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

934 documents

Machine Learning for Trading

Ce chapitre décrit un parcours de la recherche à l’exécution en réel, fondé sur une logique de stratégie utilisable en backtest, en trading en papier et en trading en réel. Il aborde les intégrations aux courtiers et aux plateformes, les cycles de…

Exécution des ordresGestion des risquesBacktestMicrostructure des marchés
Machine Learning for Trading

Ce notebook montre comment connecter à Alpaca une interface commune de stratégie de momentum ETF, avec une simulation hors ligne disponible par défaut. Il explique comment les adaptateurs de courtier et de données de marché peuvent changer sans modifier la…

ActionsMomentumExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook vérifie si une stratégie quotidienne de classement d’actions US dispose de suffisamment de données exploitables pour permettre une évaluation équitable avant l’ajustement d’un modèle. Il explique comment constituer un univers en date connue avec…

ActionsMarchés américainsBacktestExécution des ordres
Machine Learning for Trading

Ce document présente une analyse de sensibilité aux coûts pour une stratégie de momentum ETF fixe. Il conserve l’univers, les pondérations, le calendrier et le simulateur, tout en relançant le backtest avec différents frais par opération. La courbe obtenue…

ActionsMomentumBacktestExécution des ordres
Machine Learning for Trading

Ce notebook applique une configuration ETF sélectionnée au préalable à sa période de test réservée. Il dérive les prévisions correspondantes pour cette période à partir de l’identité d’entraînement et du point de contrôle sélectionnés, puis utilise les…

ActionsBacktestConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce processus d’évaluation filtre les caractéristiques financières et issues de modèles en fonction des rendements futurs d’un panel intrajournalier NASDAQ-100. Il réserve d’abord la période finale de test et exclut les observations dont les étiquettes…

ActionsStatistiquesApprentissage automatiqueBacktest
Machine Learning for Trading

Ce document décrit un jeu de données quotidien d’actions US, issu des archives Wiki Prices de NASDAQ Data Link. Il couvre des milliers d’entreprises de 1962 à mars 2018 et inclut les sociétés radiées de la cote, ce qui le rend utile à la recherche historique…

ActionsMarchés américainsBacktest
Machine Learning for Trading

Ce document explique comment mesurer les rendements autour d’événements tels que le déclenchement de signaux, les annonces de résultats ou les publications macroéconomiques. Son exemple pratique utilise des cassures de momentum sur des ETF liquides. Pour…

ActionsStratégies événementiellesMomentumCassure
Machine Learning for Trading

Ce chapitre présente la construction d’études cohérentes dans le temps sur les données fondamentales et alternatives, concernant les actions, les séries macroéconomiques, les contrats à terme, les cryptomonnaies et les marchés prédictifs. Ses méthodes…

BacktestStatistiquesApprentissage automatiqueDonnées on-chain
Machine Learning for Trading

Ce notebook utilise l’apprentissage automatique double pour tester si l’association entre l’écart de volatilité implicite moins réalisée et les rendements futurs des actions persiste après ajustement pour les facteurs de confusion observés. Il compare…

OptionsActionsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce document explique comment évaluer une stratégie choisie sur les données de validation à l’aide de prévisions issues d’un échantillon de réserve distinct de 2021. L’allocation sélectionnée, la concentration, les contrôles du risque, le calendrier de…

ActionsBacktestGestion des risquesConstruction de portefeuille
Machine Learning for Trading

Ce notebook présente un GAN Sig-Wasserstein non conditionnel pour générer des séries temporelles financières. Il remplace un discriminateur entraîné à distinguer le réel du généré par une distance fondée sur les signatures attendues des trajectoires, des…

Apprentissage automatiqueStatistiquesActionsVolatilité
Machine Learning for Trading

Ce notebook utilise les rendements quotidiens ETF pour expliquer comment les modèles GARCH captent le regroupement de la volatilité et le transforment en caractéristique calculée à chaque séance. Il commence par des diagnostics visuels et un test ARCH-LM…

VolatilitéStatistiquesGestion des risquesActions
Machine Learning for Trading

Ce module source fournit des chargeurs pour les cours des actions américaines, les indices, les options, la microstructure de marché, les fondamentaux et les positions institutionnelles. Son détail méthodologique le plus important porte sur le…

ActionsMicrostructure des marchésExécution des ordresMarchés américains
Machine Learning for Trading

Cette étude de cas construit des caractéristiques pour examiner si la variance implicite à la monnaie dépasse la variance réalisée ultérieure pour les titres du S&P 500, et si l’écart varie selon les titres. Elle combine les cotations de straddles aux prix…

OptionsVolatilitéActionsBacktest
Machine Learning for Trading

Ce notebook compare les moindres carrés ordinaires à Ridge, LASSO et Elastic Net pour prévoir les rendements futurs dans un univers d’ETF. Tous les modèles utilisent les mêmes plis walk-forward, avec une période de purge correspondant à l’horizon de la…

Apprentissage automatiqueActionsStatistiquesBacktest
Machine Learning for Trading

Ce notebook réévalue les principales configurations d’allocation ETF selon deux grilles de coûts, en maintenant fixes les prévisions, la concentration et les règles d’allocation. Il compare le modèle de l’étude de cas, fondé sur une commission par action et…

ActionsExécution des ordresBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook applique l’analyse en composantes principales à un sous-ensemble liquide d’actions US afin de construire des portefeuilles propres normalisés en exposition brute et d’étudier leur rôle comme facteurs de risque latents. Il examine la variance…

ActionsInvestissement factorielStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare des modèles linéaires pour prévoir les rendements ETF à partir de caractéristiques de prix qui se chevauchent. Comme plusieurs horizons de rendement et familles d’indicateurs peuvent encoder des informations similaires, les moindres…

ActionsMulti-actifsApprentissage automatiqueStatistiques