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

Ce notebook compare DQN, PPO et A2C dans un environnement de trading simulé commun, calibré sur les rendements horaires des contrats à terme perpétuels sur Bitcoin. Un modèle GARCH(1,1) produit le regroupement de volatilité ; l’environnement facture les…

Apprentissage automatiqueCryptomonnaiesContrats à terme perpétuelsVolatilité
Machine Learning for Trading

Ce notebook compare plusieurs façons de sortir de positions acheteuses sur ETF : objectifs et stops fixes, stops suiveurs, seuils ajustés selon ATR, signaux d’apprentissage automatique et combinaisons. Il construit des indicateurs et des simulations de…

ActionsGestion des risquesDimensionnement des positionsVolatilité
Machine Learning for Trading

Ce notebook explique comment examiner un panel fourni de séries économiques de FRED et interpréter sa grille calendaire, ses métadonnées et ses colonnes dérivées. Comme le panel a été aplati sur un calendrier quotidien, le nombre de lignes masque les…

Multi-actifsTitres à revenu fixeVolatilitéStatistiques
Machine Learning for Trading

Ce notebook traite les prévisions ARIMA comme des colonnes d’entrée pour des modèles ultérieurs, et non comme des prédictions autonomes. Il ajuste des modèles aux rendements ETF, utilise des tests de stationnarité et des diagnostics d’autocorrélation pour…

ActionsApprentissage automatiqueStatistiquesBacktest
Machine Learning for Trading

Ce document présente deux méthodes d’estimation des spreads bid-ask lorsque seules des données journalières OHLCV sont disponibles. Corwin-Schultz compare les amplitudes haut-bas sur des intervalles adjacents d’un et deux jours, en s’appuyant sur le…

Microstructure des marchésStatistiquesExécution des ordresVolatilité
Machine Learning for Trading

Ce notebook présente une méthode pour caractériser les séries de marché avant leur modélisation. Il commence par des graphiques des prix et rendements de SPY, des niveaux de VIX et de la distribution des rendements afin de repérer les tendances, les…

ActionsStatistiquesVolatilitéGestion des risques
Machine Learning for Trading

Ce notebook utilise les rendements quotidiens SPY pour expliquer l’analyse dans le domaine fréquentiel et ses limites comme source de caractéristiques de trading. Une décomposition en ondelettes sépare les variations en bandes correspondant à des échelles de…

ActionsStatistiquesVolatilitéIndicateurs techniques
Machine Learning for Trading

Ce notebook explique comment l’incertitude d’un modèle peut apporter des informations au-delà d’une estimation ponctuelle. Il ajuste un modèle de volatilité stochastique dans lequel le logarithme de la volatilité latente évolue dans le temps et les…

VolatilitéApprentissage automatiqueStatistiquesGestion des risques
Machine Learning for Trading

Cette analyse exploratoire présente les contrats d’options et la structure des chaînes, puis décrit un échantillon 2020 d’options S&P 500 sur huit actifs sous-jacents. Elle explique la position dans la monnaie, la valeur intrinsèque et la valeur temps, la…

OptionsActionsVolatilitéÉvaluation des dérivés
Machine Learning for Trading

Ce chapitre présente la gestion des risques comme un élément de la conception des stratégies et des opérations en trading réel. Il couvre la mesure du risque extrême avec la valeur à risque et la valeur à risque conditionnelle, l’ampleur et la récupération…

Gestion des risquesVolatilitéBacktestConstruction de portefeuille
Machine Learning for Trading

Ce notebook construit des indicateurs à partir de données NASDAQ-100 à la minute en utilisant trois méthodes : une régression autorégressive hétérogène glissante pour prévoir la variance à court terme, une transformée de Fourier pour décrire la structure…

ActionsVolatilitéApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook compare des mesures de volatilité, ajuste un modèle autorégressif hétérogène (HAR) et estime la rugosité à l’aide des exposants de Hurst. Il compare d’abord la variance réalisée intrajournalière aux estimateurs quotidiens, en distinguant les…

VolatilitéStatistiquesIndicateurs techniquesBacktest
Machine Learning for Trading

Ce chapitre présente des méthodes classiques de génération de données financières synthétiques : processus de prix en temps continu, volatilité GARCH, rééchantillonnage bootstrap et comparaison de modèles. Il décrit comment le mouvement brownien géométrique,…

StatistiquesVolatilitéGestion des risquesBacktest
Machine Learning for Trading

Ce document explique comment réduire de grandes chaînes d’options du S&P 500 en jeux de données quotidiens par symbole destinés à la recherche. Le résumé de surface sélectionne les options les plus proches des deltas absolus cibles au sein de tranches…

OptionsVolatilitéÉvaluation des dérivés
Machine Learning for Trading

Cette étude de cas évalue des straddles vendeurs à la monnaie sur les constituants du S&P 500, ouverts chaque semaine et conservés jusqu’à l’échéance avec couverture delta quotidienne. Son principal choix méthodologique consiste à modéliser les rendements à…

OptionsVolatilitéBacktestExécution des ordres
Machine Learning for Trading

Ce notebook décrit l’adaptation de Diffusion-TS pour générer des séquences synthétiques de rendements ETF. Son débruiteur prédit la séquence propre comme une somme de composantes de tendance polynomiale, de saisonnalité de Fourier et de résidus, tandis…

Apprentissage automatiqueStatistiquesVolatilitéMulti-actifs
Machine Learning for Trading

Ce notebook construit des labels de rendement futur pour des straddles courts à la monnaie sur des actions du S&P 500. Puisque le straddle nominal à 30 jours du panel quotidien représente un contrat différent à chaque séance, décaler une série de prix…

OptionsVolatilitéÉvaluation des dérivésStatistiques
Machine Learning for Trading

Ce notebook présente un GAN Sig-Wasserstein non conditionnel pour générer des séries temporelles financières. Il remplace un discriminateur entraîné à distinguer le réel du généré par une distance fondée sur les signatures attendues des trajectoires, des…

Apprentissage automatiqueStatistiquesActionsVolatilité