Portfólio pessoal de pacotes em Python e JavaScript para previsão online de séries temporais, estimação de covariância, construção de portfólios e otimização black-box, além de notas de pesquisa.
Esta página apresenta um projeto de código aberto e não constitui aconselhamento de investimento. Negociar e investir pode gerar perdas: avalie o risco por conta própria e siga as leis do seu país antes de usá-lo.
Este repositório é a página inicial e o índice do trabalho de microprediction do Dr. Peter Cotton: um conjunto de pacotes independentes, notas de pesquisa e um livro sobre como dividir a ciência de dados em pequenos agentes algorítmicos. O próprio repositório contém principalmente links para os projetos individuais, cada um com seu próprio site de documentação.
Os principais pacotes são voltados a estatísticas incrementais (online). skaters faz previsões distribucionais univariadas de séries temporais sem dependências e tem uma versão em JavaScript. precise estima covariância e correlação online, seguindo as convenções de sklearn e river. allocation implementa métodos online para portfólios, incluindo as abordagens de Schur e Thurstone. humpday reúne métodos de otimização sem derivadas em Python puro e JavaScript, e thurstone calcula probabilidades para competições com vários participantes.
A página também lista materiais de pesquisa sobre previsão conformal, mecanismos de mercado, controle de estoque e análise esportiva, além de pequenos repositórios experimentais, como um bot de negociação para mercados de previsão orientado por LLM e um simulador de epidemias.
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Um mecanismo de backtesting em Python para pesquisa reproduzível de portfólios, que modela sinais, ordens, execuções, custos, NAV e validação walk-forward.
Biblioteca Python para otimização de portfólios, construção de modelos de fatores e gestão de risco, baseada na API do scikit-learn.
Ferramenta open source do Facebook para fazer previsões de séries temporais com múltiplas sazonalidades, mudanças de tendência e efeitos de feriados, disponível para Python e R.
Biblioteca de AutoML que treina e combina modelos de ML para dados tabulares, séries temporais e dados multimodais com poucas linhas de Python.
Modelos baseados em Transformer pré-treinados da Amazon para previsão zero-shot de séries temporais, incluindo a família Chronos-2.
SDK cliente em Python para o TimeGPT da Nixtla, um modelo de base pré-treinado e hospedado para previsão de séries temporais e detecção de anomalias.