissement factorielStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook décrit l’ajustement de PatchTST aux données à la minute NASDAQ-100 pour prévoir les rendements sur plusieurs horizons futurs. Le modèle regroupe les observations consécutives en segments et leur applique un mécanisme d’attention, réduisant le…

ActionsApprentissage automatiqueBacktestStatistiques
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 différentes façons d’allouer le capital entre des positions actions US, en gardant fixes le modèle, le point de contrôle, les dates de rééquilibrage et les actions sélectionnées. Il examine les pondérations fondées sur la force des…

ActionsDimensionnement des positionsConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce notebook compare les contrats événementiels réglés en crypto de Polymarket à la plateforme réglementée Kalshi comme sources de données alternatives. Il explique comment les règles d’accès, les actifs de règlement, les limites de position et les règles de…

CryptomonnaiesSentiment de marchéStatistiquesStratégies événementielles
Machine Learning for Trading

Ce notebook présente un GAN Wasserstein inconditionnel fondé sur les signatures pour générer des séries temporelles financières. Il transforme les rendements en trajectoires augmentées, calcule des signatures de trajectoire tronquées et entraîne un…

Apprentissage automatiqueStatistiquesActionsBacktest
Machine Learning for Trading

Ce guide de données présente les prix et volumes des contrats à terme perpétuels Binance ainsi qu’un indice de prime sur huit heures. Les données horaires OHLCV décrivent l’activité du marché, tandis que la prime mesure l’écart entre le prix perpétuel et le…

CryptomonnaiesContrats à terme perpétuelsMarchés au comptantStratégies de portage
Machine Learning for Trading

Ce carnet illustre des contrôles de dérive des caractéristiques sur les caractéristiques de momentum et techniques des ETF ETF, dans des périodes calmes et tendues, ainsi que sur des contrats perpétuels crypto avec des données d’indice de prime, dans…

Apprentissage automatiqueStatistiquesGestion des risquesCryptomonnaies
Machine Learning for Trading

Ce notebook évalue TSMixer comme modèle séquentiel global pour un panel ETF. Le modèle partage ses paramètres entre les fonds tout en utilisant l’historique et les covariables propres à chacun ; ses couches de mélange apprennent les relations temporelles et…

Apprentissage automatiqueActionsStatistiquesBacktest
Machine Learning for Trading

Ce notebook définit des cibles de rendement futur pour une stratégie transversale sur contrats à terme qui classe les produits selon leur structure par échéance, en prenant des positions longues sur ceux dont le portage est plus fort et des positions courtes…

Contrats à termeMatières premièresStratégies de portageStatistiques
Machine Learning for Trading

Ce notebook explique comment interpréter les contrats Kalshi sur le taux des fonds fédéraux et préparer leurs prix pour la recherche quantitative. Le prix d’un contrat binaire représente une probabilité implicite d’événement, mais le flux contient la…

Titres à revenu fixeStatistiquesMicrostructure des marchésArbitrage
Machine Learning for Trading

Ce notebook décrit l’utilisation de TSMixer pour prédire les rendements des actions à partir de fenêtres ordonnées de caractéristiques propres à chaque action. Chaque exemple comprend 60 séances consécutives ; les fenêtres qui traversent des lacunes dans…

ActionsMarchés américainsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce guide organise les jeux de données US sur les actions en données de marché, fondamentaux d’entreprise, positions des investisseurs et caractéristiques des sociétés. Il répertorie les chargeurs de barres quotidiennes et intrajournalières, d’options et de…

ActionsMarchés américainsMicrostructure des marchésOptions
Machine Learning for Trading

Ce notebook transforme les prédictions de validation de plusieurs familles de modèles en portefeuilles long-short à pondération égale. Il classe les actions selon leur rendement prédit, achète les mieux classées et vend à découvert les moins bien classées,…

ActionsMarchés américainsBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook compare des modèles de commissions sur actions et contrats à terme à plusieurs modèles de slippage, en soulignant que leurs unités et hypothèses diffèrent. Les frais en pourcentage restent constants en proportion du montant notionnel, tandis que…

Exécution des ordresBacktestMicrostructure des marchésGestion des risques
Machine Learning for Trading

Ce document décrit l’entraînement d’un agent d’optimisation par politique proximale pour liquider un ordre fixe sur un horizon défini. Il évalue la politique de rythme apprise par rapport à TWAP et à un calendrier d’Almgren-Chriss sur les mêmes trajectoires…

CryptomonnaiesExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce document présente un processus par étapes pour relier aux titres les noms d’entreprises issus de déclarations, d’actualités et de données alternatives. Il distingue les identifiants d’entité, tels que CIK et LEI, des identifiants de titres, tels que FIGI,…

ActionsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce document présente un modèle factoriel à autoencodeur supervisé pour prédire les rendements des actions dans un contexte de recherche en analyse des options sur actions. Contrairement à PCA, IPCA et à un autoencodeur conditionnel non supervisé, son…

ActionsApprentissage automatiqueInvestissement factorielStatistiques
Machine Learning for Trading

Ce document décrit un backtest hors échantillon à paramètres fixes pour une stratégie sélectionnée sur contrats à terme CME. La configuration, les prédictions, l’allocation, la fréquence de rééquilibrage, la concentration et les hypothèses de coûts de…

Contrats à termeBacktestStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook étudie des modèles de prédiction linéaires pour une coupe transversale de contrats à terme CME, à partir de colonnes de caractéristiques regroupées en familles apparentées, notamment le portage, le momentum, la volatilité et des mesures de risque…

Contrats à termeApprentissage automatiqueInvestissement factorielStatistiques
Machine Learning for Trading

Cette analyse pédagogique compare quatre architectures de réseaux neuronaux pour une même tâche : prévoir le rendement quotidien suivant à partir d’une fenêtre récente de rendements. Un ensemble regroupé de huit fonds négociés en bourse fournit des…

ActionsApprentissage automatiqueBacktestGestion des risques