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 compare la pondération équipondérée à deux règles d’allocation pour des stratégies fondées sur les caractéristiques d’entreprises US : la pondération par score, qui affecte davantage de capital aux prédictions de modèle les plus élevées, et la…

ActionsDimensionnement des positionsConstruction de portefeuilleBacktest
Machine Learning for Trading

Cette analyse compare des signaux appris pour les rendements mensuels transversaux des actions US, à partir de caractéristiques comptables et de marché, avec le rendement du mois suivant comme cible. Elle examine les modèles linéaires, les arbres de…

ActionsMarchés américainsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce chapitre présente des workflows agentiques pour les tâches de recherche financière où la collecte, le filtrage et la synthèse d’éléments de preuve disparates constituent le principal défi. Il les compare aux modèles classiques, efficaces sur des entrées…

Apprentissage automatiqueStatistiquesGestion des risquesBacktest
Machine Learning for Trading

Cet audit compare Backtrader et Zipline à ML4T sur des cas réels de stratégies, en ne retenant que les combinaisons d’actifs et de contrats que chaque moteur et le jeu de données figé peuvent représenter nativement. Il couvre l’allocation d’ETF et un panel…

BacktestExécution des ordresContrats à termeMarché des changes
Machine Learning for Trading

Ce notebook construit un allocateur de portefeuille de bout en bout qui place un réseau de sélection de variables de type Temporal Fusion Transformer en amont d’un LSTM. Des réseaux résiduels à portes distincts intègrent chaque caractéristique, puis des…

Apprentissage automatiqueConstruction de portefeuilleDimensionnement des positionsVolatilité
Machine Learning for Trading

Ce notebook explique comment évaluer des modèles financiers sans laisser des informations indisponibles à la date de décision s’infiltrer dans l’entraînement ou la sélection du modèle. Il distingue les ensembles d’entraînement, de validation et de réserve…

BacktestApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare quatre méthodes de découverte de relations dans un panel de rendements de ETF : NOTEARS pour les graphes acycliques dirigés linéaires contemporains, VAR-LiNGAM pour les structures retardées et instantanées, PCMCI pour les tests…

Apprentissage automatiqueStatistiquesBacktestMulti-actifs
Machine Learning for Trading

Ce notebook étudie l’effet de la régularisation Ridge sur les performances du coefficient d’information (IC) et la manière dont la recherche d’hyperparamètres peut biaiser les résultats de validation rapportés. Il commence par évaluer une vaste grille de…

Apprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook présente Tail-GAN, une approche antagoniste générative conçue pour reproduire le risque de queue des scénarios financiers, en particulier la valeur à risque (VaR) et le déficit attendu (ES). Elle utilise un tri différentiable afin que les mesures…

Apprentissage automatiqueGestion des risquesStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce notebook examine comment combiner plusieurs prévisions probabilistes. Il présente la moyenne simple comme référence et explique l’extrémisation de Neyman, qui éloigne la moyenne du panel du taux de base en fonction du nombre de prévisionnistes et d’une…

StatistiquesApprentissage automatiqueGestion des risques
Machine Learning for Trading

Ce notebook compare des rééquilibrages quotidiens, hebdomadaires, bimensuels et mensuels pour un portefeuille de momentum classé en tête, construit à partir d’un univers fixe de ETF. Il mesure la rotation du portefeuille et la performance brute ajustée du…

ActionsMomentumExécution des ordresBacktest
Machine Learning for Trading

Ce module de configuration présente un cadre pour définir les paramètres des séries de backtests pour chaque étude de cas. Il lit les schémas d’entrée, les méthodes d’allocation, les grilles de coûts de transaction et les contrôles du risque dans les…

BacktestGestion des risquesDimensionnement des positionsConstruction de portefeuille
Machine Learning for Trading

Cette présentation explique une famille de modèles de prévision des rendements à partir des caractéristiques des entreprises. Au lieu de traiter chaque caractéristique comme un prédicteur direct des rendements, les modèles supposent que les rendements sont…

ActionsInvestissement factorielApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook présente une méthode de rapport pour une stratégie de retour à la moyenne du RSI, acheteuse uniquement, sur BTC. Il compare les performances brutes et nettes, puis évalue la stratégie face à une stratégie d’achat-conservation en utilisant les…

CryptomonnaiesRetour à la moyenneIndicateurs techniquesBacktest
Machine Learning for Trading

Ce document de configuration définit un pipeline hebdomadaire de recherche sur les actions du S&P 500, qui associe les caractéristiques du marché des options à des signaux fondés sur les prix. Il précise l’univers admissible, le calendrier des décisions et…

OptionsActionsVolatilitéMomentum
Machine Learning for Trading

Ce document présente un modèle pédagogique d’espace d’états sélectif de type Mamba pour prédire les rendements de ETF à partir de séquences de caractéristiques de momentum. Contrairement aux mécanismes d’attention et au mélange temporel dense, un modèle…

Apprentissage automatiqueStatistiquesMomentumActions
Machine Learning for Trading

Ce document présente un autoencodeur conditionnel qui modélise les expositions des entreprises à des facteurs de rendement latents comme une fonction non linéaire de leurs caractéristiques. Comme IPCA, il estime une structure factorielle où les rendements…

Apprentissage automatiqueInvestissement factorielActionsStatistiques
Machine Learning for Trading

Ce document présente un réseau neuronal TabM qui classe les ETF à partir de caractéristiques tabulaires. Son tronc commun à deux couches alimente plusieurs membres, chacun doté d’un vecteur d’échelle appris et d’une couche de sortie ; la moyenne de leurs…

Apprentissage automatiqueStatistiquesActionsBacktest
Machine Learning for Trading

Ce notebook explique comment les limites de participation au volume plafonnent la part du volume de marché qu’un ordre peut consommer à chaque intervalle. Lorsqu’un ordre parent dépasse le montant autorisé, le courtier en exécute une partie et reporte le…

ActionsExécution des ordresMicrostructure des marchésGestion des risques
Machine Learning for Trading

Ce chapitre présente les arbres de gradient boosting et explique comment ils s’appuient sur les arbres de décision et les forêts aléatoires pour les prévisions financières sur données tabulaires. Le boosting ajoute des apprenants successifs pour corriger les…

Apprentissage automatiqueActionsStatistiquesBacktest
Machine Learning for Trading

Ce document décrit un jeu de données mensuel sur les actions US, conçu pour la recherche en apprentissage automatique sur la valorisation des actifs. Il comprend 94 caractéristiques d’entreprises transformées par rang, notamment des mesures comptables et des…

ActionsApprentissage automatiqueInvestissement factorielMarchés américains
Machine Learning for Trading

Ce notebook étudie comment l’impact de marché modifie les résultats de backtest d’une stratégie de momentum sur des actions de liquidité différente. Il maintient constants la taille des ordres et la stratégie, estime la liquidité et la volatilité sur une…

ActionsMomentumMicrostructure des marchésBacktest