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.
904 documents
Cette étude aborde le risque des cryptomonnaies comme un problème de prévision de la volatilité et applique des modèles d’apprentissage automatique à des mesures de risque calculées pour vingt éléments du marché des cryptomonnaies. Elle compare des réseaux…
Cet article développe un modèle autorégressif qui génère des messages tokenisés de carnet d’ordres à cours limité, qu’un simulateur utilise pour mettre à jour l’état du carnet. Son architecture utilise des couches d’espace d’état structurées simplifiées pour…
L’article présente XGB-Chiarella, une méthode pour calibrer un modèle de marché étendu à base d’agents de Chiarella afin de reproduire le comportement intrajournalier des prix. Le marché simulé comprend des traders fondamentalistes, des traders de momentum…
QuantNet est une architecture d’apprentissage pour construire des stratégies de trading sur plusieurs marchés boursiers. Chaque marché dispose de son propre encodeur et décodeur : l’encodeur représente les données locales du marché, un modèle global partagé…
Cet article présente Agent Market Arena, un benchmark continu en temps réel pour évaluer des agents de trading fondés sur de grands modèles de langage sur les marchés des cryptomonnaies et des actions. Le cadre combine des données de trading vérifiées, des…
Cette étude examine les opérations coordonnées de pump-and-dump de cryptomonnaies. Elle comprend une étude de cas et une analyse d’événements organisés via des chaînes Telegram sur une période définie. Elle recherche les configurations de marché associées à…
Cet article décrit une étude de suivi sur la prévision des tendances des options sur actions à l’aide de l’apprentissage automatique, ainsi que l’utilisation de ces prévisions en trading. Il examine les réseaux neuronaux récurrents et les réseaux à mémoire à…
L’article étudie si des stratégies fondées sur des actifs autres que des actions peuvent diversifier les stratégies d’investissement algorithmiques liées au S&P 500. Il compare les signaux issus des prévisions LSTM, des prévisions ARIMA-GARCH, du momentum et…
Cet article présente un cadre expérimental pour tester si les grands modèles de langage peuvent extraire des signaux de sentiment utiles à partir de l’actualité financière chinoise. Il applique trois modèles différents, sélectionnés pour représenter diverses…
L’article porte sur le classement des actifs utilisé dans les portefeuilles systématiques transversaux. Il soutient que les heuristiques simples et les classements obtenus en triant les prévisions de modèles classiques de régression ou de classification…
L’article explore l’apprentissage par renforcement pour l’arbitrage statistique en trading haute fréquence. Il décrit un agent qui apprend en interagissant avec son environnement de trading et s’intéresse au deep Q-learning pour adapter les décisions aux…
Ce document décrit un cadre d’apprentissage profond pour repérer les relations évolutives entre actifs dans le cadre du trading par paires. L’apprentissage de graphes de relations temporelles multimodaux combine des observations de séries temporelles et des…
L’étude adapte une approche de trading par paires aux actions polonaises en comparant un actif à une réplication construite à partir de facteurs de risque, au lieu de l’associer à un second actif fortement corrélé. Elle construit des facteurs à l’aide de…
Le document décrit une méthode de prévision des mouvements boursiers conçue pour saisir les effets de propagation du momentum entre sociétés cotées. Elle construit un graphe de connaissances de marché avec deux types d’entités — les sociétés et leurs…
Cette approche détecte les anomalies dans les séries temporelles financières comportant plusieurs facteurs de risque de marché, où les observations contaminées peuvent fausser les modèles de risque et les mesures qui en découlent. Elle applique d’abord…
Ce travail propose RADAR, un cadre de diffusion augmenté par récupération pour apprendre des représentations des états de marché utilisées dans l’optimisation de portefeuille selon le cadre du facteur d’actualisation stochastique. Il part du constat que les…
Cette étude compare treize modèles statistiques et d’apprentissage automatique pour repérer les observations inhabituelles dans les données du carnet d’ordres à cours limité du Bitcoin. Elle évalue les modèles dans un cadre commun visant la détection…
Tail-GAN est un générateur de scénarios fondé sur les données, conçu pour simuler des dynamiques de prix conjointes réalistes pour des portefeuilles multi-actifs de grande dimension, en mettant l’accent sur les pertes dans la queue de distribution. Il…
L’article applique l’apprentissage automatique supervisé au drift après publication des résultats (PEAD), une anomalie boursière où les rendements continuent d’évoluer après les annonces de résultats. Son modèle utilise XGBoost et des caractéristiques…
Cette étude utilise l’apprentissage profond sur une base de données à haute fréquence des cotations et transactions d’actions des US pour modéliser le lien entre l’offre et la demande du carnet d’ordres et les variations ultérieures des prix. Elle teste les…
L’article présente une méthode d’optimisation de portefeuille sous contrainte de risque pour les enchères virtuelles sur les marchés de gros américains de l’électricité. Il prévoit les écarts entre les prix marginaux localisés d’une heure à l’autre à l’aide…
Le document présente une approche pratique d’apprentissage profond par renforcement pour le trading de contrats à terme sur le gaz naturel. Il rapporte que le ratio de Sharpe de la stratégie dépasse ceux de références de suivi de tendance et de retour à la…
Le document décrit un modèle profond LSTM et une stratégie de trading portant sur quatre indices boursiers des US. Au lieu de trader uniquement selon que le modèle prévoit une hausse ou une baisse, la stratégie utilise la position de chaque rendement prédit…
Le document décrit un agent de trading exclusivement à l’achat USD/TWD qui associe des prévisions de tendances à court terme par mémoire quantique à long et court terme (QLSTM) à l’algorithme d’acteur-critique asynchrone à avantage quantique (QA3C). Son état…