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

137 documents

Machine Learning for Trading

Cette analyse profile un univers fixe de 100 ETF répartis en neuf groupes d’actifs. Elle vérifie la couverture par fonds et par année, confirme que le panel de prix correspond à la configuration des groupes, examine les valeurs nulles et l’ordre OHLC, et…

Multi-actifsStatistiquesGestion des risquesBacktest
Machine Learning for Trading

Ce notebook construit un cadre moyenne-variance investi à 100 % et uniquement acheteur pour un univers diversifié d’ETF. Il construit des portefeuilles réalisables et une frontière efficiente, puis calcule les pondérations de Sharpe maximal et de variance…

Multi-actifsConstruction de portefeuilleStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook compare des modèles linéaires pour prévoir les rendements ETF à partir de caractéristiques de prix qui se chevauchent. Comme plusieurs horizons de rendement et familles d’indicateurs peuvent encoder des informations similaires, les moindres…

ActionsMulti-actifsApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook compare six allocations long-only pour un univers multi-actifs d’ETF. Il utilise le shrinkage de covariance de Ledoit–Wolf afin de réduire la variation d’échantillonnage susceptible de déstabiliser l’optimisation, et compare le Sharpe maximal, la…

Construction de portefeuilleGestion des risquesMulti-actifsBacktest
Machine Learning for Trading

Ce notebook montre comment utiliser PCMCI pour rechercher des relations décalées entre les rendements de ETF et ceux de la volatilité, sans définir au préalable de graphe causal. Il oppose les tests d’indépendance conditionnelle fondés sur un panel aux tests…

Apprentissage automatiqueStatistiquesMulti-actifsBacktest
Machine Learning for Trading

Cette configuration définit un univers de recherche hebdomadaire sur les contrats à terme couvrant les indices boursiers, les obligations d’État, l’énergie, les métaux, les devises, les produits agricoles et l’élevage. Elle fixe le règlement du vendredi…

Contrats à termeMulti-actifsStratégies de portageMomentum
Machine Learning for Trading

Ce guide de jeu de données décrit un ensemble de contrats à terme continus CME couvrant les indices boursiers, les taux, l’énergie, les métaux, les devises, les produits agricoles et l’élevage. Il présente les données horaires sources et la fréquence…

Contrats à termeMulti-actifsMatières premièresBacktest
Machine Learning for Trading

Ce notebook compare des modèles linéaires sur des caractéristiques ETF construites à partir de fenêtres de rendements qui se chevauchent et de mesures connexes de momentum, de volatilité et d’oscillateurs. Ces prédicteurs sont colinéaires, ce qui rend…

Multi-actifsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce chapitre cartographie les données financières issues des marchés, des fondamentaux et de sources alternatives, puis compare la manière dont les classes d’actifs déterminent le sens des prix, de la liquidité et des observations. Il souligne que les…

Multi-actifsStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook inventorie les colonnes de caractéristiques fondées sur des modèles dans neuf études de cas de marché en lisant les schémas Parquet plutôt qu’en chargeant les jeux de données complets. Il exclut les champs d’identifiants, compte les colonnes par…

Apprentissage automatiqueStatistiquesMulti-actifs
Machine Learning for Trading

Cet enregistrement documente une recherche multi-agents sur la possibilité que les États-Unis entrent en récession d’ici la fin de 2026, selon une règle de résolution définie à partir de contractions trimestrielles consécutives du GDP ou d’une date de…

StatistiquesMarchés américainsMulti-actifs
Machine Learning for Trading

Ce notebook utilise un modèle de mélange gaussien pour regrouper les mois selon le comportement conjoint de neuf séries de rendements factoriels et de classes d’actifs. Il standardise les observations mensuelles, écarte les mois contenant des valeurs…

Investissement factorielApprentissage automatiqueStatistiquesMulti-actifs
Machine Learning for Trading

Ce document décrit un jeu de données quotidien ETF conçu comme un ensemble de candidats pour la recherche sur le momentum et multi-actifs. Il couvre neuf catégories, dont les actions US et internationales, les titres à revenu fixe, les matières premières,…

Multi-actifsMomentumActionsTitres à revenu fixe
Machine Learning for Trading

Ce notebook élabore des variables nécessitant plusieurs séries d’actifs. Il compare les tests de cointégration d’Engle-Granger et de Johansen, explique pourquoi une simple coévolution n’implique pas un écart stationnaire et estime les ratios de couverture…

Multi-actifsTrading par pairesRetour à la moyenneStatistiques
arXiv papers

Le document décrit l’utilisation de l’algorithme Graph-based Coalition Structure Generation, GCS-Q, pour regrouper des actifs représentés par un graphe pondéré et signé de corrélations de rendement. La motivation est que les approches courantes de…

Multi-actifsConstruction de portefeuilleStatistiquesApprentissage automatique
arXiv papers

Le document étudie l’investissement à long terme dans un modèle factoriel stochastique où les investisseurs maximisent l’utilité puissance espérée robuste. La robustesse consiste à prendre en compte un modèle alternatif défavorable, plutôt qu’à optimiser…

Multi-actifsGestion des risquesConstruction de portefeuilleStatistiques
arXiv papers

Cette étude examine la répartition de stratégies de suivi de tendance entre plusieurs actifs dont les rendements peuvent être corrélés. Sous des hypothèses de marché gaussien et de stratégies linéaires, elle déduit des formules pour la moyenne et la variance…

Suivi de tendanceConstruction de portefeuilleStatistiquesMulti-actifs
arXiv papers

DeepUnifiedMom est un cadre de construction de portefeuille qui combine des signaux de momentum de séries temporelles sur plusieurs horizons. Il utilise l’apprentissage multitâche et une architecture de mélange d’experts à portes multiples pour former des…

MomentumApprentissage automatiqueConstruction de portefeuilleMulti-actifs
arXiv papers

L’article analyse la formation des prix d’équilibre d’un actif positif à retour vers la moyenne en temps continu, lorsque les investisseurs divergent sur la vitesse de ce retour et sur la moyenne de long terme de l’actif. Son résultat central établit une…

Retour à la moyenneStatistiquesMulti-actifs
arXiv papers

Ce travail relie la volatilité rugueuse observée sur les actifs financiers aux dynamiques microscopiques qui lient plusieurs prix d’actifs. Alors que de nombreux travaux de modélisation antérieurs portent sur un seul actif, les auteurs étudient comment des…

Multi-actifsVolatilitéMicrostructure des marchésStatistiques
arXiv papers

Le document décrit une méthode pour décomposer les séries temporelles financières en processus opérant à différentes échelles de temps. Il formule cette séparation comme des problèmes de valeurs propres généralisées et utilise des critères fondés sur la…

StatistiquesRetour à la moyenneGestion des risquesMulti-actifs