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.
1,030 documents
L’étude examine les fondements statistiques des bandes de Bollinger en les reliant à un modèle de séries temporelles par régression glissante. Elle applique le cadre au trading par paires et déduit une relation entre la durée des transactions et les…
Ce document décrit une stratégie active qui répartit l’allocation entre des portefeuilles d’actions équipondérés et pondérés par la capitalisation. Elle part du constat que l’équipondération a souvent surperformé sur de longues périodes, mais peut être à la…
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…
Cette analyse préliminaire applique un processus d’Ornstein–Uhlenbeck pour modéliser les écarts entre des actions appariées dans le cadre d’une stratégie de trading de retour à la moyenne. Elle compare cette approche à une méthode plus simple qui estime la…
Cette étude analyse 4,000 portefeuilles de trading d’actions américaines réels, avec des périodes de détention d’environ 0.7 à 19 jours de trading. Elle indique que les cents par action varient en sens inverse de la rotation du portefeuille, tandis que les…
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…
Ce travail décrit des stratégies de trading systématique pilotées par des indicateurs de crise dérivés des spectres de matrices de covariance ou de corrélation. Une famille d’indicateurs compare la distribution des valeurs propres de chaque date à une…
Cette étude teste une stratégie de trading par paires sur les prix au comptant de 17 matières premières indiennes, dans les secteurs de l’énergie, des métaux et de l’agriculture, de 2010 à 2018. Des tests de cointégration de Johansen sur l’échantillon…
Cet article teste l’utilité du modèle de volatilité locale pour couvrir des options vanilles AUD/USD. La volatilité locale étend Black-Scholes en permettant à la volatilité de dépendre du temps et du taux de change sous-jacent ; elle peut être calibrée sur…
Le document décrit une méthode fondée sur les données et une fenêtre glissante pour résoudre un problème de portefeuille log-optimal. Au lieu d’attribuer un jeu fixe de pondérations, l’approche produit des pondérations qui évoluent dans le temps. Elle permet…
Cette étude construit une méthode d’arbitrage statistique à partir d’un modèle factoriel conditionnel appliqué à un portefeuille de US actions. Un modèle espace-état traite les rendements comme des combinaisons bruitées de valeurs factorielles et de primes…
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.…
L’étude examine pourquoi les rendements du suivi de tendance à court terme se sont affaiblis depuis environ 2009. Elle analyse une coupe transversale de contrats à terme liquides sur la période 1995–2025, ainsi qu’un indicateur de substitution CTA, en…
L’article évalue si des signaux macroéconomiques et de marché peuvent déterminer le moment des allocations entre des paniers de ETF de croissance et défensifs. Il présente la tâche comme une allocation de styles plutôt que comme la découverte d’un nouveau…
Cette étude compare les modèles de volatilité historique, de moyenne mobile exponentielle ARCH, GARCH et EGARCH à partir des cours au comptant du Bitcoin. Elle rapporte que GARCH et EGARCH surpassent les autres modèles pour l’ajustement en échantillon comme…
L’article développe des procédures bootstrap pour l’inférence fondée sur la vraisemblance dans les modèles de durée conditionnelle autorégressive. Comme les observations sont des durées enregistrées sur un intervalle fixe, leur nombre peut être aléatoire ;…
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…
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…
Cette étude examine si les archives publiques des contrats à terme perpétuels Binance BTCUSDT permettent une recherche factorielle valide en respectant l’information disponible à chaque instant. Elle distingue les heures de l’événement, de publication et de…
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’article présente les réseaux Deep Momentum, qui combinent apprentissage profond et cadre de mise à l’échelle de la volatilité utilisé pour le momentum des séries temporelles. Un réseau neuronal apprend simultanément les estimations de tendance et la taille…
L’article propose Mid-LSTM, un modèle d’apprentissage profond conçu pour prévoir les cours des actions à moyen terme en tenant compte des anomalies de marché. Sa conception représente les tendances du marché par des états cachés. L’approche décrite formule…