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
Ce document propose les liens par vecteurs de caractéristiques comme approximation des relations entre entreprises. Il utilise des caractéristiques pour estimer ces liens, d’abord en mesurant la similarité euclidienne, puis en appliquant l’apprentissage…
Ce document présente une approche d’apprentissage en ligne pour l’arbitrage statistique. Il la compare aux stratégies courantes fondées sur des modèles de retour à la moyenne, dont les méthodes reposent sur des hypothèses susceptibles d’échouer pour des…
DeepTrust est un cadre conçu pour trouver et évaluer des informations susceptibles d’expliquer des variations extrêmes des cours des actions. Son fonctionnement comporte trois étapes : détection des mouvements anormaux à partir des cours historiques par…
Cet article décrit une stratégie dynamique visant à protéger un portefeuille contre les pertes extrêmes tout en conservant une exposition aux marchés haussiers. Elle fixe un niveau maximal cible de valeur à risque et utilise des classificateurs pour estimer…
Cet article présente un cadre d’apprentissage par renforcement pour les problèmes de décision dont les objectifs de risque s’expriment au moyen de fonctions de score convexes. Le cadre peut représenter des mesures telles que la variance, la perte extrême…
L’article étudie si les informations de momentum sur un marché à terme peuvent aider à prévoir le momentum sur d’autres marchés. Il construit un réseau à partir de caractéristiques de momentum déduites des prix sur 64 contrats négociés en continu portant sur…
Cette étude applique Twin-Delayed Deep Deterministic Policy Gradient (TD3), une méthode d’apprentissage par renforcement à actions continues, aux cours de clôture quotidiens de l’action Amazon et du Bitcoin. L’action de trading représente à la fois la…
Cette étude propose une méthode inspirée de la physique statistique pour prévoir la volatilité des prix et les rendements attendus à partir de données de carnet d’ordres à cours limité de niveau 3. Elle représente les ordres comme des éléments d’un système…
Le document présente L2GMOM, un cadre d’apprentissage automatique pour le momentum de réseau. Celui-ci utilise les relations entre actifs pour aider à prévoir les rendements futurs. Le cadre proposé apprend conjointement le réseau financier et les signaux de…
Cet article décrit un réseau neuronal convolutif sans modèle qui reçoit les cours historiques d’un ensemble d’actifs et produit des pondérations de portefeuille. Il est entraîné par apprentissage par renforcement, le rendement cumulé servant de récompense.…
La thèse développe des modèles et des stratégies pour les teneurs de marché automatisés à produit constant et à liquidité concentrée. Elle couvre à la fois les preneurs de liquidité, notamment pour les ordres importants et l’arbitrage statistique, et les…
L’article développe une méthode adaptative de Monte-Carlo par chaînes de Markov à valeurs matricielles pour les autorégressions vectorielles bayésiennes cointégrées. Elle remplace l’échantillonnage de Gibbs à grille par une approche Metropolis adaptative…
L’article examine comment un bureau de trading devrait exécuter des ordres pour plusieurs clients qui recherchent les mêmes actifs, mais dont les tailles d’ordres, les horizons et les préférences de risque diffèrent. Les premières exécutions peuvent faire…
Cette étude examine si des informations autres que l’historique des prix peuvent aider à prévoir la volatilité du Bitcoin face au dollar. Le système CoMForE proposé combine les données historiques de trading avec le sentiment exprimé dans des tweets…
Cette étude décrit un marché boursier artificiel multi-agents dans lequel les agents s’appuient sur une mémoire limitée des prix passés pour choisir leurs transactions. Leurs stratégies de trading évoluent par un processus d’auto-apprentissage, ce qui permet…
Cet article examine comment des systèmes AI peu coûteux, capables d’approximer des relations complexes, pourraient changer la façon dont les stratégies de trading intègrent l’information dans les prix. Il aborde l’efficience des marchés au moyen de processus…
Ce système proposé utilise les relations de volatilité entre de grandes actions pour générer des signaux de tendance. Il commence par étudier les prix au moyen d’analyses de corrélation et d’autocorrélation, d’indicateurs techniques, de tests d’hypothèse, de…
Le document décrit une approche complète d’apprentissage profond par renforcement pour le trading actif à haute fréquence d’actions. Les agents utilisent l’optimisation de politique proximale pour négocier une unité de l’action Intel, à partir d’états…
L’article présente QTMRL, un agent d’apprentissage par renforcement conçu pour prendre des décisions de trading sur actions à l’aide d’indicateurs techniques. Le jeu de données d’entrée combine les cours et volumes quotidiens d’actions représentatives du S&P…
L’étude propose un cadre de trading automatisé à haute fréquence sur le Bitcoin, associant un modèle de prix à mémoire à long et court terme (LSTM) à l’optimisation de politique proximale (PPO). Les prix constituent les états de l’agent, les transactions ses…
L’article présente les processus gaussiens (GP) et l’optimisation bayésienne. Il explique comment la régression GP contribue à l’apprentissage automatique bayésien et comment choisir ses hyperparamètres. L’optimisation bayésienne utilise un modèle…
Cette étude cherche à déterminer quand suivre les textes de marché et quand prendre la position inverse. Elle distingue les déclarations institutionnelles (Say), leur répétition par les médias (Echo) et le positionnement institutionnel révélé (Do). Un modèle…
L’article propose un processus de sélection de stratégies appelé DNN-forwardtesting. Au lieu de choisir une stratégie de trading uniquement d’après ses résultats sur les prix historiques, il prévoit d’abord une trajectoire de prix future possible à l’aide…
L’étude présente une méthode non supervisée d’analyse des sauts de prix des actions au moyen de représentations construites à partir de coefficients d’ondelettes. Elle vise à distinguer les profils de saut associés à la dynamique interne du système de ceux…