Des tutoriels et leçons sur la finance quantitative et le trading algorithmique.

Un des avantages indéniables des régressions logistiques réside dans leur simplicité et leur efficacité à modéliser des relations linéaires entre les variables. Toutefois, le monde réel est peuplé de dynamiques bien plus complexes, souvent non linéaires, qui dépassent les capacités des modèles linéaires classiques. Face à cette réalité, il devient impératif d’explorer des algorithmes plus […]

Bonjour à tous ! Dans cet article, nous allons explorer un concept fascinant issu de la théorie de l’information, qui pourrait se révéler très utile dans le domaine du trading. Il s’agit de l’Information Mutuelle, ou MI pour “Mutual Information”. Comme son nom l’indique, l’Information Mutuelle mesure la quantité d’information partagée entre deux variables, disons

Cet article est complémentaire aux autres réalisés sur le mouvement brownien géométrique. Donc, si vous voulez en savoir plus, tout est dans l’onglet ‘Articles’ du site. Ce code exemplifie l’application pratique des techniques de finance quantitative pour estimer les fluctuations futures des prix des actions et mesurer les risques associés à des investissements spécifiques. En

Mouvement Brownien (Processus de Wiener) Le mouvement brownien, également appelé processus de Wiener, est un exemple fondamental de processus stochastique. Il est nommé d’après le botaniste Robert Brown, qui a observé en 1827 le mouvement erratique de particules de pollen en suspension dans l’eau. Ce mouvement est dû aux chocs incessants des molécules d’eau sur

Processus d’Ornstein-Uhlenbeck (OU) Le processus d’Ornstein-Uhlenbeck, souvent appelé processus de mean-reversion, est un processus stochastique qui décrit l’évolution d’une variable au fil du temps. Il est défini par l’équation différentielle stochastique suivante : \[ dX_t = \theta (\mu – X_t) dt + \sigma dW_t \] où : \( X_t \) est la valeur du processus

Dans cette vidéo je vous montre comment calculer l’exposant de Hurst dans Excel

Dans cette dernière partie de la série d’articles, nous allons voir comment implémenter notre algorithme dans le cloud. Pour ce faire, nous utiliserons une instance EC2 d’AWS. Commencez par vous rendre sur https://aws.amazon.com/fr/ et créez un compte. Vous devriez arriver sur cette page : Allez dans la barre de recherche et tapez « EC2 »:

Introduction Dans cette seconde partie, nous allons découvrir comment implémenter la stratégie que nous avons explorée dans la première partie, au sein d’un algorithme de trading réel. Nous utiliserons pour cela l’API de Binance, et coderons l’algorithme en Python. Initialement, je souhaitais utiliser les Futures de Binance, mais puisque les Futures ne sont pas autorisés

Import des bibliothèques Nous utilisons plusieurs bibliothèques dans ce notebook pour diverses tâches : Importation Nous utilisons la bibliothèque yfinance pour télécharger les données historiques des prix de Bitcoin. Dans cette portion de code, nous calculons diverses caractéristiques qui pourraient s’avérer utiles dans le développement de notre modèle. Pour rappel, un modèle de Markov caché