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

807 documents

Machine Learning for Trading

Ce document décrit comment dériver un intervalle d’entraînement unique pour l’échantillon de réserve à partir d’une spécification de validation walk-forward existante. Il reprend les dates de réserve déclarées dans la configuration de l’étude, utilise le…

BacktestApprentissage automatiqueGestion des risquesStatistiques
Machine Learning for Trading

Ce notebook construit des labels de rendement futur pour des straddles courts à la monnaie sur des actions du S&P 500. Puisque le straddle nominal à 30 jours du panel quotidien représente un contrat différent à chaque séance, décaler une série de prix…

OptionsVolatilitéÉvaluation des dérivésStatistiques
Machine Learning for Trading

Ce notebook explique comment la recherche parmi de nombreux facteurs ou stratégies gonfle la performance apparente du meilleur candidat, même lorsque les estimations individuelles sont correctement calculées. Un ensemble simulé de facteurs aléatoires montre…

StatistiquesInvestissement factorielBacktestGestion des risques
arXiv papers

Cette étude compare le Double Deep Q-Learning aux mélanges d’experts partitionnés par K-means et aux réseaux denses à nombre de paramètres équivalent pour l’exécution d’ordres sur BTC/USDT. L’évaluation utilise des données du carnet d’ordres à cours limité…

CryptomonnaiesExécution des ordresApprentissage automatiqueMicrostructure des marchés
arXiv papers

Cet article propose un graphe de protocole canonique pour les marchés événementiels à effet de levier, où plusieurs composants individuellement valides peuvent autrement créer des états financiers contradictoires. Il attribue chaque domaine — positions,…

Évaluation des dérivésGestion des risquesExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce notebook estime si le score z de la prime d’un perpétuel crypto affecte les rendements ultérieurs sur huit heures lorsque trois facteurs déclarés — volatilité des prix, taux de financement et écart moyen de la prime — sont maintenus constants. Comme le…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook utilise les rendements quotidiens ETF pour expliquer comment les modèles GARCH captent le regroupement de la volatilité et le transforment en caractéristique calculée à chaque séance. Il commence par des diagnostics visuels et un test ARCH-LM…

VolatilitéStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce notebook explique comment reconstruire un catalogue d’expériences de modèles à partir du registre d’une étude de cas et en comparer le contenu avec MLflow. Il suit les expériences depuis les exécutions d’entraînement jusqu’aux ensembles de prédictions et…

Apprentissage automatiqueBacktestStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook élabore un cadre tenant compte des unités pour estimer les coûts de trading sur les actions, les ETF, les futures, le change et les contrats perpétuels crypto. Il distingue d’abord le volume échangé des mesures d’activité qui ne peuvent pas être…

Exécution des ordresMicrostructure des marchésGestion des risquesContrats à terme
Machine Learning for Trading

Ce notebook construit un cadre moyenne-variance investi à 100 % et uniquement acheteur pour un univers diversifié d’ETF. Il construit des portefeuilles réalisables et une frontière efficiente, puis calcule les pondérations de Sharpe maximal et de variance…

Multi-actifsConstruction de portefeuilleStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook réévalue les principales configurations d’allocation ETF selon deux grilles de coûts, en maintenant fixes les prévisions, la concentration et les règles d’allocation. Il compare le modèle de l’étude de cas, fondé sur une commission par action et…

ActionsExécution des ordresBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook mesure l’effet des coûts d’exécution sur une configuration déjà sélectionnée de futures perpétuels crypto. Il maintient fixes le modèle, le checkpoint, la règle d’entrée, l’allocation et le contrôle du risque, puis relance les backtests sur une…

CryptomonnaiesContrats à terme perpétuelsExécution des ordresBacktest
Machine Learning for Trading

Ce notebook applique l’analyse en composantes principales à un sous-ensemble liquide d’actions US afin de construire des portefeuilles propres normalisés en exposition brute et d’étudier leur rôle comme facteurs de risque latents. Il examine la variance…

ActionsInvestissement factorielStatistiquesGestion des risques
Machine Learning for Trading

Ce cadre présente des contrôles de qualité des données quotidiennes US sur les actions OHLCV. La validation structurelle vérifie les relations entre les prix, leur positivité, le caractère non négatif des volumes, les valeurs manquantes, les dates en double,…

ActionsStatistiquesGestion des risquesMarchés américains
Machine Learning for Trading

Ce notebook construit un backtest mensuel de rotation d’ETF ETF, des rendements du portefeuille jusqu’aux transactions simulées. Il classe dix fonds selon leurs rendements ajustés du risque sur la période précédente, applique un régime fondé sur la courbe…

BacktestMomentumExécution des ordresConstruction de portefeuille
Machine Learning for Trading

Ce notebook mesure l’évolution du ratio de Sharpe de validation des straddles à la monnaie sur options S&P 500 selon les coûts d’exécution supposés et deux univers d’options. Il exprime le coût du spread comme une fraction du demi-spread coté de l’option,…

OptionsMarchés américainsBacktestExécution des ordres
Machine Learning for Trading

Ce notebook explique comment évaluer si les stratégies fondées sur un panel d’actions US peuvent résister aux frictions de trading. Il fixe une configuration par étiquette à l’aide du Sharpe de validation, puis réévalue cette même stratégie selon différents…

ActionsBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook examine si les attributions SHAP restent stables lorsque les prévisions sont similaires ou lorsque les modèles sont réajustés avec différentes graines aléatoires et architectures. À partir des rendements futurs ETF, il recherche des paires…

Apprentissage automatiqueStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce notebook associe le dimensionnement des positions à l’analyse des excursions défavorables et favorables maximales. Il présente le dimensionnement à fraction fixe, où le nombre d’actions dépend du budget de risque du portefeuille et de la distance entre le…

Dimensionnement des positionsGestion des risquesVolatilitéBacktest
Machine Learning for Trading

Cette étude de cas teste des stratégies hebdomadaires long-short classées selon le portage sur un ensemble diversifié de contrats à terme CME, à partir de données quotidiennes, d’une évaluation de modèles en walk-forward et de coûts liés aux commissions, aux…

Contrats à termeStratégies de portageApprentissage automatiqueBacktest
Machine Learning for Trading

Ce document explique comment représenter le cycle de vie d’un ordre en temps réel par un ensemble fini d’états et de transitions valides déclenchées par des événements. Il couvre la soumission, l’accusé de réception du courtier, l’acceptation par la bourse,…

Exécution des ordresMicrostructure des marchésGestion des risques
Machine Learning for Trading

Le notebook présente le cadre d’Almgren–Chriss pour planifier une liquidation importante. Il mesure le déficit d’exécution par rapport au prix d’arrivée et modélise deux coûts concurrents : l’impact de marché, qui augmente avec l’intensité du trading, et le…

Exécution des ordresMicrostructure des marchésGestion des risquesStatistiques