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 explique comment le ratio de Sharpe corrigé (DSR) ajuste le Sharpe d’une stratégie sélectionnée en fonction du nombre de stratégies testées, de la variation entre leurs estimations de Sharpe et des distributions de rendements non normales. Il le…

BacktestStatistiquesGestion des risques
Machine Learning for Trading

Ce carnet sélectionne des caractéristiques candidates pour une stratégie qui vend des options d’achat et de vente à la monnaie sur la même action, avec la même échéance, et conserve le straddle jusqu’à l’échéance. Pour chaque caractéristique, il mesure si…

OptionsActionsStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook étudie pourquoi deux moteurs de backtesting peuvent produire des résultats différents à partir de signaux identiques. Il maintient fixe une stratégie ETF précalculée, construit un portefeuille déterministe à partir de ses prévisions et modifie…

BacktestExécution des ordresMicrostructure des marchésDimensionnement des positions
Machine Learning for Trading

Ce notebook traite les données trimestrielles groupées sur les positions 13F de la SEC afin d’étudier la détention institutionnelle, le classement des gestionnaires et les réseaux de détention commune. Il sélectionne le dernier dépôt de chaque gestionnaire…

ActionsMarchés américainsStatistiquesMicrostructure des marchés
Machine Learning for Trading

Ce notebook évalue des prévisions de validation issues de recherches sur les actions et les options en les transformant en portefeuilles d’actions acheteurs uniquement. Il utilise une référence équipondérée des K meilleurs titres, compare plusieurs niveaux…

ActionsOptionsBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook construit des étiquettes de rendement futur pour des straddles courts à la monnaie sur des actions du S&P 500. Comme le panel quotidien de straddles à 30 jours passe chaque séance à un prix d’exercice ou à une échéance différents, une série de…

OptionsÉvaluation des dérivésVolatilitéBacktest
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

Ce notebook utilise des transactions et des messages d’ordres issus de NASDAQ ITCH pour illustrer des phénomènes de microstructure de marché. Il examine l’autocorrélation du premier ordre négative des rendements de prix au niveau du tick, en expliquant…

ActionsMicrostructure des marchésExécution des ordresStatistiques
Machine Learning for Trading

Ce module utilitaire fournit des outils statistiques pour diagnostiquer les panels de données de trading. Sa méthode d’autocorrélation calcule une courbe au sein de chaque entité avant de regrouper les résultats entre entités, évitant ainsi une dépendance…

StatistiquesBacktestMicrostructure des marchésActions
Machine Learning for Trading

Cette étude de cas sur les actions US distingue la prévision des rendements futurs de l’affirmation selon laquelle le momentum en est la cause. Elle considère comme traitement le rendement de l’action sur l’année précédente, hors dernier mois, comme résultat…

ActionsMomentumApprentissage automatiqueStatistiques
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 développe une tâche simulée de création de marché dans laquelle un agent PPO choisit le biais des cotations et la largeur du spread. La probabilité d’exécution diminue à mesure que les cotations s’éloignent du prix médian, tandis que le…

Tenue de marchéApprentissage automatiqueExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce notebook pédagogique compare des méthodes de création d’étiquettes cibles pour des modèles de trading supervisés à partir de données ETF. Il couvre les rendements à horizon fixe et les étiquettes directionnelles, les percentiles glissants des séries…

Apprentissage automatiqueStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook présente des contrôles du biais d’anticipation à partir de prix ETF et de séries macroéconomiques. Il montre qu’une moyenne mobile centrée inclut des observations futures, peut suivre de trop près les retournements de prix et présente une…

ActionsStatistiquesBacktestGestion des risques
Machine Learning for Trading

Cette analyse exploratoire décrit un panel OANDA de quatre heures portant sur 20 paires de devises et explique comment interpréter ses données. Elle distingue les paires directes, indirectes et croisées selon la position du dollar, montrant pourquoi les…

Marché des changesMicrostructure des marchésStatistiquesBacktest
Machine Learning for Trading

Ce notebook compare trois façons d’utiliser les régimes de marché pour la prévision : un modèle de référence sans variable de régime, un modèle unique auquel est fournie la probabilité filtrée d’un état volatil et des modèles distincts entraînés dans des…

ActionsApprentissage automatiqueStatistiquesVolatilité
Machine Learning for Trading

Ce notebook vérifie si les données peuvent soutenir une stratégie hebdomadaire transversale sur contrats à terme avant tout ajustement de modèle. Il décrit une méthode qui classe les produits CME, prend des positions longues sur les contrats les mieux…

Contrats à termeMatières premièresStratégies de portageExécution des ordres
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 utilise le double apprentissage automatique (DML) pour estimer l’effet ajusté d’une mesure continue de momentum ETF sur les rendements ultérieurs, en contrôlant la volatilité récente et à plus long terme, le régime de marché et la pente de la…

Apprentissage automatiqueStatistiquesActionsMomentum
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