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

390 documents

Machine Learning for Trading

Ce notebook construit des variables fondées sur des modèles pour l’étude des options S&P 500, à partir des rendements du sous-jacent. Il ajuste GJR-GARCH, qui accorde un poids supplémentaire aux chocs de rendement négatifs, ainsi qu’un modèle de volatilité…

OptionsVolatilitéStatistiquesApprentissage automatique
Machine Learning for Trading

Le notebook traite chaque fenêtre de rendements comme une distribution empirique et regroupe les fenêtres selon la distance de Wasserstein unidimensionnelle. Pour des échantillons de même taille, le tri fournit l’appariement optimal des quantiles ; la…

ActionsApprentissage automatiqueStatistiquesVolatilité
Machine Learning for Trading

Cette analyse de faisabilité cherche à déterminer si les données et hypothèses d’une stratégie hebdomadaire de short straddle avec couverture delta sur les composantes du S&P 500 sont plausibles avant l’ajustement d’un modèle. Elle explique comment des calls…

OptionsVolatilitéGestion des risquesBacktest
Machine Learning for Trading

Ce notebook compare des portefeuilles de référence d’ETF face à des crises historiques, à des chocs simultanés définis manuellement sur les actifs et à des scénarios de pertes de Monte-Carlo. Les périodes historiques incluent d’importantes baisses des…

Multi-actifsConstruction de portefeuilleGestion des risquesVolatilité
Machine Learning for Trading

Le document explique comment créer des facteurs de paires de devises à partir de trois modèles de séries temporelles ajustés : un filtre espace-état qui estime un niveau de prix évoluant lentement, un modèle de Markov caché à deux états pour les régimes de…

Marché des changesStatistiquesVolatilitéBacktest
Machine Learning for Trading

Ce document décrit la création d’une matrice de facteurs transversaux pour les actions du S&P 500, en combinant des historiques de cours ajustés et des surfaces résumées de volatilité implicite des options. Il classe les facteurs par rôle, donnée d’entrée,…

ActionsOptionsVolatilitéMomentum
Machine Learning for Trading

Ce notebook d’ingénierie des facteurs construit des variables qui nécessitent des informations allant au-delà de l’historique des prix d’un seul actif. Pour les contrats à terme, il calcule le rendement de roulement annualisé à partir des niveaux…

Contrats à termeOptionsStratégies de portageVolatilité
Machine Learning for Trading

Ce notebook construit des régimes de marché descriptifs à partir des données économiques mensuelles de la Réserve fédérale : chômage, taux des fonds fédéraux, courbe des taux du Trésor et inflation. Il explique comment aligner des séries dont les fréquences…

StatistiquesApprentissage automatiqueMarchés américainsVolatilité
Machine Learning for Trading

Ce notebook construit des caractéristiques de volatilité conditionnelle fondées sur un modèle pour les actions du S&P 500 avec un modèle GJR-GARCH(1,1), puis compare un écart de volatilité implicite des options mesuré par rapport à la volatilité réalisée à…

ActionsOptionsVolatilitéApprentissage automatique
Machine Learning for Trading

Cette étude sur les contrats à terme CME fait varier la capacité des arbres de boosting et la fonction de perte, tout en enregistrant les prédictions à plusieurs points de contrôle de l’entraînement. Le nombre de feuilles détermine le niveau de détail du…

Contrats à termeApprentissage automatiqueStatistiquesBacktest
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 document de configuration définit un pipeline hebdomadaire de recherche sur les actions du S&P 500, qui associe les caractéristiques du marché des options à des signaux fondés sur les prix. Il précise l’univers admissible, le calendrier des décisions et…

OptionsActionsVolatilitéMomentum
Machine Learning for Trading

Ce notebook compare l’erreur quadratique, l’erreur absolue et la perte de Huber pour des modèles de gradient boosting prédisant les rendements de straddles vendeurs à la monnaie. La cible présente un gain plafonné et des pertes potentiellement sévères ; la…

OptionsVolatilitéApprentissage automatiqueStatistiques
Machine Learning for Trading

Cette analyse explique le lien entre l’indice de prime des contrats à terme perpétuels de Binance et les cours au comptant, ainsi que la façon dont la plateforme transforme cette prime en financement périodique. L’indice utilise les prix d’impact acheteur et…

CryptomonnaiesContrats à terme perpétuelsStratégies de portageArbitrage
Machine Learning for Trading

Le notebook entraîne un autoencodeur classique sur les rendements horaires standardisés d’un groupe de marchés perpétuels crypto. Son encodeur compresse le vecteur de rendements inter-actifs en une représentation latente à deux dimensions, et son décodeur…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueVolatilité
Machine Learning for Trading

Ce document présente des méthodes communes pour générer des caractéristiques issues de modèles ajustés sans utiliser d’observations futures. Pour les modèles de Markov cachés, il distingue les probabilités d’état filtrées, fondées sur les observations…

Apprentissage automatiqueVolatilitéStatistiquesBacktest
Machine Learning for Trading

Ce notebook utilise le double apprentissage automatique pour estimer si les écarts de prime des contrats à terme perpétuels sont liés aux rendements ultérieurs sur huit heures, et si cette relation estimée diffère entre les marchés à forte et à faible…

CryptomonnaiesContrats à terme perpétuelsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook présente la couverture profonde d’une position vendeuse sur un call européen. Il simule des trajectoires de mouvement brownien géométrique, utilise la couverture delta de Black–Scholes comme référence et entraîne un réseau neuronal semi-récurrent…

OptionsÉvaluation des dérivésApprentissage automatiqueGestion des risques