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

201 documents

Machine Learning for Trading

Ce notebook teste si quatre stratégies de portefeuilles gérés expliquent les rendements de SPY après contrôle de la coévolution générale des ETF. Les stratégies classent les ETF selon le momentum retardé, la volatilité ou les rendements récents. Dix…

Investissement factorielApprentissage automatiqueStatistiquesMomentum
Machine Learning for Trading

Ce document présente le panel mensuel d’actions US de Chen, Pelger et Zhu, utilisé pour comparer des modèles de valorisation des actifs. Il décrit 46 caractéristiques d’entreprises regroupées par thème économique, les rendements excédentaires du mois suivant…

ActionsMarchés américainsInvestissement factorielStatistiques
Machine Learning for Trading

Ce notebook explique la PCA à prime de risque, qui modifie la matrice de covariance des rendements en ajoutant le produit extérieur pondéré des rendements moyens de la période d’entraînement. Ses vecteurs propres principaux définissent des portefeuilles…

Investissement factorielStatistiquesConstruction de portefeuilleBacktest
Machine Learning for Trading

Cet utilitaire décrit une méthode pour expliquer les rendements d’une stratégie avec les modèles Fama-French à trois ou cinq facteurs, avec la possibilité d’inclure le momentum. Il aligne les données quotidiennes des facteurs sur les rendements de la…

Investissement factorielStatistiquesGestion des risquesConstruction de portefeuille
Machine Learning for Trading

Ce notebook évalue les rendements factoriels publiés comme éléments potentiels de portefeuille. Il examine trois questions : le rendement moyen d’un facteur dépasse-t-il un seuil statistique exigeant, les facteurs se diversifient-ils mutuellement pour des…

Investissement factorielStatistiquesConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Le document présente les facteurs latents comme des moteurs communs des rendements, inférés à partir des co-mouvements entre contrats à terme plutôt que fournis comme prédicteurs nommés. Il compare deux approches ajustées au sein de chaque pli…

Contrats à termeInvestissement factorielApprentissage automatiqueConstruction de portefeuille
Machine Learning for Trading

Ce notebook explique comment la recherche parmi de nombreux facteurs ou stratégies gonfle la performance apparente du meilleur candidat, même lorsque les estimations individuelles sont correctement calculées. Un ensemble simulé de facteurs aléatoires montre…

StatistiquesInvestissement factorielBacktestGestion des risques
Machine Learning for Trading

PCA avec prime de risque modifie la matrice de covariance en lui ajoutant un produit extérieur pondéré du vecteur des rendements moyens d’entraînement. Ses vecteurs propres dominants définissent des portefeuilles factoriels statiques : on retrouve PCA…

Investissement factorielStatistiquesApprentissage automatiqueBacktest
Machine Learning for Trading

Ce notebook applique l’analyse en composantes principales à un sous-ensemble liquide d’actions US afin de construire des portefeuilles propres normalisés en exposition brute et d’étudier leur rôle comme facteurs de risque latents. Il examine la variance…

ActionsInvestissement factorielStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook présente un modèle de facteur d’actualisation stochastique pour valoriser une coupe transversale d’ETF. Au lieu d’estimer séparément les expositions des fonds et les rendements des facteurs, il entraîne des réseaux à trouver une série commune de…

Apprentissage automatiqueInvestissement factorielStatistiquesActions
Machine Learning for Trading

Cet utilitaire de données facilite l’utilisation du jeu de données de valorisation de Chen, Pelger et Zhu, qui comprend les rendements boursiers, les caractéristiques des entreprises, des séries macroéconomiques et des tenseurs de caractéristiques…

ActionsInvestissement factorielApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook compare les éléments probants issus de modèles prédictifs, structurels et causaux dans une étude transversale du S&P 500, qui combine des caractéristiques d’actions et des mesures dérivées des options, telles que la volatilité implicite, le skew…

ActionsOptionsApprentissage automatiqueInvestissement factoriel
Machine Learning for Trading

Ce notebook présente PCA comme une référence à facteurs latents sans caractéristiques pour prévoir les rendements de ETF. Il décompose, pour chaque étiquette, la matrice des rendements sur la fenêtre d’entraînement, puis assemble les prévisions à partir…

Investissement factorielApprentissage automatiqueStatistiquesBacktest