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

Ce module d’allocation partagé transforme les prévisions transversales en pondérations de portefeuille. Il classe les actifs selon leur score pour sélectionner des positions longues ou les paniers long et short composés des actifs les mieux et les moins bien…

Construction de portefeuilleDimensionnement des positionsGestion des risquesStatistiques
Machine Learning for Trading

Ce module définit un objectif différentiable pour l’apprentissage de portefeuille de bout en bout. Il transforme des pondérations de risque limitées au niveau des actifs en expositions du portefeuille à l’aide d’un ajustement par la volatilité, calcule les…

Apprentissage automatiqueConstruction de portefeuilleGestion des risquesExécution des ordres
Machine Learning for Trading

Ce notebook établit une référence au stade du signal pour évaluer les prévisions du modèle sur les contrats à terme CME. À chaque décision hebdomadaire, il classe les produits selon leur rendement prédit, achète le groupe de tête, vend à découvert celui de…

Contrats à termeBacktestConstruction de portefeuilleExécution des ordres
Machine Learning for Trading

Cette configuration définit une expérience de classement et de rééquilibrage long uniquement sur des ETF. Elle couvre un vaste univers de 100 ETF, avec des expositions aux actions, obligations, matières premières et régions ; les décisions sont mensuelles et…

ActionsMulti-actifsBacktestExécution des ordres
Machine Learning for Trading

Ce notebook teste si le dimensionnement des positions fondé sur un modèle améliore la pondération égale dans une stratégie fondée sur les caractéristiques d’entreprises US. Il compare la pondération par score, qui alloue davantage aux titres dont les scores…

ActionsDimensionnement des positionsConstruction de portefeuilleBacktest
Machine Learning for Trading

Cet outil d’analyse partagé permet de comparer les prédictions de modèles de trading au moyen des métriques du registre et de diagnostics au niveau des prédictions. Il charge des résultats précalculés de coefficients d’information, permet de filtrer par…

StatistiquesBacktestApprentissage automatiqueConstruction de portefeuille
Machine Learning for Trading

Ce document explique une référence de validation pour les prédictions de modèles sur les contrats à terme CME. À chaque décision hebdomadaire, les produits sont classés selon le rendement prédit ; le groupe de tête est détenu à l’achat et celui du bas à la…

Contrats à termeBacktestConstruction de portefeuilleGestion des risques
Machine Learning for Trading

Ce notebook présente un cadre d’évaluation d’un backtest d’allocation sur ETF à partir des rendements quotidiens du portefeuille et d’un indice de référence SPY assorti. Il couvre les mesures de risque et de rendement comme les ratios de Sharpe, Sortino et…

BacktestConstruction de portefeuilleGestion des risquesStatistiques
Machine Learning for Trading

Ce notebook compare des règles de pondération de portefeuille pour une stratégie sur options S&P 500 qui vend des straddles. Il conserve les symboles sélectionnés et les autres paramètres de stratégie, tout en remplaçant la référence à pondération égale par…

OptionsActionsConstruction de portefeuilleDimensionnement des positions
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 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 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

Ce notebook compare des overlays de risque dans plusieurs backtests d’études de cas, notamment des règles de stop, de stop suiveur, de limite de perte, de déclencheur de drawdown et de ciblage de volatilité. Il charge les résultats d’overlay de chaque étude,…

Gestion des risquesBacktestConstruction de portefeuilleStatistiques
Machine Learning for Trading

Ce notebook suit des signaux de classement ETF depuis leur formation jusqu’à leur portefeuille et à un backtest simplifié. Des régressions ridge et des classifications logistiques sont entraînées par validation walk-forward, puis comparées à des…

ActionsApprentissage automatiqueBacktestExécution des ordres
Machine Learning for Trading

Ce notebook montre comment utiliser un réseau de corrélations estimé sur une fenêtre donnée pour décrire un univers d’actions et construire un portefeuille diversifié par réseau. Il sélectionne les symboles liquides à partir des seules données disponibles…

ActionsConstruction de portefeuilleStatistiquesGestion des risques
Machine Learning for Trading

Ce notebook construit un allocateur LSTM qui transforme directement des séquences de rendements ETF et des variables de volatilité glissante en pondérations de portefeuille exclusivement acheteuses. Une sortie softmax maintient des pondérations non négatives…

Apprentissage automatiqueConstruction de portefeuilleBacktestGestion 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 applique une stratégie mensuelle de momentum ETF et de régime de courbe des taux de deux façons : par calcul vectorisé des rendements et par simulation séquentielle d’un compte. Les deux approches utilisent les mêmes pondérations cibles, actifs,…

ActionsMomentumBacktestExécution des ordres
Machine Learning for Trading

Ce document décrit l’architecture d’un réseau neuronal de décision qui transforme des séries temporelles par actif et leur contexte en pondérations de risque de portefeuille bornées. Son architecture de base, appliquée à chaque actif, associe des…

Apprentissage automatiqueConstruction de portefeuilleGestion des risquesActions
Machine Learning for Trading

Ce notebook compare des méthodes de dimensionnement de portefeuille pour les configurations de signaux actions S&P 500. Il sélectionne d’abord, pour chaque configuration, le point de contrôle le plus performant couvrant toutes les observations prévues selon…

ActionsConstruction de portefeuilleDimensionnement des positionsBacktest