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 teste la sensibilité d’un backtest de momentum sur ETF aux frais de trading supposés. Il conserve fixes les pondérations et le calendrier de trading de la stratégie, relance le simulateur pour une plage de coûts par opération et compare la…

ActionsMomentumBacktestExécution des ordres
Machine Learning for Trading

Le notebook estime dans quelle mesure un portefeuille équipondéré d’actions US ayant survécu peut surestimer les rendements par rapport à l’univers initial complet. Il examine d’abord quand le panel consigne des départs de symboles et constate que les…

ActionsMarchés américainsBacktest
Machine Learning for Trading

Cette analyse exploratoire présente les contrats d’options et la structure des chaînes, puis décrit un échantillon 2020 d’options S&P 500 sur huit actifs sous-jacents. Elle explique la position dans la monnaie, la valeur intrinsèque et la valeur temps, la…

OptionsActionsVolatilitéÉvaluation des dérivés
Machine Learning for Trading

Ce notebook évalue les stops au niveau des positions, les stops suiveurs et les sorties temporelles sur la lignée d’allocation classée en tête selon le ratio de Sharpe de validation parmi les candidats admissibles à couverture complète. Chaque contrôle est…

ActionsOptionsGestion des risquesBacktest
Machine Learning for Trading

Ce notebook compare des règles de pondération de portefeuille pour une stratégie sur options S&P 500 qui vend des straddles. Il conserve les symboles sélectionnés et les autres paramètres de stratégie, tout en remplaçant la référence à pondération égale par…

OptionsActionsConstruction de portefeuilleDimensionnement des positions
Machine Learning for Trading

Cette analyse en lecture seule rassemble des prédictions de validation de plusieurs familles de modèles pour évaluer leur exhaustivité, leur capacité à classer les actions, la persistance de cette capacité entre les plis et l’apport d’information distinct de…

ActionsStatistiquesGestion des risquesBacktest
Machine Learning for Trading

Ce notebook utilise SHAP pour expliquer les prévisions de rendements ETF d’une régression Ridge. Pour un modèle linéaire, les attributions des caractéristiques ont une relation de forme fermée avec les coefficients ajustés et les écarts par rapport aux…

ActionsApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook explique le filtrage de Kalman comme méthode d’extraction de caractéristiques à partir des prix financiers. Un état de tendance linéaire locale suit à la fois un niveau de prix latent et sa pente, tandis qu’un modèle d’observation tient compte…

ActionsIndicateurs techniquesStatistiquesTrading par paires
Machine Learning for Trading

Ce notebook analyse les messages NASDAQ TotalView-ITCH pour décrire l’activité générale du marché et créer des données de transactions réutilisables. Il compte les messages par type, puis enrichit les messages d’exécution d’ordres en reliant les identifiants…

ActionsMarchés américainsMicrostructure des marchésExécution des ordres
Machine Learning for Trading

Ce notebook construit des caractéristiques dérivées des prix pour classer un vaste univers d’actions US. Il décrit des familles de caractéristiques liées au momentum, à la volatilité, aux moyennes mobiles et aux indicateurs techniques, puis les évalue par…

ActionsMarchés américainsIndicateurs techniquesMomentum
Machine Learning for Trading

Cette étude utilise dix jours de données NVDA par ordre de marché pour examiner comment l’activité quotidienne de trading influe sur l’échantillonnage en barres. Elle filtre les transactions pour ne conserver que les heures normales de marché US, classe les…

ActionsMicrostructure des marchésExécution des ordresIndicateurs techniques
Machine Learning for Trading

Cette étude de cas applique des arbres de gradient boosting aux variables de microstructure du NASDAQ-100 pour prévoir les rendements et leur direction à plusieurs horizons intrajournaliers. Elle compare les arbres aux modèles linéaires : les arbres peuvent…

Apprentissage automatiqueMicrostructure des marchésActionsStatistiques
Machine Learning for Trading

Ce notebook compare la recherche relationnelle déterministe à la recherche par plongements dans un corpus de positions institutionnelles 13F. Il crée un instantané à une date donnée en conservant, pour chaque institution, la dernière position déclarée avant…

Apprentissage automatiqueActionsStatistiquesBacktest
Machine Learning for Trading

Ce notebook montre l’entraînement d’un réseau antagoniste génératif sur des variables ETF conçues avec confidentialité différentielle. Il présente les paramètres de confidentialité epsilon et delta, explique pourquoi DP-SGD écrête le gradient de chaque…

Apprentissage automatiqueStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce notebook applique l’inférence classique des moindres carrés ordinaires aux variables ETF et aux rendements futurs. Il examine les estimations des coefficients, les erreurs types, les statistiques t, les valeurs p et les tests d’hétéroscédasticité,…

ActionsStatistiquesGestion des risquesApprentissage automatique
Machine Learning for Trading

Ce document décrit des utilitaires de chargement des messages ITCH NASDAQ analysés et de reconstitution d’un carnet d’ordres à cours limité à partir des ajouts, suppressions, annulations, exécutions et remplacements d’ordres. Il suit le nombre d’actions…

ActionsMicrostructure des marchésExécution des ordresTrading haute fréquence
Machine Learning for Trading

Ce notebook suit des signaux de classement ETF depuis leur formation jusqu’à leur portefeuille et à un backtest simplifié. Des régressions ridge et des classifications logistiques sont entraînées par validation walk-forward, puis comparées à des…

ActionsApprentissage automatiqueBacktestExécution des ordres
Machine Learning for Trading

Ce notebook montre comment utiliser un réseau de corrélations estimé sur une fenêtre donnée pour décrire un univers d’actions et construire un portefeuille diversifié par réseau. Il sélectionne les symboles liquides à partir des seules données disponibles…

ActionsConstruction de portefeuilleStatistiquesGestion des risques
Machine Learning for Trading

Cette analyse exploratoire examine l’ancien panel d’actions WIKI US de Quandl, en se concentrant sur les conventions de prix, la couverture des données et ce que son historique permet d’étudier par backtest. Elle distingue les prix bruts, qui reflètent les…

ActionsMarchés américainsStatistiquesBacktest