Aujourd’hui, l’industrie des marchés financiers est à la recherche de nouveaux talents à même de développer de nouveaux produits, services et modèles financiers en lien avec les bouleversements économiques et technologiques : trading à haute fréquence, blockchains, cryptomonnaies, finance décentralisée …
Les projets en école d’ingénieurs permettent aux étudiants de renforcer leur expérience en matière d’ingénierie financière et d’acquérir un savoir-faire utile en salle de marché. Focus sur 3 projets d’innovation industrielle développés par des étudiants du cycle ingénieur.
Quant trading: pattern strategies design, machine learning approach
L’objectif de ce PI2 était de développer une stratégie de trading et d’exécution algorithmique pour Systemathics.
Avec une équipe constituée de 4 étudiants de l’ESILV nous avions pour objectif d’implémenter à bien une stratégie de « Pair Trading » en utilisant des données statistiques, ainsi que des modèles de Machine Learning et d’analyser nos résultats afin d’en déduire des axes d’amélioration futurs. Par définition, le pair trading (ou investissement par paire) est une méthode de trading indifférente aux conditions et fluctuations du marché.
Dans le but d’implémenter une stratégie complète de pair trading nous avons défini puis rempli plusieurs tâches :
– La première est la sélection des actifs. Pour ça plusieurs modèles sont possibles, le but étant de choisir des paires d’actifs stationnaires et/ou corrélées
– La deuxième étape est la construction de la stratégie pour les paires choisies (quand acheter, vendre, quel montant…)
– La troisième fut la construction d’un système de backtest afin de pouvoir évaluer et analyser une stratégie définie.
Une fois cela réalisé, nous avons pu également réfléchir sur les thématiques de gestion de risque et de portfolio management, également importantes pour la mise en place d’un algorithme de trading complet.
Réplication du co-indice S&P500 basée sur la co-intégration
Le sujet traite sur la réplication d’indice US via une stratégie de trading basée sur la co-intégration, en essayant de l’améliorer si possible afin que ce soit une stratégie long-short performante. On doit s’appuyer sur l’article « The Cointegration Alpha : Enhanced Index Tracking and Long-Short Equity Market Neutral Strategy » de Carol Alexander et Anca Dimitriu paru en 2002.
Cet article présente 2 applications de cette stratégie : une classique tracking strategy de l’index et une long-short equity market neutral strategy. Ici l’optimisation du portefeuille est basée sur la co-integration plutôt que sur la corrélation contrairement aux autres stratégies traditionnelles. La première stratégie vise à reproduire un indice de référence avec précision en termes de rendement et de volatilité, tandis que l’autre cherche à minimiser la volatilité et à générer des rendements réguliers dans toutes les circonstances de marché. On cherche alors plusieurs combinaisons de ces deux stratégies afin de trouver la meilleure combinaison.
Créer un robot Python de trading crypto-monnaies
Les crypto-monnaies suscitent un engouement de plus en présent, et leur utilisation se démocratise. Elles sont aujourd’hui de plus en plus nombreuses, et simples d’emploi. Cependant, gagner de l’argent via ces crypto-monnaies n’est pas si évident. De nombreuses stratégies existent déjà.
Le but de notre projet était d’écrire des robots de trading en python qui jouent sur les marchés de crypto-monnaies. Plus précisément, les objectifs étaient les suivants : définir des indicateurs clés, définir des stratégies de trading, les implémenter en python, backtester nos stratégies afin de les améliorer et à la fin de notre projet, déployer notre code en direct.
Nous avons testé différentes stratégies : “The momentum trading strategy”, “The mean reversion on pairs”, “The parabolic SAR”. Nous les avons comparées et tenté de déterminer la plus efficace d’entre-elles. Nous avons fini par déployer la stratégie de mean reversion en live.
This post was last modified on %s = human-readable time difference 9:13 pm