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

934 documents

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
Machine Learning for Trading

Cette étude cherche à déterminer si les variables du marché des options peuvent classer les rendements futurs des actions. Les caractéristiques comprennent la volatilité implicite selon les échéances, l’asymétrie put-call, la pente de la structure par terme…

OptionsActionsVolatilitéApprentissage automatique
Machine Learning for Trading

Ce notebook adapte aux actions américaines quotidiennes une architecture adversariale de facteur d’actualisation stochastique. Un réseau de pondération de portefeuille forme un facteur à partir des rendements excédentaires du lendemain, tandis qu’un réseau…

ActionsInvestissement factorielApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook examine les transactions et les cotations AAPL pendant le krach boursier de mars 16, 2020 afin de montrer comment la microstructure de marché évolue sous tension. Il filtre les données aux heures normales de trading, distingue les transactions…

ActionsMicrostructure des marchésExécution des ordresVolatilité
Machine Learning for Trading

Ce notebook présente le cycle opérationnel d’une stratégie de prédiction ETF : actualiser les données de marché, recalculer les caractéristiques financières, réentraîner un modèle Ridge, enregistrer les artefacts de déploiement, produire des prédictions…

ActionsApprentissage automatiqueExécution des ordresBacktest
Machine Learning for Trading

Ce notebook présente un processus qui relie le chargement standardisé des données ETF, un registre de caractéristiques et des diagnostics de signaux. Il montre comment consulter les métadonnées des indicateurs, calculer des caractéristiques avec les…

ActionsIndicateurs techniquesMomentumStatistiques
Machine Learning for Trading

Ce notebook compare une forêt aléatoire à XGBoost, LightGBM et CatBoost sur un panel de caractéristiques d’entreprises anonymisées et de rendements. Le jeu de données fournit des partitions chronologiques pour l’entraînement, la validation et le test. Les…

ActionsApprentissage automatiqueStatistiquesInvestissement factoriel
Machine Learning for Trading

Le carnet présente la valeur à risque comme un quantile de perte et la valeur à risque conditionnelle, ou perte attendue, comme la perte moyenne au-delà de ce seuil. Il estime le risque de queue sur une journée pour un vaste ETF d’actions au moyen de quatre…

ActionsVolatilitéGestion des risquesStatistiques
Machine Learning for Trading

Ce notebook présente la parité des risques hiérarchique comme une solution de remplacement à l’allocation moyenne-variance lorsque les estimations de covariance sont bruitées. HRP regroupe les actifs selon leurs distances de corrélation, les ordonne selon la…

Construction de portefeuilleGestion des risquesBacktestActions
Machine Learning for Trading

Cette étude construit une mesure à la minute de la pression du flux d’ordres à partir de données marché par ordre pour NVDA. Elle attribue un signe aux ajouts, annulations et exécutions d’ordres selon leur côté, pondère les événements selon leur taille et…

ActionsMicrostructure des marchésExécution des ordresStatistiques