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

137 documents

Machine Learning for Trading

Ce notebook présente un inventaire, pour plusieurs études de cas, des variables financières construites sur neuf classes d’actifs. Il compte les variables et les familles définies par leur nom dans chaque jeu de variables disponible, compare la taille des…

Multi-actifsStatistiquesInvestissement factoriel
Machine Learning for Trading

Ce notebook compare la pondération égale, la volatilité inverse, la variance minimale et la parité du risque hiérarchique avec le même univers ETF, les mêmes prévisions, le même calendrier de rééquilibrage et le même protocole de backtest. Un modèle Ridge…

Construction de portefeuilleBacktestGestion des risquesApprentissage automatique
Machine Learning for Trading

Le notebook explique la valeur à risque (VaR), qui correspond à un quantile de perte, et la valeur à risque conditionnelle (CVaR), qui représente la moyenne des pertes au-delà de ce seuil. À partir de rendements quotidiens ETF, il compare des estimations…

Gestion des risquesVolatilitéBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook élargit l’évaluation des facteurs ETF d’un seul horizon de rendement à une analyse de dix facteurs sur trois horizons, avec correction pour les tests multiples. Il applique ensuite des diagnostics fondés sur les mécanismes au momentum à long…

Multi-actifsMomentumRetour à la moyenneStatistiques
Machine Learning for Trading

Ce notebook explique la parité des risques hiérarchique (HRP), une méthode de construction de portefeuille conçue pour limiter la sensibilité aux estimations de covariance bruitées. Il en décrit les trois étapes : regrouper les actifs selon la distance de…

Construction de portefeuilleGestion des risquesBacktestMulti-actifs
Machine Learning for Trading

Ce module d’ingénierie des caractéristiques prépare les données quotidiennes de prix pour des modèles systématiques de portefeuille macro. Il crée des rendements par horizon ajustés à la volatilité estimée, plusieurs signaux MACD à plusieurs échelles et des…

Multi-actifsMomentumSuivi de tendanceVolatilité
Machine Learning for Trading

Cette configuration spécifie un jeu de données macroéconomiques historiques de FRED pour le filtrage des régimes et l’analyse inter-actifs. Elle organise les séries selon une fréquence quotidienne, hebdomadaire, mensuelle et trimestrielle, et comprend les…

Multi-actifsTitres à revenu fixeVolatilitéStatistiques
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 document décrit un processus de collecte des rendements des titres du Trésor FRED et d’indicateurs économiques, d’alignement de séries à fréquences de publication différentes sur un calendrier quotidien, puis de chargement ou de filtrage du jeu de données…

Titres à revenu fixeMulti-actifsGestion des risquesStatistiques
Machine Learning for Trading

Cette configuration définit une expérience de classement et de rééquilibrage long uniquement sur des ETF. Elle couvre un vaste univers de 100 ETF, avec des expositions aux actions, obligations, matières premières et régions ; les décisions sont mensuelles et…

ActionsMulti-actifsBacktestExécution des ordres
Machine Learning for Trading

Ce notebook explique comment examiner un panel fourni de séries économiques de FRED et interpréter sa grille calendaire, ses métadonnées et ses colonnes dérivées. Comme le panel a été aplati sur un calendrier quotidien, le nombre de lignes masque les…

Multi-actifsTitres à revenu fixeVolatilitéStatistiques
Machine Learning for Trading

Ce document présente deux méthodes d’estimation des spreads bid-ask lorsque seules des données journalières OHLCV sont disponibles. Corwin-Schultz compare les amplitudes haut-bas sur des intervalles adjacents d’un et deux jours, en s’appuyant sur le…

Microstructure des marchésStatistiquesExécution des ordresVolatilité
Machine Learning for Trading

Cette synthèse organise plusieurs études de cas de trading selon la classe d’actifs, la taille de l’univers, la fréquence des données, la cadence de décision, le régime de coûts et le protocole d’évaluation. Elle lit la configuration déclarée de chaque étude…

Multi-actifsBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce guide de jeu de données décrit une méthode pour obtenir des séries FRED, aligner les observations sur un calendrier quotidien et charger certains indicateurs pour analyse. Les exemples incluent les taux des bons du Trésor, l’écart entre les échéances à 10…

Titres à revenu fixeStatistiquesGestion des risquesMulti-actifs
Machine Learning for Trading

Ce notebook présente une méthode pour acquérir et maintenir des séries temporelles financières avec un gestionnaire unifié, des univers de symboles prédéfinis ou personnalisés et un stockage Parquet partitionné. Il couvre la récupération d’un seul symbole ou…

Multi-actifsActionsBacktestExécution des ordres
Machine Learning for Trading

Cette analyse exploratoire teste si un signal de momentum sur douze mois, en excluant le mois le plus récent, est associé aux rendements du mois suivant pour un univers de 100-ETF. Elle construit un panel mensuel à partir des cours de clôture ajustés, classe…

Multi-actifsMomentumStatistiquesBacktest
Machine Learning for Trading

Cette vue d’ensemble rassemble les données de configuration de neuf études de cas de trading couvrant les actions, les cryptomonnaies, le forex, les contrats à terme, les options et les portefeuilles multi-actifs. Elle compare l’univers, la fréquence des…

Multi-actifsBacktestGestion des risquesExécution des ordres
Machine Learning for Trading

Ce notebook décrit l’adaptation de Diffusion-TS pour générer des séquences synthétiques de rendements ETF. Son débruiteur prédit la séquence propre comme une somme de composantes de tendance polynomiale, de saisonnalité de Fourier et de résidus, tandis…

Apprentissage automatiqueStatistiquesVolatilitéMulti-actifs