Je vais concevoir des systèmes de trading quantitatif institutionnels en python

Oui. Je peux rechercher une hypothèse, mettre en place des règles ou examiner des données, modèles et codes existants. Partagez votre objectif, votre marché, votre délai et les matériaux disponibles. Ensemble, nous définissons les exigences, les contraintes de risque, les intégrations et les livrables.

La recherche évalue l'hypothèse et structure les données, les caractéristiques et un modèle initial. La validation construit le système, compare les modèles et teste la robustesse pour le paper trading. La production ajoute une validation avancée, une exécution automatisée, une surveillance des modèles et un déploiement assisté.

ML/DL peut soutenir la prévision, la sélection de signaux et la détection de régimes. NLP transforme les actualités, rapports et textes en caractéristiques quantitatives. L'apprentissage par renforcement peut être étudié pour l'allocation et l'exécution. Je compare les modèles à des baselines simples pour évaluer leur valeur ajoutée.

Crypto, actions/ETFs, CFD, futures, options, matières premières, FX et revenus fixes. Bourses et groupes : NYSE, Nasdaq, LSE, Euronext, Xetra, SIX, JPX, HKEX, ASX, B3, TSX, NSE, SSE, SZSE, KRX, CME Group, Cboe, ICE, Eurex, SGX et TAIFEX. La couverture dépend des données disponibles et de l'exécution.

IBKR, Charles Schwab, TradeStation, tastytrade, Alpaca, OANDA, Webull, Tradier, Public, Saxo Bank, Binance, Coinbase, Bitfinex, Bybit, OKX, Kraken, Deribit, Rithmic, CQG, Bloomberg EMSX, Trading Technologies, FlexTrade et SS&C Eze. REST, WebSocket, FIX ou SDK, selon l'accès et la plateforme.

Bloomberg, LSEG, FactSet, S&P Global, ICE Data Services, Databento, Nasdaq Data Link, dxFeed, Cboe DataShop, CME DataMine, OptionMetrics, Macrobond, RavenPack, Kaiko, Coin Metrics, MSCI et vos propres données. L'accès et la licence sont nécessaires ; les coûts externes sont gérés séparément.

Selon la portée, j'utilise des tests OOS, walk-forward, Monte Carlo, sensibilité, régime et stress avec coûts, glissement et liquidité. Je vérifie le surapprentissage, le biais de regard en avant et la fuite de données. Les données de test restent hors de l'entraînement et de la sélection des caractéristiques. Je compare les modèles à des baselines simples.

Python, SQL, C++, Pandas, NumPy, SciPy, Polars, statsmodels, scikit-learn, XGBoost, PyTorch, Transformers, MLflow, QuantConnect/LEAN, Jupyter, vectorbt, backtrader, FastAPI, PostgreSQL, Docker, Linux, pytest, Git, CI/CD, Prometheus, Grafana, AWS, Azure et Google Cloud, selon le projet.

Selon la portée, j'ajoute des tests, des logs, des limites d'exposition, la réconciliation des ordres et la récupération en cas d'échec. Cela peut inclure la gestion des versions des modèles, la surveillance des décalages de données et les critères de réentraînement. Je fournis des instructions d'exploitation ; le support continu est convenu séparément.

Je privilégie le chat Fiverr et la documentation écrite, avec des mises à jour et des décisions traçables. Des appels courts sur Fiverr peuvent soutenir l'alignement et les démonstrations. NDA disponible ; votre stratégie, code, données, modèles, documentation et résultats restent confidentiels.