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.
904 documents
Ce document examine le défi de découverte causale du ADIA Lab comme un problème d’inférence supervisée au sein d’une famille connue de générateurs de données synthétiques. La tâche attribue aux variables huit rôles autour d’un traitement et d’un résultat, à…
Ce module construit un ensemble moyen de prévisions à partir d’ensembles de prédictions enregistrés, en accordant une attention particulière à la reproductibilité et à la prévention des biais de sélection. Il identifie les configurations de modèles…
Ce notebook présente un flux de prévision en quatre phases utilisant l’orchestration Python native, CrewAI et LangGraph. Il compare la gestion de l’état, l’inspection ou la reprise après échec, les dépendances ajoutées par chaque approche et le…
Ce notebook examine la régularisation des modèles linéaires pour un univers de paires de devises dont les rendements sont liés, car chaque paire est une cotation entre des devises communes. Il distingue la colinéarité des caractéristiques, que ridge, lasso…
Ce chapitre passe en revue les façons de transformer des procédures statistiques ajustées en caractéristiques pour les modèles de trading. Il couvre les diagnostics et la stationnarité, les ruptures structurelles, la différenciation fractionnaire, le…
Ce notebook formule un ordre parent comme un problème de contrôle à horizon fini. À chaque intervalle, le Q-learning tabulaire choisit un multiplicateur appliqué à une tranche de transaction fondée sur le VWAP, en fonction du temps et de l’inventaire…
Ce notebook décrit un filtrage des signaux candidats, une caractéristique à la fois, sur 20 paires de devises. Il calcule, pour chaque caractéristique, la concordance quotidienne des rangs en coupe transversale avec le rendement de la séance suivante, en…
Ce notebook présente l’analyse en composantes principales comme référence à facteurs latents non conditionnée pour prévoir les rendements boursiers dans une étude d’analyse des options. PCA utilise le panel historique des rendements pour estimer les…
Ce notebook compare une recherche exhaustive sur grille à l’échantillonneur TPE d’Optuna pour ajuster un modèle LightGBM de prévision des rendements. Il accorde d’abord aux deux méthodes le même budget d’essais sur la même grille discrète de paramètres, où…
Ce module définit un processus destiné aux lecteurs pour la recherche sur les contrats à terme CME, couvrant les demandes de modèles, l’exécution des prévisions et des backtests, les groupes de candidats et la sélection finale. Il lit le balayage…
Le document présente GReaT, un cadre qui sérialise sous forme de texte des lignes de données financières numériques et catégorielles mixtes, ajuste finement un modèle de langage sur ces enregistrements, puis analyse le texte généré pour le reconvertir en…
Le document explique comment l’incertitude d’un modèle peut fournir des informations au-delà de son estimation ponctuelle. Il oppose GARCH, qui définit la volatilité à partir des rendements passés, à un modèle de volatilité stochastique qui traite la…
Ce notebook utilise l’analyse en composantes principales pour représenter les mouvements communs d’un large panel d’actions US. PCA extrait des directions qui expliquent la variation commune des rendements ; la charge de chaque action mesure son exposition à…
Ce notebook évalue des règles de sécurité pour un assistant financier fondé sur des documents à l’aide de six cas construits manuellement. Ces cas couvrent l’injection de prompt, les chiffres fabriqués dans des contenus non fiables, les tentatives d’action…
Ce notebook présente un réseau convolutif temporel (TCN) pour prévoir les rendements futurs de ETF à partir de séquences de caractéristiques de rendements passés. Les convolutions causales garantissent que chaque sortie n’utilise que les observations…
Ce notebook explique comment transformer GJR-GARCH ajusté et des modèles de Markov cachés en caractéristiques de trading tout en contrôlant le biais d’anticipation. GJR-GARCH estime la volatilité conditionnelle et capte l’impact plus marqué des chocs de…
Ce notebook passe en revue des méthodes de détection des changements dans le processus générant une série financière, en prenant les données quotidiennes SPY comme exemple. Il oppose le test de Zivot–Andrews, qui estime une rupture tout en testant la…
Cet utilitaire prépare les artefacts de prévision pour les notebooks de démonstration en direct en normalisant les noms de colonnes et les formats de date différents dans une structure commune d’horodatage, d’actif et de prévision. Il regroupe les…
Ce notebook compare deux architectures Transformer pour prévoir les rendements ETF sur 21 jours à partir de caractéristiques de momentum passées. PatchTST regroupe les jours consécutifs en segments, plaçant une courte séquence de formes locales dans chaque…
Ce notebook entraîne un modèle Skip-gram Word2Vec sur un petit corpus d’actualités financières annotées en sentiment et examine ce que révèlent ses voisins les plus proches. La méthode représente les mots selon les contextes dans lesquels ils apparaissent.…
Ce module décrit une interface de recherche pour les agents de recherche, avec un fournisseur réel et un fournisseur fictif déterministe. Les recherches peuvent limiter le nombre de résultats et appliquer une date limite de publication, ce qui facilite la…
Cette étude de cas ajuste des arbres entraînés par boosting de gradient aux étiquettes de rendement des ETF et les compare à une référence linéaire qui a obtenu de bons résultats avec une forte régularisation Ridge. Elle explique pourquoi les arbres peuvent…
Ce notebook agrège les résultats de modèles linéaires, notamment OLS, Ridge, Lasso et ElasticNet, sur neuf études de cas. Il compare la configuration complète la plus performante de chaque étude sur son étiquette principale, puis examine la régularisation,…
Ce notebook compare deux modèles de fondation préentraînés pour séries temporelles, Chronos et TinyTimeMixer, à un LSTM et à un modèle linéaire pénalisé sur un panel d’ETF. Chaque modèle reçoit un contexte historique univarié ; les modèles préentraînés…