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

1,030 documents

Machine Learning for Trading

Ce notebook construit des étiquettes de rendement futur des actions pour une stratégie qui exploite les données d’options cotées afin de classer les actions, puis de les détenir. Il crée une série de prix ajustés des opérations sur titres et identifie les…

ActionsOptionsStatistiquesBacktest
Machine Learning for Trading

Ce notebook décrit un filtrage des signaux candidats, une caractéristique à la fois, sur 20 paires de devises. Il calcule, pour chaque caractéristique, la concordance quotidienne des rangs en coupe transversale avec le rendement de la séance suivante, en…

Marché des changesStatistiquesApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook compare une recherche exhaustive sur grille à l’échantillonneur TPE d’Optuna pour ajuster un modèle LightGBM de prévision des rendements. Il accorde d’abord aux deux méthodes le même budget d’essais sur la même grille discrète de paramètres, où…

Apprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce notebook évalue un facteur de momentum transversal à l’aide des coefficients d’information, des rendements par quantile, des écarts entre les extrêmes et de diagnostics de classification. Il présente le IC de Spearman comme la corrélation de rang calculée…

MomentumInvestissement factorielStatistiquesBacktest
Machine Learning for Trading

Cette étude de cas examine si les informations tirées des options cotées peuvent aider à sélectionner des actions du S&P 500. Elle combine les prix quotidiens des actions avec les niveaux de volatilité implicite des options, leur asymétrie, leur structure…

ActionsOptionsBacktestGestion des risques
Machine Learning for Trading

Ce notebook utilise l’excursion favorable maximale (MFE) et l’excursion défavorable maximale (MAE) pour ancrer les largeurs des étiquettes à triple barrière dans les trajectoires de prix observées. Pour une position prise à la clôture d’une barre, il mesure…

ActionsContrats à termeCryptomonnaiesVolatilité
Machine Learning for Trading

Le document décrit un balayage d’allocation de portefeuille FX conçu pour isoler le dimensionnement des positions de la sélection des signaux. Il part de candidats de référence figés, à pondération égale et classés selon les performances de backtest en…

Marché des changesConstruction de portefeuilleBacktestGestion des risques
Machine Learning for Trading

Cette analyse transversale examine comment l’information prédictive, mesurée par le coefficient d’information (IC), se traduit en Sharpe de portefeuille dans neuf études de cas de trading. Son point central est que la mise en œuvre joue un rôle déterminant…

Multi-actifsStatistiquesBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook présente un réseau convolutif temporel (TCN) pour prévoir les rendements futurs de ETF à partir de séquences de caractéristiques de rendements passés. Les convolutions causales garantissent que chaque sortie n’utilise que les observations…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce notebook explique les barres de déséquilibre des transactions et des volumes, puis compare les approches adaptatives, à seuil fixe et à fenêtre glissante sur des données de transactions NVDA. Le déséquilibre des transactions cumule les directions signées…

ActionsMicrostructure des marchésStatistiquesBacktest
Machine Learning for Trading

Cette étude de cas compare différentes méthodes de dimensionnement des positions sur les contrats à terme CME à une référence à pondération égale. Elle explique comment le dimensionnement inversement proportionnel à la volatilité utilise la volatilité propre…

Contrats à termeDimensionnement des positionsConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce notebook explique comment construire un historique continu des prix des contrats à terme à partir de contrats individuels arrivant à échéance. Il repère les contrats du mois le plus proche selon le volume de négociation, applique une contrainte…

Contrats à termeBacktestExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce notebook explique comment transformer GJR-GARCH ajusté et des modèles de Markov cachés en caractéristiques de trading tout en contrôlant le biais d’anticipation. GJR-GARCH estime la volatilité conditionnelle et capte l’impact plus marqué des chocs de…

CryptomonnaiesContrats à terme perpétuelsVolatilitéApprentissage automatique
Machine Learning for Trading

Ce notebook transforme les classements de prévisions des paires de devises en une stratégie de référence négociée. À chaque instant de décision, il forme des portefeuilles long et short de même taille à partir des paires les mieux et les moins bien classées,…

Marché des changesTrading par pairesBacktestConstruction de portefeuille
Machine Learning for Trading

Ce script de validation met à l’épreuve un processus de recherche réduit sur les contrats à terme CME, des prévisions du modèle aux pondérations de portefeuille et au backtesting. Il vérifie que les prévisions couvrent exactement les clés attendues de…

Contrats à termeBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook compare deux architectures Transformer pour prévoir les rendements ETF sur 21 jours à partir de caractéristiques de momentum passées. PatchTST regroupe les jours consécutifs en segments, plaçant une courte séquence de formes locales dans chaque…

ActionsApprentissage automatiqueMomentumBacktest
Machine Learning for Trading

Ce module décrit une interface de recherche pour les agents de recherche, avec un fournisseur réel et un fournisseur fictif déterministe. Les recherches peuvent limiter le nombre de résultats et appliquer une date limite de publication, ce qui facilite la…

Apprentissage automatiqueStratégies événementiellesBacktestGestion des risques
Machine Learning for Trading

Le document présente trois règles de clôture des positions avant le rééquilibrage prévu d’un portefeuille : un stop de perte fixe, un stop suiveur mesuré depuis le meilleur prix de la position et une sortie temporelle qui clôture après une durée de détention…

ActionsGestion des risquesBacktestDimensionnement des positions