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

370 documents

Machine Learning for Trading

Cette analyse exploratoire décrit un panel quotidien de fonds négociés en bourse répartis en neuf groupes. Elle vérifie la couverture des symboles au fil du temps, compare le panel au dictionnaire de classification, examine les valeurs manquantes et les…

ActionsConstruction de portefeuilleExécution des ordresGestion des risques
Machine Learning for Trading

Cette analyse applique une analyse en composantes principales fondée sur les corrélations aux rendements de fonds négociés en bourse sectoriels. La standardisation des rendements avant la décomposition donne à chaque secteur une variance unitaire ; les…

ActionsInvestissement factorielStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce document décrit les principes d’implémentation d’un moteur de backtest commun et explique comment interpréter correctement les grilles de rendements pour annualiser la performance. Il estime la fréquence d’échantillonnage observée à partir des intervalles…

BacktestGestion des risquesStatistiquesConstruction de portefeuille
Machine Learning for Trading

Cette expérience combine les prédictions de validation d’un modèle d’arbres à gradient boosté, d’un réseau neuronal tabulaire et d’un modèle à facteurs latents pour le classement mensuel des ETF. Elle standardise d’abord les prédictions transversalement à…

Multi-actifsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce tutoriel transforme des signaux transversaux ETF en portefeuilles long-only, équipondérés et composés des dix premières positions, puis compare la régression Ridge et la classification logistique à des références fondées sur le momentum et…

ActionsBacktestExécution des ordresConstruction de portefeuille
Machine Learning for Trading

Le carnet présente la valeur à risque comme un quantile de perte et la valeur à risque conditionnelle, ou perte attendue, comme la perte moyenne au-delà de ce seuil. Il estime le risque de queue sur une journée pour un vaste ETF d’actions au moyen de quatre…

ActionsVolatilitéGestion des risquesStatistiques
Machine Learning for Trading

Ce notebook présente la parité des risques hiérarchique comme une solution de remplacement à l’allocation moyenne-variance lorsque les estimations de covariance sont bruitées. HRP regroupe les actifs selon leurs distances de corrélation, les ordonne selon la…

Construction de portefeuilleGestion des risquesBacktestActions
Machine Learning for Trading

Ce notebook présente un inventaire, établi à partir de plusieurs études de cas, des caractéristiques financières construites et du coefficient d’information le plus élevé dans le registre pour chaque étude de marché. Il dénombre les caractéristiques et les…

Multi-actifsStatistiquesApprentissage automatiqueConstruction de portefeuille
Machine Learning for Trading

Ce notebook convertit les prédictions de paires FX en résultats de trading de référence. À chaque instant de décision, il classe les paires, prend des positions longues et courtes de même taille, puis exécute les configurations de prédiction et les points de…

Marché des changesBacktestConstruction de portefeuilleDimensionnement des positions
Machine Learning for Trading

Ce notebook compare deux simulations de la même stratégie mensuelle de momentum ETF. Elles utilisent les mêmes pondérations cibles, univers, dates et coûts de trading totaux. L’une calcule les rendements à partir des pondérations retardées et des rendements…

ActionsMomentumBacktestExécution des ordres
Machine Learning for Trading

Ce notebook compare quatre allocations de référence ETF à l’aide de périodes de crises historiques, de chocs simultanés sur les actifs définis manuellement, de simulations de Monte-Carlo de Student-t et de statistiques par régime de marché. Il explique la…

Multi-actifsGestion des risquesConstruction de portefeuilleVolatilité
Machine Learning for Trading

Ce notebook définit une méthode pour évaluer un modèle challenger en mode shadow avant de lui allouer du capital. Il compare les prédictions enregistrées d’un modèle de référence fixe et d’un candidat, construit des portefeuilles long-short classés et…

Apprentissage automatiqueGestion des risquesBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook construit un allocateur LSTM qui transforme directement des caractéristiques récentes de rendement et de volatilité ETF en pondérations de portefeuille exclusivement longues. Une sortie softmax maintient des pondérations non négatives et un…

Apprentissage automatiqueConstruction de portefeuilleBacktestGestion des risques
Machine Learning for Trading

Ce script rassemble les positions institutionnelles à partir des déclarations SECF de 13 de deux façons : il peut récupérer les déclarations d’un ensemble de gestionnaires sélectionnés ou télécharger les fichiers trimestriels en masse de SEC. Les deux voies…

ActionsStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce carnet décrit une politique de portefeuille ETF de bout en bout, conçue pour améliorer les performances dans différentes conditions de marché. Elle comprend des caractéristiques de rendement et de tendance normalisées par la volatilité, un modèle fondé…

Multi-actifsConstruction de portefeuilleApprentissage automatiqueGestion des risques
Machine Learning for Trading

Ce carnet de synthèse compare la pondération égale, l’inverse de la volatilité, l’optimisation moyenne-variance et la parité du risque hiérarchique à partir d’un signal commun appliqué à un univers ETF diversifié. Un modèle Ridge glissant utilise des…

Construction de portefeuilleBacktestActionsExécution des ordres
Machine Learning for Trading

Ce carnet isole l’allocation de portefeuille en fixant le signal sélectionné pour chaque étude de cas et en comparant les backtests au stade de l’allocation. Il examine notamment la pondération égale, l’inverse de la volatilité, la pondération par score,…

Construction de portefeuilleBacktestGestion des risquesStatistiques
Machine Learning for Trading

Ce carnet compare des méthodes d’allocation de portefeuille entre études de cas en maintenant fixe la prédiction de signal sélectionnée pour chacune. Il charge des backtests au stade de l’allocation liés à la même prédiction de référence, puis examine des…

Construction de portefeuilleBacktestGestion des risquesStatistiques
Machine Learning for Trading

Ce carnet compare la recherche structurée de type graphe à la recherche vectorielle fondée sur les plongements, à partir des positions institutionnelles déclarées dans les formulaires 13F. Il construit un instantané des positions à une date donnée et à une…

ActionsApprentissage automatiqueStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce carnet compare les allocations de portefeuille de PyPortfolioOpt, Riskfolio-Lib et skfolio à partir du même panel de rendements ETF. Il ajuste les méthodes d’allocation sur une période d’entraînement, vérifie que des objectifs équivalents et des…

Multi-actifsConstruction de portefeuilleBacktestExécution des ordres