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

Ce notebook évalue un facteur de momentum transversal à l’aide des coefficients d’information, des rendements par quantile, des écarts entre les extrêmes et de diagnostics de classification. Il présente le IC de Spearman comme la corrélation de rang calculée…

MomentumInvestissement factorielStatistiquesBacktest
Machine Learning for Trading

Cette étude de cas examine si les informations tirées des options cotées peuvent aider à sélectionner des actions du S&P 500. Elle combine les prix quotidiens des actions avec les niveaux de volatilité implicite des options, leur asymétrie, leur structure…

ActionsOptionsBacktestGestion des risques
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

Ce notebook utilise l’excursion favorable maximale (MFE) et l’excursion défavorable maximale (MAE) pour ancrer les largeurs des étiquettes à triple barrière dans les trajectoires de prix observées. Pour une position prise à la clôture d’une barre, il mesure…

ActionsContrats à termeCryptomonnaiesVolatilité
Machine Learning for Trading

Le document décrit un balayage d’allocation de portefeuille FX conçu pour isoler le dimensionnement des positions de la sélection des signaux. Il part de candidats de référence figés, à pondération égale et classés selon les performances de backtest en…

Marché des changesConstruction de portefeuilleBacktestGestion des risques
Machine Learning for Trading

Le document explique comment l’incertitude d’un modèle peut fournir des informations au-delà de son estimation ponctuelle. Il oppose GARCH, qui définit la volatilité à partir des rendements passés, à un modèle de volatilité stochastique qui traite la…

VolatilitéStatistiquesApprentissage automatiqueGestion des risques
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 notebook utilise l’analyse en composantes principales pour représenter les mouvements communs d’un large panel d’actions US. PCA extrait des directions qui expliquent la variation commune des rendements ; la charge de chaque action mesure son exposition à…

ActionsMarchés américainsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook évalue des règles de sécurité pour un assistant financier fondé sur des documents à l’aide de six cas construits manuellement. Ces cas couvrent l’injection de prompt, les chiffres fabriqués dans des contenus non fiables, les tentatives d’action…

Apprentissage automatiqueGestion des risquesSentiment de marchéStatistiques
Machine Learning for Trading

Ce notebook présente un réseau convolutif temporel (TCN) pour prévoir les rendements futurs de ETF à partir de séquences de caractéristiques de rendements passés. Les convolutions causales garantissent que chaque sortie n’utilise que les observations…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce notebook explique les barres de déséquilibre des transactions et des volumes, puis compare les approches adaptatives, à seuil fixe et à fenêtre glissante sur des données de transactions NVDA. Le déséquilibre des transactions cumule les directions signées…

ActionsMicrostructure des marchésStatistiquesBacktest
Machine Learning for Trading

Cette étude de cas compare différentes méthodes de dimensionnement des positions sur les contrats à terme CME à une référence à pondération égale. Elle explique comment le dimensionnement inversement proportionnel à la volatilité utilise la volatilité propre…

Contrats à termeDimensionnement des positionsConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce notebook explique comment construire un historique continu des prix des contrats à terme à partir de contrats individuels arrivant à échéance. Il repère les contrats du mois le plus proche selon le volume de négociation, applique une contrainte…

Contrats à termeBacktestExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce notebook explique comment transformer GJR-GARCH ajusté et des modèles de Markov cachés en caractéristiques de trading tout en contrôlant le biais d’anticipation. GJR-GARCH estime la volatilité conditionnelle et capte l’impact plus marqué des chocs de…

CryptomonnaiesContrats à terme perpétuelsVolatilitéApprentissage automatique
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 notebook transforme les classements de prévisions des paires de devises en une stratégie de référence négociée. À chaque instant de décision, il forme des portefeuilles long et short de même taille à partir des paires les mieux et les moins bien classées,…

Marché des changesTrading par pairesBacktestConstruction de portefeuille
Machine Learning for Trading

Ce script de validation met à l’épreuve un processus de recherche réduit sur les contrats à terme CME, des prévisions du modèle aux pondérations de portefeuille et au backtesting. Il vérifie que les prévisions couvrent exactement les clés attendues de…

Contrats à termeBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook compare deux architectures Transformer pour prévoir les rendements ETF sur 21 jours à partir de caractéristiques de momentum passées. PatchTST regroupe les jours consécutifs en segments, plaçant une courte séquence de formes locales dans chaque…

ActionsApprentissage automatiqueMomentumBacktest
Machine Learning for Trading

Ce notebook entraîne un modèle Skip-gram Word2Vec sur un petit corpus d’actualités financières annotées en sentiment et examine ce que révèlent ses voisins les plus proches. La méthode représente les mots selon les contextes dans lesquels ils apparaissent.…

Apprentissage automatiqueSentiment de marchéStatistiques