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

137 documents

Machine Learning for Trading

Ce notebook présente un audit actuel comparant VectorBT Pro et VectorBT OSS à ML4T sur des stratégies prises en charge et fondées sur des données réelles. Les deux éditions de VectorBT participent à l’allocation d’ETF, à l’allocation de devises cotées en USD…

Multi-actifsActionsContrats à termeMarché des changes
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

Cet utilitaire construit une matrice d’adjacence booléenne entre actifs à partir d’étiquettes de groupe et de liens facultatifs entre groupes. Les actifs affectés au même groupe macro sont reliés entre eux, et chaque lien fourni entre groupes relie dans les…

Multi-actifsApprentissage automatiqueConstruction de portefeuille
Machine Learning for Trading

Le document décrit des chaînes de traitement complètes pour combiner des données historiques et récentes sur les actions, ainsi que pour préparer des données horaires de contrats perpétuels crypto. Son exemple central assemble les observations de WikiPrices…

Multi-actifsStatistiquesGestion des risques
Machine Learning for Trading

Cet audit compare plusieurs moteurs de backtesting sur des données historiques communes pour l’allocation de ETF, les contrats à terme CME, les contrats perpétuels crypto avec financement, le marché des changes et les actions US. Chaque paire prise en charge…

BacktestExécution des ordresMulti-actifsContrats à terme
Machine Learning for Trading

Cette note sur les données décrit une collection diversifiée de fonds négociés en bourse utilisée dans une stratégie de momentum et dans une série plus large d’exemples de recherche financière. Elle fournit des observations quotidiennes d’ouverture, de plus…

Multi-actifsActionsTitres à revenu fixeMatières premières
Machine Learning for Trading

Ce notebook présente un autoencodeur supervisé qui compresse des lignes de caractéristiques de ETF en une représentation de faible dimension et prédit directement les rendements futurs à partir de cette représentation. Contrairement à un autoencodeur…

Multi-actifsApprentissage automatiqueInvestissement factorielStatistiques
Machine Learning for Trading

Cette analyse compare des modèles de prédiction ETF enregistrés, issus de plusieurs familles et réunis dans un panel multi-actifs commun. Elle évalue leur capacité à classer les fonds selon leurs rendements ultérieurs à l’aide de coefficients d’information,…

Multi-actifsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Cette analyse explique comment les données CME sur les contrats à terme sont organisées en produits, contrats à échéance et séries continues avec roulement selon les volumes. Elle utilise les données E-mini S&P 500 pour montrer que les contrats individuels…

Contrats à termeMatières premièresMulti-actifsBacktest
Machine Learning for Trading

Cette expérience combine les prédictions de validation d’un modèle d’arbres à gradient boosté, d’un réseau neuronal tabulaire et d’un modèle à facteurs latents pour le classement mensuel des ETF. Elle standardise d’abord les prédictions transversalement à…

Multi-actifsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce notebook présente PCMCI comme une méthode pour découvrir des relations décalées dans des séries temporelles financières multivariées, sans définir au préalable de graphe causal. Il applique la méthode aux rendements des ETF et d’un indice de volatilité,…

Apprentissage automatiqueStatistiquesMulti-actifsActions
Machine Learning for Trading

Ce notebook isole les résultats du moteur LEAN dans le cadre d’un audit comparant des exécutions conservées de stratégies réelles à des profils ML4T Backtest correspondants. Il identifie quatre types de tâches pris en charge : allocation ETF, financement de…

Multi-actifsBacktestExécution des ordresCryptomonnaies
Machine Learning for Trading

Ce notebook présente un inventaire, établi à partir de plusieurs études de cas, des caractéristiques financières construites et du coefficient d’information le plus élevé dans le registre pour chaque étude de marché. Il dénombre les caractéristiques et les…

Multi-actifsStatistiquesApprentissage automatiqueConstruction de portefeuille
Machine Learning for Trading

Ce notebook compare quatre allocations de référence ETF à l’aide de périodes de crises historiques, de chocs simultanés sur les actifs définis manuellement, de simulations de Monte-Carlo de Student-t et de statistiques par régime de marché. Il explique la…

Multi-actifsGestion des risquesConstruction de portefeuilleVolatilité
Machine Learning for Trading

Cet audit compare des moteurs de trading qui rejouent les mêmes objectifs de modèle figés et les mêmes données historiques adressées par contenu pour l’allocation ETF, les contrats à terme, le financement des contrats perpétuels crypto, le marché des changes…

BacktestExécution des ordresMulti-actifsContrats à terme
Machine Learning for Trading

Ce notebook construit un allocateur LSTM qui transforme directement des caractéristiques récentes de rendement et de volatilité ETF en pondérations de portefeuille exclusivement longues. Une sortie softmax maintient des pondérations non négatives et un…

Apprentissage automatiqueConstruction de portefeuilleBacktestGestion des risques
Machine Learning for Trading

Ce carnet décrit une politique de portefeuille ETF de bout en bout, conçue pour améliorer les performances dans différentes conditions de marché. Elle comprend des caractéristiques de rendement et de tendance normalisées par la volatilité, un modèle fondé…

Multi-actifsConstruction de portefeuilleApprentissage automatiqueGestion des risques
Machine Learning for Trading

Le document transforme une hypothèse de momentum multi-actifs en test exploratoire mensuel sur un univers de 100-ETF. Il construit des prix ajustés de fin de mois, mesure le momentum sur 12 à -1 mois, puis répartit les ETF admissibles en cinq groupes…

Multi-actifsMomentumSuivi de tendanceStatistiques
Machine Learning for Trading

Ce notebook présente une interface OHLCV unifiée pour Yahoo Finance, WikiPrices et FRED, puis utilise ces sources pour obtenir des données actuelles d’ETF, des actions avec un long historique et des séries macroéconomiques. Il décrit une méthode de repli…

ActionsMulti-actifsMicrostructure des marchésBacktest
Machine Learning for Trading

Ce carnet interroge les registres de plusieurs études de cas de trading et produit des tableaux croisés pour comparer les signaux, l’allocation, les coûts et le risque entre jeux de données. Il présente des diagnostics sur le groupe de configurations…

BacktestStatistiquesMulti-actifsGestion des risques
Machine Learning for Trading

Ce carnet compare les allocations de portefeuille de PyPortfolioOpt, Riskfolio-Lib et skfolio à partir du même panel de rendements ETF. Il ajuste les méthodes d’allocation sur une période d’entraînement, vérifie que des objectifs équivalents et des…

Multi-actifsConstruction de portefeuilleBacktestExécution des ordres
Machine Learning for Trading

Ce notebook construit le cadre de Markowitz entièrement investi et sans ventes à découvert, avec des portefeuilles réalisables, la frontière efficiente et les solutions de Sharpe maximal et de variance minimale. Il explique comment la variance du…

Multi-actifsConstruction de portefeuilleStatistiquesBacktest
Machine Learning for Trading

Ce document présente un diagnostic réutilisable des jeux de données financiers, couvrant l’intégrité des index, les doublons, les valeurs manquantes, les valeurs aberrantes, les lacunes du calendrier et les anomalies propres au domaine. Il vérifie les types…

Multi-actifsStatistiquesGestion des risquesMarchés américains