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

176 documents

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 document explique comment les décompositions en ondelettes et les estimations spectrales glissantes décrivent les rendements financiers à différentes échelles de temps. Les ondelettes divisent les rendements en composantes couvrant des périodes de plus en…

ActionsStatistiquesVolatilitéIndicateurs techniques
Machine Learning for Trading

Le notebook explique comment distinguer les variations continues des prix et les sauts dans les rendements intrajournaliers des actions. Il estime la variance réalisée quotidienne à partir des rendements au carré et utilise la variation bipuissance comme…

ActionsVolatilitéStatistiquesMicrostructure des marchés
Machine Learning for Trading

Ce notebook présente le backtesting vectorisé avec VectorBT à travers une règle de retour à la moyenne RSI en position acheteuse uniquement, appliquée aux données du marché des contrats perpétuels sur Bitcoin. Il calcule un RSI fondé sur le cours de clôture,…

CryptomonnaiesContrats à terme perpétuelsRetour à la moyenneIndicateurs techniques
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

Ce notebook utilise les enregistrements de transactions NASDAQ ITCH pour examiner les variations du volume et de l’activité de négociation au cours de la séance régulière. Il regroupe les transactions en barres temporelles, compare les prix et les volumes…

ActionsMicrostructure des marchésStatistiquesIndicateurs techniques
Machine Learning for Trading

Ce tutoriel passe en revue les variables construites à partir des historiques de prix et de volume des actifs : rendements sur différents horizons, tendances et retournements, plusieurs estimateurs de volatilité, régimes de volatilité, liquidité, risque de…

Indicateurs techniquesMomentumVolatilitéApprentissage automatique
Machine Learning for Trading

Ce notebook présente trois façons de transformer les données du NASDAQ-100 à la minute en caractéristiques pour les modèles : une régression HAR glissante pour les prévisions de variance et leurs erreurs, une transformée de Fourier pour les profils de volume…

ActionsVolatilitéMicrostructure des marchésStatistiques
Machine Learning for Trading

Ce notebook explique un modèle espace-état de tendance linéaire locale pour extraire des caractéristiques financières des niveaux de prix. L’état caché comprend un niveau de prix et sa pente ; les observations sont des cours de clôture bruités. À chaque…

ActionsStatistiquesIndicateurs techniquesTrading par paires
Machine Learning for Trading

Ce notebook passe en revue des méthodes de détection des changements dans le processus générant une série financière, en prenant les données quotidiennes SPY comme exemple. Il oppose le test de Zivot–Andrews, qui estime une rupture tout en testant la…

StatistiquesApprentissage automatiqueIndicateurs techniquesGestion des risques
Machine Learning for Trading

Ce document décrit la conversion de fenêtres glissantes de rendements ETF en images à deux canaux pour un réseau de neurones convolutif classique. Un champ angulaire de Gramian transforme les observations normalisées en angles et consigne les relations…

ActionsApprentissage automatiqueIndicateurs techniquesStatistiques
Machine Learning for Trading

Ce notebook utilise les rendements quotidiens SPY pour expliquer l’analyse dans le domaine fréquentiel et ses limites comme source de caractéristiques de trading. Une décomposition en ondelettes sépare les variations en bandes correspondant à des échelles de…

ActionsStatistiquesVolatilitéIndicateurs techniques
Machine Learning for Trading

Ce notebook compare trois façons d’utiliser les régimes de marché dans un modèle de prévision : omettre l’information de régime, ajouter comme caractéristique la probabilité filtrée d’un état volatil ou ajuster des modèles experts distincts pour les régimes…

Apprentissage automatiqueStatistiquesBacktestIndicateurs techniques
Machine Learning for Trading

Ce notebook construit des caractéristiques à partir de modèles ajustés sur des historiques de prix de change, en complément des indicateurs calculés directement à partir des prix passés. Il décrit trois approches : un filtre espace-état qui estime un niveau…

Marché des changesApprentissage automatiqueStatistiquesIndicateurs techniques
Machine Learning for Trading

Ce notebook explique le filtrage de Kalman comme méthode d’extraction de caractéristiques à partir des prix financiers. Un état de tendance linéaire locale suit à la fois un niveau de prix latent et sa pente, tandis qu’un modèle d’observation tient compte…

ActionsIndicateurs techniquesStatistiquesTrading par paires
Machine Learning for Trading

Ce notebook construit des caractéristiques dérivées des prix pour classer un vaste univers d’actions US. Il décrit des familles de caractéristiques liées au momentum, à la volatilité, aux moyennes mobiles et aux indicateurs techniques, puis les évalue par…

ActionsMarchés américainsIndicateurs techniquesMomentum
Machine Learning for Trading

Cette étude utilise dix jours de données NVDA par ordre de marché pour examiner comment l’activité quotidienne de trading influe sur l’échantillonnage en barres. Elle filtre les transactions pour ne conserver que les heures normales de marché US, classe les…

ActionsMicrostructure des marchésExécution des ordresIndicateurs techniques
Machine Learning for Trading

Ce notebook compare des mesures de volatilité, ajuste un modèle autorégressif hétérogène (HAR) et estime la rugosité à l’aide des exposants de Hurst. Il compare d’abord la variance réalisée intrajournalière aux estimateurs quotidiens, en distinguant les…

VolatilitéStatistiquesIndicateurs techniquesBacktest
Machine Learning for Trading

Ce notebook explique les signatures de trajectoires comme des caractéristiques de longueur fixe qui préservent l’ordre et la forme conjointe des observations d’une série temporelle. Il décrit comment le premier niveau de la signature enregistre les…

ActionsApprentissage automatiqueStatistiquesIndicateurs techniques