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 compare la prédiction conforme scindée, la régression quantile conformisée et l’inférence conforme adaptative pour prévoir les rendements futurs des ETF. Dans des découpages walk-forward, il entraîne le modèle sur un sous-ensemble, calibre les…

ActionsApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook évalue des prédictions de validation sous forme de portefeuilles d’actions acheteurs uniquement, en sélectionnant les K premières valeurs à poids égal selon un calendrier de décision déterminé par la fréquence de chaque étiquette. Il vérifie…

ActionsOptionsBacktestConstruction de portefeuille
Machine Learning for Trading

Ce document décrit comment convertir des enregistrements d’entités datés en tableaux pour des études de facteurs latents. Une méthode conserve uniquement les entités qui atteignent un seuil de couverture déterminé à partir d’un jeu de données…

Investissement factorielConstruction de portefeuilleStatistiques
Machine Learning for Trading

Ce module utilitaire partagé fournit un pipeline commun de boosting de gradient pour la recherche quantitative. Il définit des préréglages de capacité et associe des noms de paramètres canoniques aux réglages correspondants de LightGBM, XGBoost, CatBoost et…

Apprentissage automatiqueBacktestConstruction de portefeuille
Machine Learning for Trading

Le notebook utilise SHAP pour expliquer au niveau des jetons les probabilités de sentiment financier de FinBERT réparties en trois classes. Il fixe un point de contrôle du modèle, aligne explicitement les étiquettes de sortie, puis examine quels jetons…

Apprentissage automatiqueSentiment de marché
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

Cette étude de cas compare des modèles séquentiels sur un panel de caractéristiques d’actions et d’options de l’indice S&P 500. Elle associe un LSTM, qui conserve un état contrôlé sur une fenêtre rétrospective, à une référence N-Linear qui retire le dernier…

ActionsOptionsApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook explique l’architecture en cinq parties de TimeGAN : un réseau d’incorporation et un réseau de reconstruction font le lien entre les observations brutes et l’espace latent, un superviseur apprend les transitions temporelles, et un générateur et…

Apprentissage automatiqueActionsStatistiquesBacktest
Machine Learning for Trading

Ce notebook compare les ratios de Sharpe brut et net sur des balayages de coûts de stratégie issus de backtests d’études de cas. Pour chaque configuration de stratégie déployée, il lit dans les artefacts enregistrés le coût supposé par jambe et la fréquence…

BacktestGestion des risquesExécution des ordresStatistiques
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 convertit des fenêtres glissantes de rendements ETF en images à deux canaux pour un réseau neuronal convolutif. Le champ de sommation angulaire de Gramian redimensionne les valeurs de chaque fenêtre, les convertit en angles et enregistre les…

Apprentissage automatiqueStatistiquesActionsBacktest
Machine Learning for Trading

Ce notebook mesure comment les performances de validation d’une stratégie sélectionnée sur les caractéristiques des entreprises US évoluent lorsque les commissions et le slippage supposés varient. Il relance la même configuration sur une grille de coûts…

ActionsBacktestExécution des ordresGestion des risques
Machine Learning for Trading

Ce notebook décrit comment produire des prévisions pour une période test intacte après avoir choisi une configuration sur les données de validation. Il résout la configuration sélectionnée, reconstruit sa spécification d’entraînement pour la période test et…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Cette configuration décrit une étude intrajournalière des signaux de flux d’ordres sur un univers NASDAQ-100 défini à chaque instant. Elle définit un sous-ensemble filtré selon les coûts à partir des informations de liquidité disponibles avant chaque période…

ActionsMarchés américainsMicrostructure des marchésApprentissage automatique
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 notebook construit un agent de prévision qui alterne raisonnement et actions dans une boucle ReAct. Son espace d’action est volontairement restreint : l’agent peut rechercher des éléments probants ou soumettre une prévision probabiliste. Une interface…

Apprentissage automatiqueSentiment de marchéStatistiques
Machine Learning for Trading

Ce notebook décrit comment produire des prédictions hors échantillon pour une configuration de modèle sélectionnée sur contrats à terme CME. La configuration est choisie à partir des résultats de validation, puis le modèle est réajusté sur des données qui…

Contrats à termeBacktestApprentissage automatiqueGestion des risques
Machine Learning for Trading

Ce notebook présente Tail-GAN, une approche antagoniste générative pour créer des scénarios de rendements financiers en ciblant la valeur à risque (VaR) et la perte attendue (ES). Le tri différentiable permet aux gradients de traverser les estimations de…

Apprentissage automatiqueGestion des risquesVolatilitéConstruction de portefeuille