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

1,447 documents

Machine Learning for Trading

Ce document décrit une méthode walk-forward qui transforme les résidus de prédiction en largeurs d’incertitude par entité, utilisées pour dimensionner les positions. À chaque instant de décision, le calibrage utilise les résidus dont les résultats sont déjà…

Dimensionnement des positionsGestion des risquesStatistiquesBacktest
Machine Learning for Trading

Cette étude de cas sélectionne une configuration dans un ensemble figé de stratégies crypto sur contrats à terme perpétuels, couvrant plusieurs étiquettes de rendement et de direction, méthodes de dimensionnement de portefeuille et ajustements du risque.…

CryptomonnaiesContrats à terme perpétuelsBacktestStatistiques
Machine Learning for Trading

Ce guide présente les bases publiques de rendements factoriels de la Ken French Data Library et de AQR, notamment les facteurs de marché, de taille, de valeur, de rentabilité, d’investissement, de momentum, de qualité et de bêta faible. Il explique comment…

Investissement factorielStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook utilise le double apprentissage automatique pour estimer si les écarts de prime des contrats à terme perpétuels sont liés aux rendements ultérieurs sur huit heures, et si cette relation estimée diffère entre les marchés à forte et à faible…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueStatistiques
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 notebook explique comment évaluer les prévisions probabilistes et encadrer un pipeline de prévision. Il compare les scores de Brier et logarithmique, l’erreur de calibration attendue et la sharpness ; montre comment les diagrammes de fiabilité révèlent…

StatistiquesApprentissage automatiqueGestion des risquesBacktest
Machine Learning for Trading

Ce notebook présente le protocole Rademacher Anti-Serum (RAS) comme méthode d’ajustement des estimations de performance lors d’une sélection au sein d’une classe finie de stratégies ou de signaux. La complexité empirique de Rademacher estime dans quelle…

StatistiquesBacktestGestion des risquesApprentissage automatique
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 un jeu de données de change OHLCV couvrant les paires majeures et croisées G10, avec des barres journalières et de quatre heures provenant de OANDA. Il explique comment télécharger et charger les données, les filtrer par paire ou plage…

Marché des changesStatistiquesVolatilité
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 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

Ce notebook estime si le z-score de la prime des contrats perpétuels crypto est associé aux rendements ultérieurs sur huit heures dans le cadre d’une intervention, en tenant compte de la volatilité des prix, du taux de financement et de l’écart de la prime à…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueStatistiques
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 tutoriel construit une série continue de contrats à terme individuels ES. Il identifie le contrat le plus proche à partir du volume de trading, avec une contrainte de reconduction monotone, et compare le changement de contrat fondé sur le volume à un…

Contrats à termeBacktestStatistiquesExécution des ordres
Machine Learning for Trading

Ce notebook développe un cadre pour traduire l’activité de marché en coûts de trading modélisés et en capacité de stratégie. Il présente le modèle d’impact en racine carrée, désigne la volatilité et le volume quotidien moyen comme principaux facteurs…

Microstructure des marchésExécution des ordresGestion des risquesDimensionnement des positions
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