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

Le code calcule des métriques de performance standardisées à partir de tableaux de prévisions hors échantillon, séparément pour chaque pli et sous forme d’agrégats synthétiques. Il prend en charge la régression et la classification, notamment le coefficient…

StatistiquesBacktestApprentissage automatiqueGestion des risques
Machine Learning for Trading

Ce notebook détaille le cycle de déploiement d’un modèle quotidien de paires FX, en utilisant Interactive Brokers à la fois comme source de données en temps réel et comme plateforme d’exécution. Il entraîne un modèle de régression Ridge sur un panel…

Marché des changesApprentissage automatiqueExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook présente un modèle neuronal de facteur d’actualisation stochastique pour un panel de contrats à terme CME. Le modèle utilise les rendements des produits et des caractéristiques observables, telles que le carry, le momentum et la volatilité, afin…

Contrats à termeApprentissage automatiqueInvestissement factorielBacktest
Machine Learning for Trading

Cette étude recalcule les performances des principales combinaisons d’allocation et de contrôle du risque ETF selon deux grilles de coûts, en maintenant fixe chaque configuration de stratégie enregistrée. Une grille utilise les points de base par transaction…

BacktestExécution des ordresConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce notebook compare six allocations long-only pour un univers multi-actifs d’ETF. Il utilise le shrinkage de covariance de Ledoit–Wolf afin de réduire la variation d’échantillonnage susceptible de déstabiliser l’optimisation, et compare le Sharpe maximal, la…

Construction de portefeuilleGestion des risquesMulti-actifsBacktest
Machine Learning for Trading

Cette configuration définit un univers de recherche hebdomadaire sur les contrats à terme couvrant les indices boursiers, les obligations d’État, l’énergie, les métaux, les devises, les produits agricoles et l’élevage. Elle fixe le règlement du vendredi…

Contrats à termeMulti-actifsStratégies de portageMomentum
Machine Learning for Trading

Cette expérience examine dans quelle mesure un signal long-short mensuel sélectionné sur les actions US dépend des petites capitalisations. Elle applique un filtre retardé sur la capitalisation boursière qui retire le quartile le plus petit des prédictions…

ActionsMarchés américainsInvestissement factorielBacktest
Machine Learning for Trading

Ce document présente une expérience sur les contrats à terme CME utilisant TabM, un ensemble neuronal économe en paramètres, sur les mêmes lignes de caractéristiques élaborées et les mêmes plis walk-forward que les modèles linéaires et de boosting par…

Contrats à termeApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook décrit la production de prédictions pour la période de holdout d’une étude de cas sur les actions US, après sélection d’une configuration sur les plis de validation. Il résout la configuration sélectionnée, conserve le choix du checkpoint et…

ActionsApprentissage automatiqueBacktestGestion des risques
Machine Learning for Trading

Ce notebook construit des intervalles d’incertitude pour les rendements à terme ETF à l’aide de la régression Ridge et de trois méthodes conformes : la prédiction conforme avec découpage, la régression quantile conformisée et l’inférence conforme adaptative.…

ActionsApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook évalue les performances d’ensembles de prédictions ETF enregistrés lorsqu’ils sont convertis en portefeuilles. Il croise chaque ensemble de prédictions de validation avec des schémas d’entrée définis, tels que différentes sélections des k…

ActionsBacktestConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce chapitre cartographie les données financières issues des marchés, des fondamentaux et de sources alternatives, puis compare la manière dont les classes d’actifs déterminent le sens des prix, de la liquidité et des observations. Il souligne que les…

Multi-actifsStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook applique deux détecteurs séquentiels aux erreurs de prédiction réelles de validation de deux configurations de modèles linéaires sur actions US pendant une année civile. Un détecteur de décalage de moyenne à deux fenêtres recherche les variations…

Apprentissage automatiqueStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce notebook compare des dispositifs de stop-loss, de stop suiveur et de sortie à durée fixe sur des backtests de microstructure NASDAQ-100 prédéfinis. La stratégie prend ses décisions toutes les quinze minutes, tandis que les règles de risque surveillent les…

Gestion des risquesBacktestDimensionnement des positionsActions
Machine Learning for Trading

Ce notebook compare la prédiction conforme scindée, la régression quantile conformisée et l’inférence conforme adaptative pour prévoir les rendements futurs des ETF. Dans des découpages walk-forward, il entraîne le modèle sur un sous-ensemble, calibre les…

ActionsApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare les ratios de Sharpe brut et net sur des balayages de coûts de stratégie issus de backtests d’études de cas. Pour chaque configuration de stratégie déployée, il lit dans les artefacts enregistrés le coût supposé par jambe et la fréquence…

BacktestGestion des risquesExécution des ordresStatistiques
Machine Learning for Trading

Ce notebook mesure comment les performances de validation d’une stratégie sélectionnée sur les caractéristiques des entreprises US évoluent lorsque les commissions et le slippage supposés varient. Il relance la même configuration sur une grille de coûts…

ActionsBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook utilise un modèle de mélange gaussien pour regrouper les mois selon le comportement conjoint de neuf séries de rendements factoriels et de classes d’actifs. Il standardise les observations mensuelles, écarte les mois contenant des valeurs…

Investissement factorielApprentissage automatiqueStatistiquesMulti-actifs
Machine Learning for Trading

Ce notebook décrit comment produire des prédictions hors échantillon pour une configuration de modèle sélectionnée sur contrats à terme CME. La configuration est choisie à partir des résultats de validation, puis le modèle est réajusté sur des données qui…

Contrats à termeBacktestApprentissage automatiqueGestion des risques
Machine Learning for Trading

Ce notebook présente Tail-GAN, une approche antagoniste générative pour créer des scénarios de rendements financiers en ciblant la valeur à risque (VaR) et la perte attendue (ES). Le tri différentiable permet aux gradients de traverser les estimations de…

Apprentissage automatiqueGestion des risquesVolatilitéConstruction de portefeuille
Machine Learning for Trading

Ce module Python décrit des méthodes pour quantifier l’incertitude des backtests de stratégie à partir de rendements quotidiens hors échantillon. Il combine des intervalles bootstrap par blocs stationnaires pour les statistiques de séries de rendements, une…

BacktestStatistiquesGestion des risquesConstruction de portefeuille