finance-quantitative

Vérifier si des règles connues pour choisir des actions ont continué à rapporter au Canada après 2001, avant les frais.

Pipeline reproductible du mémoire UQAM 2024 : prédiction ML des rendements d'actions canadiennes et américaines avec données macro (LCDMA, FRED-MD), portefeuilles long-short, audit 2026

Les autres marchés aident-ils à prévoir le Canada ? Comparer un apprentissage local, international et adaptatif sur des données publiques.

Un Transformer à douze têtes et Time2Vec sur le titre de la Banque Royale : le travail ECO930J de 2022 (UQAM) porté sur Keras 3. Verdict chiffré : sur les rendements bruts, le modèle ne prédit qu'une ligne plate.

Rejouer une stratégie qui achète et vend plusieurs fois par jour, puis mesurer le coût par action qui suffit à effacer ses gains.

Vérifier si le mouvement du début de la séance aide à prévoir sa dernière demi-heure, puis mesurer ce qui reste après les frais.

Tester des stratégies de placement sur de nouvelles périodes, après les coûts, et vérifier si leur succès vient d'un signal réel ou des nombreux essais effectués.

Des modèles plus gros prévoient-ils mieux la Bourse ? Comparaison sur données publiques, avec frais, contraintes et mesure de l’incertitude.

Un modèle doit-il donner autant de place à chaque entreprise ? Tester le partage d’information entre obligations et sa résistance aux copies.

Comparer une seule bourse au marché américain rassemblé. Montrer comment des données presque toujours présentes peuvent quand même changer une décision d'achat ou de vente.

Calculer le prix du droit d'acheter ou de vendre plus tard, puis vérifier que les méthodes retrouvent des prix connus et annoncent une erreur réaliste.

Tester si un ordinateur choisit mieux les actions qu’une répartition égale, en séparant les périodes d’apprentissage et de test et en déduisant les frais.

Six modèles prévoient les rendements des obligations. Leur désaccord aide-t-il à choisir les placements et à mesurer leur incertitude ?