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

390 documents

Machine Learning for Trading

Le notebook explique comment distinguer les variations continues des prix et les sauts dans les rendements intrajournaliers des actions. Il estime la variance réalisée quotidienne à partir des rendements au carré et utilise la variation bipuissance comme…

ActionsVolatilitéStatistiquesMicrostructure des marchés
Machine Learning for Trading

Ce cours compare des modèles stochastiques paramétriques et des méthodes bootstrap pour générer des trajectoires financières synthétiques. Il couvre le mouvement brownien géométrique, la diffusion par sauts, le retour à la moyenne, la volatilité stochastique…

StatistiquesVolatilitéGestion des risquesBacktest
Machine Learning for Trading

Ce carnet sélectionne des caractéristiques candidates pour une stratégie qui vend des options d’achat et de vente à la monnaie sur la même action, avec la même échéance, et conserve le straddle jusqu’à l’échéance. Pour chaque caractéristique, il mesure si…

OptionsActionsStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook construit des étiquettes de rendement futur pour des straddles courts à la monnaie sur des actions du S&P 500. Comme le panel quotidien de straddles à 30 jours passe chaque séance à un prix d’exercice ou à une échéance différents, une série de…

OptionsÉvaluation des dérivésVolatilitéBacktest
Machine Learning for Trading

Le notebook explique la valeur à risque (VaR), qui correspond à un quantile de perte, et la valeur à risque conditionnelle (CVaR), qui représente la moyenne des pertes au-delà de ce seuil. À partir de rendements quotidiens ETF, il compare des estimations…

Gestion des risquesVolatilitéBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook développe une tâche simulée de création de marché dans laquelle un agent PPO choisit le biais des cotations et la largeur du spread. La probabilité d’exécution diminue à mesure que les cotations s’éloignent du prix médian, tandis que le…

Tenue de marchéApprentissage automatiqueExécution des ordresMicrostructure des marchés
Machine Learning for Trading

Ce notebook pédagogique compare des méthodes de création d’étiquettes cibles pour des modèles de trading supervisés à partir de données ETF. Il couvre les rendements à horizon fixe et les étiquettes directionnelles, les percentiles glissants des séries…

Apprentissage automatiqueStatistiquesBacktestGestion des risques
Machine Learning for Trading

Ce notebook compare trois façons d’utiliser les régimes de marché pour la prévision : un modèle de référence sans variable de régime, un modèle unique auquel est fournie la probabilité filtrée d’un état volatil et des modèles distincts entraînés dans des…

ActionsApprentissage automatiqueStatistiquesVolatilité
Machine Learning for Trading

Ce notebook relie le dimensionnement des positions à l’analyse des excursions maximales défavorables et favorables. Il présente un dimensionnement à fraction fixe, où le nombre d’actions est déterminé par un budget de risque par transaction et la distance…

Dimensionnement des positionsGestion des risquesVolatilitéBacktest
Machine Learning for Trading

Le document déduit les prix des calls et puts européens selon Black-Scholes, vérifie leur relation par la parité put-call et calcule la volatilité implicite en résolvant numériquement l’équation pour obtenir la volatilité correspondant à un prix d’option…

OptionsÉvaluation des dérivésVolatilitéGestion des risques
Machine Learning for Trading

Ce module d’ingénierie des caractéristiques prépare les données quotidiennes de prix pour des modèles systématiques de portefeuille macro. Il crée des rendements par horizon ajustés à la volatilité estimée, plusieurs signaux MACD à plusieurs échelles et des…

Multi-actifsMomentumSuivi de tendanceVolatilité
Machine Learning for Trading

Ce tutoriel passe en revue les variables construites à partir des historiques de prix et de volume des actifs : rendements sur différents horizons, tendances et retournements, plusieurs estimateurs de volatilité, régimes de volatilité, liquidité, risque de…

Indicateurs techniquesMomentumVolatilitéApprentissage automatique
Machine Learning for Trading

Ce notebook présente trois façons de transformer les données du NASDAQ-100 à la minute en caractéristiques pour les modèles : une régression HAR glissante pour les prévisions de variance et leurs erreurs, une transformée de Fourier pour les profils de volume…

ActionsVolatilitéMicrostructure des marchésStatistiques
Machine Learning for Trading

Ce module estime les paramètres de marchés crypto simulés utilisés dans des environnements d’apprentissage par renforcement. Il charge les données horaires d’un marché perpétuel pour un symbole donné, calcule les rendements logarithmiques de clôture à…

CryptomonnaiesContrats à terme perpétuelsVolatilitéMicrostructure des marchés
Machine Learning for Trading

Ce document décrit un environnement Gymnasium pour entraîner un agent à liquider une position sur un horizon fixe. L’observation combine l’inventaire restant et le temps avec le spread, la profondeur du marché, la volatilité et un régime normal ou tendu. Une…

Apprentissage automatiqueExécution des ordresMicrostructure des marchésVolatilité
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 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

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