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 explique la parité des risques hiérarchique (HRP), une méthode de construction de portefeuille conçue pour limiter la sensibilité aux estimations de covariance bruitées. Il en décrit les trois étapes : regrouper les actifs selon la distance de…

Construction de portefeuilleGestion des risquesBacktestMulti-actifs
Machine Learning for Trading

Ce notebook utilise des enregistrements de transactions issus de NASDAQ ITCH pour examiner l’activité de trading intrajournalière. Il regroupe les transactions individuelles en barres temporelles et compare les volumes en actions, le nombre de transactions,…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Ce guide présente deux sources de données de ticks du carnet d’ordres sur les actions US destinées à la recherche en microstructure : les événements market-by-order de Databento et les messages NASDAQ TotalView-ITCH. Il décrit leurs formats, leurs…

ActionsMicrostructure des marchésExécution des ordresMarchés américains
Machine Learning for Trading

Ce notebook examine comment exprimer l’incertitude des prévisions de rendement des ETF en comparant le dropout Monte-Carlo aux ensembles profonds. Le dropout reste actif lors de passages d’inférence répétés, tandis qu’un ensemble mesure les désaccords entre…

ActionsApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare six méthodes de pondération de portefeuilles ETF sélectionnés selon le même classement prédit : pondération égale, pondération par score, inverse de la volatilité, parité des risques, optimisation moyenne-variance et parité des risques…

ActionsConstruction de portefeuilleBacktestGestion des risques
Machine Learning for Trading

Ce notebook ajuste un modèle LSTM déclaré pour la prévision dans une étude sur les options du S&P 500. Le réseau reçoit des fenêtres chronologiques de l’historique de chaque symbole et utilise un état récurrent à portes pour représenter l’information entre…

ActionsOptionsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook explique comment construire et examiner un panel trimestriel de données fondamentales sur les actions à partir des données SEC XBRL. Chaque observation indique à la fois la période fiscale décrite et la date de dépôt à laquelle l’information est…

ActionsMarchés américainsInvestissement factorielBacktest
Machine Learning for Trading

Ce notebook présente un cadre de diagnostic pour un backtest d’allocation de ETF. Il calcule des mesures de risque et de rendement, comme les ratios de Sharpe, Sortino et Calmar, la volatilité, la valeur à risque et le drawdown maximal ; suit les…

Construction de portefeuilleGestion des risquesBacktestActions
Machine Learning for Trading

Ce notebook met en place un processus de suivi pour un modèle financier déployé, à partir d’artefacts réels issus de l’échantillon de réserve. Il vérifie que les données de caractéristiques entrantes sont renseignées et structurellement valides avant de…

Apprentissage automatiqueStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce notebook relie le dimensionnement des positions à l’analyse des excursions maximales défavorables et favorables. Il présente un dimensionnement à fraction fixe, où le nombre d’actions est déterminé par un budget de risque par transaction et la distance…

Dimensionnement des positionsGestion des risquesVolatilitéBacktest
Machine Learning for Trading

Ce notebook explique comment interpréter les prévisions d’une régression Ridge pour un panel d’ETF avec SHAP. Pour un modèle linéaire, l’attribution de chaque caractéristique correspond à son coefficient multiplié par l’écart entre sa valeur et sa moyenne de…

Apprentissage automatiqueStatistiquesActionsBacktest
Machine Learning for Trading

Ce notebook présente une méthode pour convertir des déclarations annuelles et trimestrielles SEC en texte structuré pour des analyses ultérieures de sentiment, de thèmes et d’incorporations vectorielles. Il associe les sections recherchées aux numéros de…

ActionsSentiment de marchéStratégies événementiellesStatistiques
Machine Learning for Trading

Ce notebook explique comment un autoencodeur conditionnel étend un modèle de composantes principales instrumentées : un réseau neuronal associe les caractéristiques des actions aux expositions factorielles, tandis que le modèle conserve la même structure,…

ActionsInvestissement factorielApprentissage automatiqueBacktest
Machine Learning for Trading

Cette étude filtre les caractéristiques financières et de volatilité GJR-GARCH en fonction des rendements futurs des actions. Pour chaque séance, elle calcule la corrélation de rang entre les valeurs d’une caractéristique et les rendements ultérieurs pour…

ActionsOptionsStatistiquesApprentissage automatique
Machine Learning for Trading

Cette référence décrit deux corpus d’actualités financières utilisés pour l’analyse du sentiment, le développement de caractéristiques textuelles et les expériences reliant les actualités aux rendements. FNSPID relie les titres aux symboles boursiers et…

ActionsSentiment de marchéApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce document décrit une méthode pour transformer les déclarations groupées trimestrielles SEC 13F en un panel de positions institutionnelles. Il sélectionne la dernière déclaration de chaque gestionnaire selon la date de dépôt, utilise CUSIP plutôt que les…

ActionsMarchés américainsStatistiquesSentiment de marché
Machine Learning for Trading

Ce notebook utilise les enregistrements de transactions NASDAQ ITCH pour examiner les variations du volume et de l’activité de négociation au cours de la séance régulière. Il regroupe les transactions en barres temporelles, compare les prix et les volumes…

ActionsMicrostructure des marchésStatistiquesIndicateurs techniques
Machine Learning for Trading

Ce notebook explique l’analyse en composantes principales instrumentée (IPCA) pour un panel d’actions doté de variables de surface d’options. Contrairement à l’analyse en composantes principales classique PCA, qui estime les expositions de chaque action à…

ActionsOptionsInvestissement factorielApprentissage automatique
Machine Learning for Trading

Ce guide de données compare deux sources de données de ticks actions US pour étudier le carnet d’ordres et la microstructure des marchés. Les enregistrements market-by-order de Databento fournissent des événements prétraités d’ajout, de modification,…

ActionsMicrostructure des marchésExécution des ordres