Recherche
Chaque stratégie de byzance repose sur des fondements académiques solides. Découvrez les articles de recherche qui alimentent nos algorithmes d'optimisation de portefeuille, de gestion du risque et d'analyse quantitative.
Surfer sur les tendances, en se retirant au bon moment
Un système de trading qui « écoute » la volatilité et adapte son agressivité en temps réel surperforme largement les stratégies à paramètres fixes — surtout en crypto où les régimes de marché changent brutalement.
Ioannis Karassavidis, Lampros Kateris & Maximos Ioannidis
Jouer la paire — gagner même quand le marché perd
Au lieu de parier sur la direction du marché, on peut parier sur la relation entre deux cryptos qui revient toujours à sa moyenne — et gagner dans les deux sens, avec une exposition au marché quasi nulle.
Rafael Baptista Palazzi
Un algorithme rentable — du labo au portefeuille réel
Un algorithme de trading n'a de valeur que s'il est testé dans toutes les conditions de marché — haussier, baissier et latéral — avec des coûts réalistes. Cette étude prouve qu'un réseau de neurones bien calibré peut être rentable dans les trois régimes.
Mimmo Parente, Luca Rizzuti & Mario Trerotola
Le stop-loss intelligent — couper ses pertes sans tuer ses gains
Les règles de stop-loss améliorent significativement les rendements des stratégies momentum en crypto : elles coupent les queues de pertes tout en laissant les gagnants courir — transformant une stratégie volatile en une stratégie asymétrique gagnante.
Mohsin Sadaqat & Hilal Anwar Butt
Quand Twitter prédit les krachs — le pouvoir du sentiment de marché
Le contenu textuel des tweets (pas juste leur sentiment simplifié) a un vrai pouvoir prédictif sur les mouvements extrêmes du Bitcoin — surtout quand il est traité par un modèle de langage spécialisé en finance.
Yanzhao Zou & Dorien Herremans
Quand plusieurs IA se mettent d'accord — la puissance du vote collectif
Un seul modèle de deep learning est instable et peu fiable pour prédire les cryptos. Mais en faisant « voter » plusieurs modèles ensemble, on obtient des prédictions beaucoup plus stables et robustes — particulièrement pour détecter la direction du marché.
Ioannis E. Livieris, Emmanuel Pintelas, Stavros Stavroyiannis & Panagiotis Pintelas
Le manuel du quant moderne — les fondations du Machine Learning en finance
Le Machine Learning appliqué naïvement à la finance produit systématiquement du surapprentissage. Pour que ça marche, il faut repenser l'ensemble du pipeline — de la façon dont on structure les données jusqu'à la façon dont on valide les modèles.
Marcos López de Prado
TCN vs LSTM — le duel des architectures
Les réseaux convolutionnels temporels (TCN) surpassent les Long Short-Term Memory (LSTM) sur la majorité des tâches de modélisation de séquences — ils sont plus précis, plus rapides, et capturent des dépendances plus longues. L'association automatique « séquence = LSTM » doit être abandonnée.
Shaojie Bai, J. Zico Kolter & Vladlen Koltun
Le manuel de référence — toute la mécanique du portefeuille
Les détails méthodologiques (log-returns vs simples, annualisation correcte, multi-horizons) ne sont pas des détails — ils sont essentiels pour des résultats fiables.
Elton, Gruber, Brown & Goetzmann
Value et Momentum partout — les deux forces universelles des marchés
Value et momentum sont des forces universelles qui existent dans tous les marchés et toutes les classes d'actifs. Mieux encore : elles sont naturellement décorrélées (quand l'une sous-performe, l'autre compense), ce qui en fait le duo parfait pour construire un portefeuille robuste.
Asness, Moskowitz & Pedersen
Page 1 sur 4