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

2,371 documents

Machine Learning for Trading

Le document présente un processus reliant des chargeurs standardisés de données de marché, un registre de caractéristiques préconstruites et des diagnostics de signaux. Le calcul des caractéristiques peut être spécifié par des noms, des dictionnaires de…

Indicateurs techniquesApprentissage automatiqueStatistiquesActions
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

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 comparaison par famille de cinq approches à facteurs latents appliquées à une étude de cas d’analyse d’options sur actions. PCA estime les mouvements communs directement à partir du panel de rendements ; IPCA associe linéairement les…

OptionsApprentissage automatiqueInvestissement factorielStatistiques
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
Machine Learning for Trading

Ce chapitre présente le backtest comme une tentative de réfuter une stratégie au moyen d’hypothèses explicites sur le calendrier des signaux, l’exécution, le rééquilibrage, le dimensionnement, les coûts, les contraintes et les indices de référence. Il…

BacktestExécution des ordresGestion des risquesStatistiques
Machine Learning for Trading

Cette source décrit les protections permettant de reconstruire une demande de modèle à partir de sa spécification d’entraînement immuable et de valider l’exécution obtenue. Elle vérifie que la demande utilise une version d’identité prise en charge, un niveau…

Apprentissage automatiqueBacktestStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook présente l’analyse en composantes principales instrumentale comme modèle des rendements transversaux. Au lieu d’attribuer directement des pondérations de rendement aux caractéristiques de chaque société, IPCA estime une application linéaire…

ActionsInvestissement factorielApprentissage automatiqueStatistiques
Machine Learning for Trading

Le notebook explique comment interpréter les contrats binaires de taux de la Réserve fédérale proposés par Kalshi comme des probabilités et convertir une échelle de seuils de taux en distribution implicite. Il souligne que le flux contient des offres YES :…

Contrats à termeStatistiquesMicrostructure des marchésIndicateurs techniques
Machine Learning for Trading

Ce notebook compare quatre architectures de réseaux neuronaux pour une même tâche : prévoir le prochain rendement quotidien à partir d’une fenêtre de rendements passés, regroupés sur huit fonds négociés en bourse. Il décrit comment un réseau dense, une…

Apprentissage automatiqueBacktestActionsStatistiques
Machine Learning for Trading

Ce notebook évalue des modèles séquentiels pour classer les actions du S&P 500 à partir de fenêtres d’historiques de surfaces d’options et de prix. Il associe un modèle linéaire normalisé, sans mémoire récurrente, à un LSTM dont les portes transmettent les…

Apprentissage automatiqueActionsOptionsBacktest
Machine Learning for Trading

Ce notebook explore un panel de données économiques construit à partir des séries Federal Reserve Economic Data. Il établit que le panel fourni utilise des dates calendaires, week-ends et jours fériés compris, et montre comment les métadonnées associées…

Titres à revenu fixeVolatilitéStatistiquesMarchés américains
Machine Learning for Trading

Ce notebook explique pourquoi les tests t classiques peuvent exagérer la force d’un coefficient d’information (IC) lorsque les observations quotidiennes de IC sont dépendantes. Il construit un signal de momentum à partir de données d’ETF, examine…

StatistiquesBacktestMomentum
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 notebook ajuste un réseau à mémoire à long et court terme comportant NASDAQ-100 caractéristiques de microstructure afin de prédire les rendements futurs sur plusieurs horizons de quelques minutes. Contrairement à un modèle linéaire aplati, un LSTM traite…

Apprentissage automatiqueMicrostructure des marchésActionsBacktest
Machine Learning for Trading

Ce chapitre explique comment évaluer des modèles d’apprentissage automatique financier en respectant les informations disponibles à chaque instant de décision. Il distingue l’entraînement, la validation et un échantillon de test final, et explique pourquoi…

Apprentissage automatiqueBacktestStatistiquesGestion des risques
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 de synthèse compare la pondération égale, l’inverse de la volatilité, l’optimisation moyenne-variance et la parité du risque hiérarchique à partir d’un signal commun appliqué à un univers ETF diversifié. Un modèle Ridge glissant utilise des…

Construction de portefeuilleBacktestActionsExécution des ordres
Machine Learning for Trading

Ce carnet construit N-BEATS, une architecture neuronale de prévision entièrement connectée qui traite une fenêtre d’entrée complète et prédit une trajectoire future. Sa variante interprétable contraint les blocs à exprimer les composantes au moyen de bases…

Apprentissage automatiqueActionsBacktestStatistiques
Machine Learning for Trading

Ce carnet isole l’allocation de portefeuille en fixant le signal sélectionné pour chaque étude de cas et en comparant les backtests au stade de l’allocation. Il examine notamment la pondération égale, l’inverse de la volatilité, la pondération par score,…

Construction de portefeuilleBacktestGestion des risquesStatistiques
Machine Learning for Trading

Ce carnet compare des méthodes d’allocation de portefeuille entre études de cas en maintenant fixe la prédiction de signal sélectionnée pour chacune. Il charge des backtests au stade de l’allocation liés à la même prédiction de référence, puis examine des…

Construction de portefeuilleBacktestGestion des risquesStatistiques
Machine Learning for Trading

Ce carnet décrit la reconstruction d’un carnet d’ordres à cours limité NASDAQ à partir de messages DataBento par ordre, pour un seul symbole et une seule séance de négociation. Il présente un moteur modulaire qui suit l’état de chaque ordre, agrège les…

ActionsMicrostructure des marchésExécution des ordresStatistiques