Cadre comparatif d’évaluation des stratégies de trading sur actions et crypto

Résumé

Le document présente un processus général pour concevoir, mettre en œuvre et évaluer des stratégies de trading algorithmique sur les marchés des actions et des cryptomonnaies. Il utilise quatre exemples : un croisement de moyennes mobiles, une approche d’exécution pondérée par le volume, le trading fondé sur le sentiment et l’arbitrage statistique. L’objectif est de systématiser davantage le développement et la comparaison des stratégies, au moyen d’une implémentation orientée objet destinée à faciliter les recherches ultérieures et les applications pratiques.

Le résumé décrit le processus et ses exemples de stratégies, mais ne fournit ni résultats de performance, ni jeux de données, ni indicateurs d’évaluation, ni détails d’implémentation. Il indique donc l’organisation du cadre sans établir quelle approche fonctionne le mieux ni si une stratégie est rentable. La discussion ne traite pas spécifiquement des coûts de transaction, des régimes de marché ou des contrôles du risque ; des éléments supplémentaires sont donc nécessaires avant de conclure à son adéquation aux conditions réelles.

Idées clés

• Un processus commun peut organiser la conception et l’évaluation des stratégies sur les marchés des actions et des cryptomonnaies.
• L’étude illustre sa démarche avec quatre méthodes portant sur les signaux techniques, l’exécution, le sentiment et les relations statistiques.
• Une structure d’évaluation cohérente peut systématiser la comparaison des approches de trading.
• Le résumé ne présente pas de performances empiriques ni assez de détails méthodologiques pour juger de l’efficacité pratique.

Étiquettes

# A Data Science Pipeline for Algorithmic Trading: A Comparative Study of Applications for Finance and Cryptoeconomics


# A Data Science Pipeline for Algorithmic Trading: A Comparative Study of Applications for Finance and Cryptoeconomics









Recent advances in Artificial Intelligence (AI) have made algorithmic trading play a central role in finance. However, current research and applications are disconnected information islands. We propose a generally applicable pipeline for designing, programming, and evaluating the algorithmic trading of stock and crypto assets. Moreover, we demonstrate how our data science pipeline works with respect to four conventional algorithms: the moving average crossover, volume-weighted average price, sentiment analysis, and statistical arbitrage algorithms. Our study offers a systematic way to program, evaluate, and compare different trading strategies. Furthermore, we implement our algorithms through object-oriented programming in Python3, which serves as open-source software for future academic research and applications.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.