Code

Mon code public est disponible sur GitHub.

Projets en vedette

• Projet de gestion des risques financiers Python, R & Matlab Les principaux objectifs sont de générer des données de rendement de backtesting pour appliquer efficacement des stratégies, de prévoir les mesures de risque pour les portefeuilles de référence et d’évaluer le risque d’ajout de nouvelles stratégies aux portefeuilles existants. De plus, nous visons à améliorer l’outil de manière progressive en incorporant de nouvelles méthodologies avancées telles que la prévision de la volatilité multivariée, les modèles de copule, la théorie des valeurs extrêmes et l’apprentissage automatique.

• Laboratoires d’économétrie financière Python Des laboratoires qui ont été développés comme une vitrine pour une pratique adéquate afin d’aider les étudiants à accomplir leurs devoirs dans MATH60210. Les sujets abordés comprennent les modèles d’évaluation des actifs, la prédiction des séries chronologiques financières, l’estimation de modèles, la modélisation du risque et de la volatilité, ainsi que les études d’événements.

• Recherche sur les anomalies Python Nous savons que les anomalies au marché efficace perdent de leur importance avec le temps, et de manière marquée après la publication. Notre premier objectif est d’évaluer et de démontrer l’existence d’une dégradation post-publication et d’une perte de significativité au fil du temps. Dans un deuxième temps, nous utilisons des informations sur la décroissance de l’alpha de prédicteurs clairs de rendements excédentaires pour obtenir des informations (corrélation, corrélation de seuil, etc.) sur les anomalies sélectionnées qui semblent conserver leur importance dans le temps.

• Macro Factor Timing Python Sur la base des informations de « Macro Trends and Factor Timing » (Favero & al, 2022), nous cherchons à créer une stratégie de factor timing basée sur la logique de cointégration entre rendements des facteurs et certaines variables macroéconomiques. Tout d’abord, nous reproduisons l’article dans exactement les mêmes conditions que celles présentées. Ensuite, nous modifions le cadre pour inclure les prédicteurs les plus solides de rendements excédentaires.

• Stratégie Momentum cryptomonnaies En Collaboration avec Hugo Couture Python, R Ce projet de recherche présente une stratégie de trading basée sur les cryptomonnaies qui intègre le momentum des prix, la taille et l’attention des investisseurs pour créer une approche d’investissement robuste et efficace. La base de la stratégie est issue des recherches menées par Yang (2019), Liu (2021) et Liu (2022), qui soutiennent collectivement l’inclusion du momentum des prix, de la taille et de l’attention dans le cadre de trading.

• Mixed Momentum Strategy Python Basé sur les limites d’arbitrage et les conclusions tirées de nos expériences dans Recherche sur les anomalies, nous conçevons une stratégie de négociation d’actions basée sur l’interaction de trois signaux (i) l’incertitude, représentée par l’âge de l’entreprise (Zhang, 2006) (ii) la dynamique de rendement des actions individuelles (Jegadeesh, 1993) (iii) l’annonce rendement, représenté par une variation standardisée des revenus ou des rendements anormaux (Zhang, 2006).

• Aléatorisation des décimales FF Python En utilisant le panel de prédicteurs clairs de Chen et Zimmerman (2020), nous déterminons l’impact des erreurs d’arrondi induites par l’approximation des décimales impliquée dans la construction des facteurs Fama-French sur deux types de tests d’évaluation des actifs (Fama & French, 1992) (Fama & Macbeth, 1973). Conclusions à déterminer…

• Finance d’entreprise en Stata Stata L’objectif est de reproduire certains articles importants sur la finance d’entreprise sur Stata afin d’acquérir une connaissance pratique du langage.