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

123 documents

Machine Learning for Trading

Ce notebook explique l’effet des spécifications des contrats à terme sur la comptabilisation d’un backtest. Il montre comment le multiplicateur du contrat convertit les variations de prix en pertes et profits en dollars, comment le prix multiplié par le…

Contrats à termeMatières premièresMomentumDimensionnement des positions
Machine Learning for Trading

Ce notebook transforme des prédictions par action en portefeuilles de validation. À chaque date de rééquilibrage, il classe les actions selon leur rendement prédit, achète le groupe en tête, vend à découvert le groupe en queue et attribue le même capital à…

ActionsApprentissage automatiqueBacktestConstruction de portefeuille
Machine Learning for Trading

Ce document explique comment évaluer sur des données de holdout une stratégie actions US sélectionnée au préalable, tout en gardant sa configuration fixe. Il déduit l’ensemble correct de prévisions de holdout à partir de l’identité d’entraînement et du point…

ActionsMarchés américainsBacktestGestion des risques
Machine Learning for Trading

Ce document explique pourquoi les stop-loss, les stops suiveurs et les sorties temporelles ne peuvent pas être évalués dans une étude de cas dont le backtest conserve les pondérations pendant un mois et n’observe que le rendement mensuel à terme réalisé. Ces…

ActionsGestion des risquesBacktestDimensionnement des positions
Machine Learning for Trading

Ce document présente une méthode événementielle pour détenir un nombre limité de positions intrajournalières. Les prévisions sont alignées sur les barres de prix à l’aide du score disponible le plus récent, avec une limite de fraîcheur facultative. Les…

ActionsTrading haute fréquenceMicrostructure des marchésExécution des ordres
Machine Learning for Trading

Ce document décrit plusieurs méthodes pour convertir des scores de prévision en signaux de trading : seuils fixes, percentiles glissants par actif et percentiles transversaux. Les seuils fixes utilisent un niveau de score choisi ; les seuils glissants…

Apprentissage automatiqueConstruction de portefeuilleDimensionnement des positionsBacktest
Machine Learning for Trading

Ce code décrit la résolution des paramètres de backtest à partir de la configuration d’une étude de cas et la manière dont l’identité d’une exécution tient compte des changements d’univers négocié et de l’ancienneté des prédictions. Sa leçon centrale est que…

BacktestExécution des ordresGestion des risquesDimensionnement des positions
Machine Learning for Trading

Ce notebook étudie six méthodes d’allocation appliquées à des configurations sélectionnées de stratégies crypto perpétuelles. Les classements et les règles d’entrée restent fixes, tandis que le capital affecté à chaque position varie. Les méthodes s’appuient…

CryptomonnaiesContrats à terme perpétuelsDimensionnement des positionsConstruction de portefeuille
Machine Learning for Trading

Ce notebook compare la pondération équipondérée à deux règles d’allocation pour des stratégies fondées sur les caractéristiques d’entreprises US : la pondération par score, qui affecte davantage de capital aux prédictions de modèle les plus élevées, et la…

ActionsDimensionnement des positionsConstruction de portefeuilleBacktest
Machine Learning for Trading

Ce notebook construit un allocateur de portefeuille de bout en bout qui place un réseau de sélection de variables de type Temporal Fusion Transformer en amont d’un LSTM. Des réseaux résiduels à portes distincts intègrent chaque caractéristique, puis des…

Apprentissage automatiqueConstruction de portefeuilleDimensionnement des positionsVolatilité
Machine Learning for Trading

Ce module de configuration présente un cadre pour définir les paramètres des séries de backtests pour chaque étude de cas. Il lit les schémas d’entrée, les méthodes d’allocation, les grilles de coûts de transaction et les contrôles du risque dans les…

BacktestGestion des risquesDimensionnement des positionsConstruction de portefeuille
Machine Learning for Trading

Le notebook compare le dropout Monte-Carlo et les ensembles profonds pour estimer l’incertitude des prévisions quotidiennes de rendement de ETF. Le dropout reste actif lors de prédictions répétées, tandis que les membres des ensembles sont entraînés…

Apprentissage automatiqueStatistiquesGestion des risquesDimensionnement des positions
Machine Learning for Trading

Cette étude de cas compare des règles de stop fixes et suiveuses déclarées pour des positions FX. Elle sélectionne d’abord une stratégie parente par étiquette dans une cohorte de validation scellée, puis ne fait varier que la règle de risque de position.…

Marché des changesGestion des risquesBacktestDimensionnement des positions
Machine Learning for Trading

Ce notebook compare les allocations à pondération égale, pondérées par score positif et par largeur conforme pour des ETF et des contrats à terme CME parmi les mieux classés. Il estime les largeurs d’intervalles conformes par entité à partir des résidus de…

ActionsContrats à termeDimensionnement des positionsGestion des risques
Machine Learning for Trading

Ce document décrit une méthode walk-forward qui transforme les résidus de prédiction en largeurs d’incertitude par entité, utilisées pour dimensionner les positions. À chaque instant de décision, le calibrage utilise les résidus dont les résultats sont déjà…

Dimensionnement des positionsGestion des risquesStatistiquesBacktest
Machine Learning for Trading

Ce notebook utilise les prédictions GBM walk-forward enregistrées pour des ETF et des contrats à terme CME afin de comparer la pondération à poids égaux, la pondération inversement proportionnelle à la largeur conforme et la pondération proportionnelle aux…

ActionsContrats à termeGestion des risquesDimensionnement des positions
Machine Learning for Trading

Ce notebook développe un cadre pour traduire l’activité de marché en coûts de trading modélisés et en capacité de stratégie. Il présente le modèle d’impact en racine carrée, désigne la volatilité et le volume quotidien moyen comme principaux facteurs…

Microstructure des marchésExécution des ordresGestion des risquesDimensionnement des positions
Machine Learning for Trading

Ce notebook convertit les prédictions de paires FX en résultats de trading de référence. À chaque instant de décision, il classe les paires, prend des positions longues et courtes de même taille, puis exécute les configurations de prédiction et les points de…

Marché des changesBacktestConstruction de portefeuilleDimensionnement des positions
Machine Learning for Trading

Ce notebook construit des intervalles de prédiction autour de prévisions par gradient boosting à l’aide de la prédiction conforme par séparation. Il ajuste un modèle sur un segment d’entraînement antérieur, mesure les résidus absolus sur un segment de…

Apprentissage automatiqueStatistiquesGestion des risquesDimensionnement des positions
Machine Learning for Trading

Ce module définit un environnement de simulation à date connue pour exécuter un ordre de vente important sur des contrats à terme perpétuels crypto. Ses observations combinent l’inventaire restant et le temps avec la volatilité du marché, l’indice de prime,…

CryptomonnaiesContrats à terme perpétuelsExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Cette étude de cas applique l’estimation causale au momentum des ETF et examine si son effet sur les rendements futurs varie selon la volatilité du marché. Elle utilise un traitement de momentum continu, un rendement futur à 21 jours, des variables de…

ActionsMarchés américainsMomentumApprentissage automatique
Machine Learning for Trading

Le document explique comment quatre modèles d’impact de marché estiment le mouvement de prix défavorable par action associé à un ordre : sans impact, impact linéaire, impact en racine carrée et loi de puissance configurable. Il précise la convention de…

Exécution des ordresMicrostructure des marchésBacktestGestion des risques
Machine Learning for Trading

Ce notebook examine pourquoi deux moteurs de backtesting peuvent produire des résultats différents à partir de signaux identiques. Il maintient la stratégie et l’univers négociable constants, rend les pondérations du portefeuille déterministes en cas de…

BacktestExécution des ordresDimensionnement des positionsGestion des risques