QuantConnect AI Trading - Série Éducative CoursIA

Note éditoriale — counts kernels par sous-série : Le marqueur CATALOG-STATUS agrégé ci-dessus reste autoritatif pour la décomposition par sous-série (Python / projects / ML-Training-Pipeline / kelly_lean). En revanche, pour les décomptes par kernel (Python vs Lean 4) au sein d’une sous-série — c’est-à-dire la répartition technique par interpréteur —, ce README reste autoritatif car la décomposition langagière par sous-série n’est pas dans le marqueur agrégé. Cette granularité est documentée ici par lecture directe des metadata.kernelspec.language des notebooks :

  • **Python/ (parcours QC-Py-*) : 54/54 = Python (mono-langage, QuantConnect Cloud + kernel local Jupyter) — kernel Python majoritaire, aucun piège sémantique C#. Drift constaté c.744 (audit git ls-files Python/) : 55 .ipynb sur disque vs 53 déclarés hub → écart +2, attribué aux notebooks Cloud ajoutés 2026-05/06 (PCA-StatArb, TemporalCNN, ValueFactor-ZScore, OptionWheel). CATALOG-STATUS leaf ajouté en c.744. Réconciliation §E c.S** (audit entier, _output exclus) : 54 exacts sur disque = 30 linéaires (QC-Py-01..28 + 12b + 23b) + 24 compléments ; le résiduel +1 du c.744 était QC-Py-12b-Backtest-Validity, jamais compté nulle part (corrigé dans les tables et décomptes ci-dessous).
  • ML-Training-Pipeline/ : 14/14 = Python (PyTorch / Stable-Baselines3 / Walk-Forward). Drift constaté c.744 : 14 .ipynb sur disque vs 2 déclarés hub → écart +12, la sous-série a crû depuis la création du breakdown hub (ajouts RL/DL ladder). CATALOG-STATUS leaf ajouté en c.744.
  • kelly_lean/ : 7/7 = Lean 4 (preuve formelle Kelly HMM-regime fee-aware) — mono-paradigme Lean : prouve les invariants algébriques du critère de Kelly pour le sizing position-aware des régimes HMM, complémentaire aux notebooks Python ML. Note c.744 : « 7/7 » dans cette note désigne les fichiers .lean du lake (7 sources : Kelly.lean + lemmes), périmètre différent du marqueur hub (kelly_lean=1 = 1 notebook Jupyter de référence). CATALOG-STATUS leaf (1 .ipynb) ajouté en c.744.
  • research/ : 17 .ipynb (standalone research, yfinance/sklearn, hors QC Cloud) — non-référencé dans le breakdown hub (4 sous-séries agrégées : Python/projects/ML-Training-Pipeline/kelly_lean). CATALOG-STATUS leaf ajouté en c.744. Ne pas confondre avec Python/research/ : 2 notebooks companions appariés aux notebooks de cours QC-Py-19/QC-Py-22 (catégorie (b) du README Python), détaillés dans leur README feuille.
  • partner-course-quant-trading/ : 7 .ipynb (cours partenaire sponsorisé QuantConnect Trading Firm) — non-référencé dans le breakdown hub. CATALOG-STATUS leaf ajouté en c.744.

Le hub QuantConnect a donc une particularité intra-hub : parcours Python pur + sous-série Lean 4 isolée (variante de la doctrine L392 « hub mixité kernel intra-sous-série » appliquée à un cas où Python domine largement, avec Lean isolé dans une sous-série distincte). La phrase L260 « périmètres différents, pas par erreur » documente précisément cette asymétrie.

Régénération du marqueur : ce bloc est régénéré quotidiennement par .github/workflows/catalog-cron.yml (03:37 UTC daily sur main, commit [skip ci] par github-actions[bot]). Toute divergence ponctuelle entre les counts agrégés et la réalité disk est documentée dans docs/qc/qc-strategies-status.md (autoritatif pour projects/) ou dans la note ci-dessus (autoritative pour les kernels intra-sous-série). Résiduel c.744 : le breakdown agrégé Python=53, projects=49, ML-Training-Pipeline=2, kelly_lean=1 du marqueur est drift vs le filesystem (cf points ci-dessus + sous-séries research/partner-course absentes de l’agrégat). Le marqueur hub reste byte-identique (catalog-pr-hygiene R1 : régénération par catalog-cron uniquement, hors scope PR feuille) ; le fix canonique = mise à jour du générateur de breakdown côté catalog-cron.yml pour inclure les sous-séries research/partner-course-quant-trading + recalculer les counts kernels réels. Sub-grains séparés : un futur cycle pourra auditer catalog-cron.yml + script de comptage pour aligner l’agrégat sur le filesystem ; ce PR n’altère que les leafs + la prose hub, sans toucher au marqueur agrégé (R1 strict).

← Notebooks | ↑ .. | → CaseStudies

Le trading algorithmique transforme les marchés financiers : aujourd’hui, plus de 60% des volumes aux États-Unis sont générés par des algorithmes. Cette série vous apprend à construire, tester et déployer vos propres stratégies de trading automatisées sur la plateforme QuantConnect LEAN — un framework open-source utilisé par des milliers de quants professionnels. Le parcours va des fondements (lifecycle d’un algorithme, gestion des données) aux frontières de l’IA (Transformers, RL, LLMs pour signaux de trading).

La série couvre huit phases progressives. Les fondements (phases 1-4) maîtrisent l’écosystème QuantConnect : architecture LEAN, universe sélection, options/futures, risk management, et l’Algorithm Framework modulaire. La préparation ML (phase 5) intègre les données alternatives et le feature engineering. Le machine learning (phases 6-7) applique les modèles classiques (Random Forest, XGBoost) puis le deep learning (LSTM, Transformers, autoencoders) aux séries temporelles financières. La production (phase 8) couvre le RL, les LLMs pour le trading, et le déploiement live. Chaque notebook est exécutable sur le cloud QuantConnect (free tier) sans installation locale.

À qui s’adresse cette série : étudiants en finance quantitative, ingénieurs ML souhaitant appliquer leurs compétences aux marchés, et développeurs curieux de trading algorithmique. Les notebooks Python s’exécutent sur QuantConnect Cloud (gratuit) ou localement avec le LEAN engine. Le livre de référence est “Hands-On AI Trading” (Jared Broad, 2025). Aucun capital de départ nécessaire : tout se passe en backtest et paper trading.

Visiteur ? Lire le Quick Tour (2 min) pour comprendre l’ampleur du travail.

Pour Commencer (4 étapes)

  1. Créer un compte gratuit : https://www.quantconnect.com/signup
  2. Créer un projet Python dans QC Lab (File > New Project)
  3. Copier un main.py depuis projects/ (ex: EMA-Cross-Stocks/) dans votre projet
  4. Cliquer Backtest pour exécuter

Temps estimé : 5-10 minutes

Note : Les notebooks QC-Py-XX sont des supports de cours à lire sur GitHub, pas à uploader dans QC Lab.

Carte du matériel QC

Le matériel QuantConnect se répartit en 5 zones — un visiteur y navigue selon son objectif :

Zone Contenu Entrée
Python/ 55 notebooks pédagogiques QC-Py-* (8 phases, ci-dessous) README Python
projects/ 112 entrées brutes (101 stratégies déployables main.py + 11 autres : 5 recherches, 2 stubs, 2 templates, 2 BROKEN pédagogiques), statut best-guess inventorié docs/qc/qc-strategies-status.md · README projects
research/ Recherche autonome standalone (données locales, pas de QC Cloud requis) README research
partner-course-quant-trading/ Exemples de recherche avancée du cours partenaire README cours partenaire
ML-Training-Pipeline/ Pipeline ML training (Kelly HMM-regime fee-aware, RL, transformers) README ML pipeline

Pour l’inventaire et le statut (alive / superseded / needs-improvement / à confirmer) des 112 entrées brutes (= 111 stratégies effectives, _docs/ exclus — qc-strategies-status.md L8), voir docs/qc/qc-strategies-status.md. Les baselines vérifiées (Sharpe/CAGR/MaxDD) sont dans docs/qc/qc-comparative-backtests.md.

Structure de la Série

Phase 1 : Fondations LEAN (4 notebooks, ~4.5h)

Maîtriser les bases de QuantConnect : architecture, lifecycle d’algorithme, gestion des données, workflow de recherche.

# Notebook Durée Contenu
01 QC-Py-01-Setup 45 min Compte QC, premier backtest cloud, architecture LEAN
02 QC-Py-02-Platform-Fundamentals 60 min QCAlgorithm lifecycle, Initialize/OnData, Moving Average Crossover
03 QC-Py-03-Data-Management 75 min History API, data normalization, consolidators, multi-timeframe
04 QC-Py-04-Research-Workflow 75 min QuantBook, pandas integration, notebook→algorithm transition

Objectifs : Créer compte gratuit, maîtriser cycle de vie algorithme, gestion des données.

Phase 2 : Universe et Asset Classes (4 notebooks, ~5h)

Sélection dynamique d’univers, comprendre les particularités de chaque classe d’actifs (Equities, Options, Futures, Forex).

# Notebook Durée Contenu
05 QC-Py-05-Universe-Selection 75 min Manual universe, coarse/fine sélection, dynamic rebalancing
06 QC-Py-06-Options-Trading 75 min Options chains, Greeks, covered calls, protective puts
07 QC-Py-07-Futures-Forex 75 min Futures contracts, rollover, Forex pairs, leverage
08 QC-Py-08-Multi-Asset-Strategies 75 min Portfolio Equity + Options + Futures, corrélations

Objectifs : Maîtriser sélection dynamique d’univers, comprendre chaque classe d’actifs.

Phase 3 : Trading Avancé et Risk Management (5 notebooks, ~6.5h)

Gestion du risque professionnelle, types d’ordres avancés, analyse approfondie de backtests.

# Notebook Durée Contenu
09 QC-Py-09-Order-Types 75 min Market, Limit, Stop, Stop-Limit, combo orders
10 QC-Py-10-Risk-Portfolio-Management 90 min Position sizing (Kelly, fixed fractional), stop-loss, take-profit
11 QC-Py-11-Technical-Indicators 75 min Indicateurs intégrés, custom indicators, signal generation
12 QC-Py-12-Backtesting-Analysis 75 min Performance metrics (Sharpe, Sortino, max drawdown), equity curve
12b QC-Py-12b-Backtest-Validity 60 min Erreur-type du Sharpe (Lo 2002), PSR (Bailey & López de Prado 2012) et ses pièges de saisie, signification statistique d’un backtest

Objectifs : Maîtriser gestion du risque, ordres avancés, analyse de backtests.

Phase 4 : Algorithm Framework (3 notebooks, ~4h)

Architecture modulaire QuantConnect pour stratégies scalables (Alpha, Portfolio Construction, Risk Management, Execution).

flowchart LR
    U["Universe Selection<br/>quels actifs ?"] --> A["Alpha Model<br/>quels signaux ?"]
    A --> PC["Portfolio Construction<br/>quelles tailles ?"]
    PC --> RM["Risk Management<br/>quels filtres ?"]
    RM --> E["Execution<br/>quels ordres ?"]
    RM -. "ajustement temps reel" .-> U
    %% color: explicite -- sans lui, libelle clair sur fond clair en mode sombre GitHub (#15022) ; ton parfois plus fonce que le stroke (le stroke en couleur de texte rendrait infer illisible) : ne pas harmoniser
    style A fill:#e1f5ff,color:#004085
    style PC fill:#e8f5e9,color:#1b5e20
    style RM fill:#fff3e0,color:#bf360c

Le flux de données traverse cinq modules Découplables : l’Universe sélectionne les actifs, l’Alpha produit les signaux directionnels, la Portfolio Construction transforme les signaux en tailles cibles, le Risk Management filtre/ajuste ces cibles en continu, et l’Execution route les ordres. Chaque module est remplaçable indépendamment — c’est ce qui permet de composer une stratégie complexe sans réécrire l’ensemble.

# Notebook Durée Contenu
13 QC-Py-13-Alpha-Models 75 min Algorithm Framework intro, Alpha models, insights
14 QC-Py-14-Portfolio-Construction-Execution 90 min Portfolio construction models, execution models, risk models
15 QC-Py-15-Parameter-Optimization 75 min Parameter sets, optimization targets, overfitting prevention

Objectifs : Maîtriser architecture modulaire, optimisation systématique.

Phase 5 : Alternative Data et Préparation ML (3 notebooks, ~4h)

Intégrer données alternatives (news, sentiment, fundamentals), préparer datasets pour Machine Learning.

# Notebook Durée Contenu
16 QC-Py-16-Alternative-Data 75 min NewsAPI (gratuit), fundamentals, custom data sources
17 QC-Py-17-Sentiment-Analysis 75 min Sentiment scoring (TextBlob, VADER), news aggregation
18 QC-Py-18-ML-Features-Engineering 90 min Feature extraction, labeling, train/test split, feature importance

Objectifs : Intégrer données alternatives, préparer datasets pour ML.

Phase 6 : Machine Learning Traditionnel (3 notebooks, ~4h)

Appliquer ML classique au trading : classification directionnelle, régression pour prédiction de prix.

# Notebook Durée Contenu
19 QC-Py-19-ML-Supervised-Classification 75 min Random Forest, XGBoost, direction prediction, walk-forward
20 QC-Py-20-ML-Regression-Prediction 75 min Linear regression, SVR, price target prediction
21 QC-Py-21-Portfolio-Optimization-ML 90 min ML-enhanced Markowitz, covariance estimation via ML

Objectifs : Appliquer ML classique au trading, persistence modèles avec ObjectStore.

Phase 7 : Deep Learning (4 notebooks, ~6h)

Deep Learning pour séries temporelles : LSTM, Transformers, PatchTST/iTransformer, Autoencoders.

# Notebook Durée Contenu
22 QC-Py-22-Deep-Learning-LSTM 90 min LSTM time series, TensorFlow/Keras, CPU-first
23 QC-Py-23-State-Space-Models 90 min State Space Models (S4, Mamba) pour séries temporelles
23b QC-Py-23b-PatchTST-iTransformer 90 min PatchTST patching, iTransformer inverted axes, prévision financière
24 QC-Py-24-Autoencoders-Anomaly 75 min Autoencoders pour détection anomalies, regime change

Objectifs : Maîtriser deep learning pour séries temporelles, design CPU-optimized.

Phase 8 : IA Avancée et Production (4 notebooks, ~5.5h)

État de l’art : Reinforcement Learning, LLM pour trading signals, déploiement production, détection de régime de marché.

# Notebook Durée Contenu
25 QC-Py-25-Reinforcement-Learning 90 min PPO/DQN agents, Stable-Baselines3, Gym environment custom
26 QC-Py-26-LLM-Trading-Signals 90 min OpenAI/Anthropic API, prompt engineering, LLM+indicators hybrid
27 QC-Py-27-Production-Deployment 75 min Paper trading, live trading setup, monitoring, deployment
28 QC-Py-28-Market-Regime-Detection 75 min HMM, regime detection, allocation adaptative

Objectifs : IA state-of-the-art pour trading, déploiement production, détection régime.

Compléments Reinforcement Learning Avancé (3 notebooks, ~4h)

Approfondissement RL au-delà du DQN de la Phase 8 : PPO, SAC/A2C, et application portfolio construction.

# Notebook Durée Contenu
33 QC-Py-33-RL-PPO-Trading 90 min Proximal Policy Optimization, clipped surrogate, Stable-Baselines3
34 QC-Py-34-RL-SAC-A2C-Trading 75 min Soft Actor-Critic + A2C, comparatif algorithmes RL
35 QC-Py-35-RL-Portfolio-Construction 75 min RL pour allocation multi-asset, contraintes de risque

Objectifs : Comparer les algorithmes RL modernes, appliquer au portfolio multi-asset.

Configuration

Variables d’environnement (.env)

Copiez .env.example vers .env et configurez :

# Authentification QuantConnect Cloud
QC_API_USER_ID=your_user_id_here
QC_API_ACCESS_TOKEN=your_access_token_here

# APIs IA/ML (optionnel, pour notebooks 17, 26)
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...
HUGGINGFACE_TOKEN=hf_...

# NewsAPI (gratuit, pour notebook 17)
NEWSAPI_KEY=your_newsapi_key_here

Dépendances Python

# Créer environnement virtuel
python -m venv venv
venv\Scripts\activate  # Windows
source venv/bin/activate  # Linux/macOS

# Installer dépendances
pip install -r requirements.txt

# Installer kernel Jupyter
python -m ipykernel install --user --name=quantconnect --display-name "Python (QuantConnect)"

Résumé de la Progression

Total cours linéaire : 30 notebooks Python (QC-Py-01 à QC-Py-28 + les 12b et 23b, ~34 heures de contenu) + 25 notebooks compléments (Phase 4b-RL avancé QC-Py-33..35, paper trading QC-Py-40..41, 15 Cloud strategies QC-Py-Cloud-01..09, training QC-Py-30..32, foundation models QC-Py-23c, dataset workflow), plus 17 notebooks de recherche standalone (research_*.ipynb, détaillés dans research/README.md).

Répartition cours linéaire (Phases 1-8) : - 18 notebooks non-ML (Fondations, Universe, Trading Avancé, Framework, Alternative Data) : ~18h - 11 notebooks ML/DL/AI (Supervised Learning, Deep Learning, RL, LLM, Régime) : ~15h

Progression pédagogique : Maîtriser les fondations QuantConnect avant d’aborder le Machine Learning.

Notebooks Progressifs

Recommandé pour débuter :

  1. Phase 1 : Fondations LEAN (4.5h)
  2. Phase 2 : Universe et Asset Classes (5h)
  3. Phase 3 : Trading Avancé et Risk (5.5h)
  4. Notebooks 13-15 : Algorithm Framework (4h)
  5. Premier projet : Stratégie momentum avec risk management

Intermédiaire (40h) : Phases 4-6 complètes + ML traditionnel

Expert (60h) : Phases 6-8 complètes + Deep dive LSTMs, Transformers, RL + déploiement

Projets de Stratégies

Le dossier projects/ contient le catalogue complet des stratégies de trading prêtes à backtester, classées par robustesse (Robuste / Historique / Exploratoire / ML-DL-RL). Le compte exact et la classification à jour se trouvent dans le README canonique projects/README.md.

Comment utiliser les projets

  1. Choisir une stratégie dans projects/README.md
  2. Copier le main.py dans votre projet QuantConnect Lab
  3. Lancer le backtest
  4. Analyser les résultats (Sharpe, Max Drawdown, CAGR)

Exemples de stratégies populaires

Stratégie Description Niveau
EMA-Cross-Stocks EMA 20/50 multi-stock (AAPL/MSFT/GOOGL/AMZN/NVDA) Débutant
TrendStocksLite EMA20/50 + SMA200 trend 15 large-caps Intermédiaire
SectorMomentum Dual Momentum SPY/TLT/GLD (Antonacci) Intermédiaire
ML-RandomForest Random Forest classification multi-asset Avancé
Option-Wheel Wheel strategy SPY (sell puts/calls) Avancé

Classification des notebooks en quatre types

Chaque notebook de l’arbre QC complet (Python, C#, partner-course, pipeline ML) relève d’un des quatre types d’exécution :

Type Nature Exécution Compte
(a) quantbook QC Cloud QC Cloud uniquement 59
(b) recherche liée à un quantbook QC Cloud + local ~76
(c) recherche autonome Local (yfinance/sklearn) 24
(d) placeholder pédagogique Lecture seule / copier-coller 33

Classification exhaustive : docs/qc/qc-strategies-status.md (méthodologie + table 4-types + inventaire complet des 112 entrées brutes sous projects/ en statut best-guess, dont 111 stratégies effectives alignées sur le doc canonique L8). Le README Python donne la variante restreinte aux seuls notebooks Python — les comptes des deux tableaux diffèrent donc par construction (périmètres différents), pas par erreur.

Cours partenaire — Exemples de Recherche

Le dossier partner-course-quant-trading/ contient des exemples de recherche avancée utilisés dans le cours partenaire.

Structure

partner-course-quant-trading/
├── examples/           # Projets d'exemples du professeur
├── kit-transitoire/    # 3 stratégies ML/Framework progressives (RandomForest, XGBoost, Framework Composite)
├── scripts/            # Scripts utilitaires du cours
├── templates/          # Templates pour projets étudiants
│   ├── starter/        # Niveau débutant
│   ├── intermediate/   # Niveau intermédiaire
│   └── advanced/       # Niveau avancé

Voir partner-course-quant-trading/README.md pour le détail des exemples, du kit de transition et des templates.

Répertoires transitoires

Répertoire Statut Description
_pending_execution/ Local-only Transient QuantBook workspace (untracked local files); committed placeholder purged
projects/_archive/ Purged Dedup-archive removed; canonical strategies retained in projects/ (commit #1815, #1627)
_archive/ Purged Superseded reports moved to docs/audits/ (commit #1626)
_esgf_cours_5mai/ Purged Course 5 May 2026 backtest results archived to G drive (commit #1626)

Documentation Complémentaire

Guides de démarrage

Bibliothèques partagées

Le dossier shared/ contient des modules Python réutilisables :

  • features.py : Feature engineering ML
  • indicators.py : Custom indicators QuantConnect
  • ml_utils.py : ML training, persistence (ObjectStore)
  • plotting.py : Visualisations standardisées
  • backtest_helpers.py : Helpers configuration backtests

Documentation détaillée : shared/SHARED_LIBRARY.md.

Scripts de validation

Script Description
scripts/validate_qc_notebooks.py Validation structure notebooks
scripts/test_algorithms.py Automated backtest runner

Ressources Externes

Documentation QuantConnect

Livre de référence

“Hands-On AI Trading with Python, QuantConnect, and AWS” (Janvier 2025, Wiley)

Communauté

FAQ

Peut-on trade avec de l’argent réel directement ?

Techniquement oui (QC supporte les brokers live : IBKR, Binance, etc.), mais pas dans le cadre de cette série. Tous les notebooks et projets sont conçus pour le backtest et le paper trading. Le passage en live nécessite un compte broker, du capital, et une discipline de validation stricte (walk-forward, multi-seed, OOS).

Comment choisir une première stratégie ?

Pour débuter : EMA-Cross-Stocks (Sharpe 0.872 catalogue, 0.891 sur fenêtre alignée 2018-2025 — cf. tableau Top 5 ci-dessous ; débutant) ou AllWeather (Sharpe 0.667, débutant). Ces stratégies sont simples, robustes, et pédagogiques. Les stratégies avancées (BTC-ML, Framework_Composite) ont des Sharpes plus élevés mais requièrent une compréhension plus profonde des risques.

Quelle est la différence entre Sharpe et CAGR ?

Le CAGR (Compound Annual Growth Rate) mesure le rendement annualisé. Le Sharpe ratio mesure le rendement ajusté au risque : Sharpe = (Rendement - Taux_sans_risque) / Volatilité. Un CAGR élevé avec un Sharpe faible signifie une stratégie volatile (gros gains, grosses pertes). Un Sharpe > 0.5 est considéré robuste dans cette série.

Les performances backtestées sont-elles réalistes en live ?

Non, ou avec une discount significative (20-30% en moins). Les backtests souffrent de biais connus : look-ahead, survivorship, overfitting, et ignorent le slippage et le market impact réels. Les Sharpes annoncés sont in-sample. La série inclut des notebooks sur le walk-forward et les coûts de transaction pour évaluer la robustesse hors-échantillon.

Peut-on exécuter les notebooks localement sans compte QuantConnect ?

Non. Les notebooks Python de cette série utilisent QuantBook() qui nécessite une connexion au cloud QuantConnect. Les notebooks C# (.NET) exécutent du code LEAN en local mais n’ont pas accès aux données de marché sans connexion QC. Créez un compte gratuit sur quantconnect.com pour obtenir votre token API (variable QC_API_TOKEN dans .env).

Quelle est la différence entre un notebook Python et un projet C# ?

Les notebooks Python (QC-Py-01 à QC-28) sont des explorations interactives avec QuantBook() : chargement de données, analyses, visualisations, prototypage rapide. Les projets C# sont des algorithmes complets (QCAlgorithm) destinés au backtesting production dans l’IDE QuantConnect. Le workflow standard est : explorer en notebook Python -> implémenter en C# ou Python projet.

Comment limiter le coût en heures de calcul ?

  • Backtesting : limiter la période historique (2-3 ans suffit pour un prototype) et la fréquence (Daily plutôt que Minute)
  • Notebooks : utiliser qb.history() avec des dates précises plutôt que charger l’historique complet
  • Deep Learning : les notebooks QC-22/23/24 sont CPU-optimized pour le free tier
  • Rate limiting : max 10 appels API/min entre tous les agents du cluster

Pourquoi utiliser LEAN plutôt qu’un framework comme Backtrader ?

LEAN est le moteur de production de QuantConnect : il gère les données corporates (splits, dividends, spinoffs), le slippage, les frais réels, le margin, et le live trading. Backtrader et Zipline sont d’excellents outils pédagogiques mais ne gèrent pas ces aspects en production. Cette série enseigne LEAN pour que les compétences soient directement transférables au trading réel.

Qu’est-ce qu’un QuantBook et comment se différencie-t-il d’un algorithme ?

QuantBook est l’API interactive de QuantConnect pour les notebooks Jupyter. Elle permet de charger des données, calculer des indicateurs, et analyser des résultats sans écrire un algorithme complet. Un QCAlgorithm est la version production avec des callbacks (OnData, OnEndOfDay), un portefeuille, et un moteur d’exécution. Les notebooks de cette série utilisent QuantBook pour l’exploration ; les projets utilisent QCAlgorithm pour le backtesting.

Free tier vs offre payante

Fonctionnalité Free Tier Paid (Team/Premium)
Backtesting ✅ Illimité (8h calcul/mois) ✅ Illimité (plus d’heures)
Paper trading ✅ ✅
Données Equity/Crypto/Forex ✅ Depuis 2010 ✅ Depuis 1998
Alternative data ❌ (workaround : NewsAPI gratuit) ✅ TiingoNews, etc.
GPU pour Deep Learning ❌ (CPU local) ✅ GPU cloud
Live trading ❌ ✅

Workarounds Free Tier : - QC-17 Sentiment : NewsAPI gratuit au lieu de TiingoNews payant - QC-22/23/24 Deep Learning : CPU-optimized - QC-27 Production : Paper trading (simulation gratuite)

Résultats Attendus

Après completion de cette série, vous maîtriserez :

Compétences Techniques

  • ✅ QuantConnect LEAN : Architecture, lifecycle, Universe sélection
  • ✅ Risk Management : Position sizing, stop-loss, take-profit
  • ✅ Algorithm Framework : Alpha, Portfolio Construction, Risk Management, Execution
  • ✅ Machine Learning : Supervised (RF, XGBoost), Deep Learning (LSTM), RL (PPO)
  • ✅ LLM Integration : Prompt engineering, LLM-augmented signals
  • ✅ Production Deployment : Paper trading, live trading, monitoring

Projets Réalisables

  • 🎯 Stratégie momentum multi-actifs avec risk management
  • 🤖 Bot ML directionnel avec Random Forest + XGBoost
  • 🧠 Stratégie LSTM pour prédiction prix court-terme
  • 💡 LLM-augmented strategy combinant GPT-4 + indicateurs
  • 🏭 Déploiement production en paper trading

Stratégies Vérifiées — Baselines Comparatives

Les projets du dossier projects/ (compte et classification à jour : projects/README.md) ont été backtestés sur des périodes standardisées via QC Cloud API. Le tableau ci-dessous présente les meilleures performances vérifiées (Sharpe, CAGR, MaxDD, PSR) : catalogue complet.

flowchart TD
    BT["Backtest in-sample<br/>(Sharpe brut)"] --> WF["Walk-forward<br/>5-fold"]
    WF --> OOS["Out-of-sample strict<br/>(fenetre alignee 2018-2025)"]
    OOS --> MS["Multi-seed<br/>0/1/7/42/99"]
    MS --> PSR{"PSR > 50% ?"}
    PSR -->|"oui"| FEES["Test frais reels<br/>5bps equity / 10bps crypto"]
    PSR -->|"non"| ART["Artefact :<br/>edge illusoire"]
    FEES --> VERD{"Sharpe net<br/>survit aux frais ?"}
    VERD -->|"oui"| KEEP["Strategie robuste"]
    VERD -->|"non"| DROP["Edge evapore"]
    %% color: explicite -- sans lui, libelle clair sur fond clair en mode sombre GitHub (#15022) ; ton parfois plus fonce que le stroke (le stroke en couleur de texte rendrait infer illisible) : ne pas harmoniser
    style PSR fill:#fff3e0,color:#bf360c
    style VERD fill:#fff3e0,color:#bf360c
    style KEEP fill:#e8f5e9,color:#1b5e20
    style ART fill:#ffebee,color:#721c24
    style DROP fill:#ffebee,color:#721c24

Le fil rouge de la série : un Sharpe spectaculaire en backtest court est presque toujours un artefact. La validation ci-dessus — walk-forward, OOS strict aligné, multi-seed, PSR > 50%, puis test des frais réels — est ce qui sépare une stratégie robuste d’une illusion statistique. Les stratégies du tableau Top 5 ci-dessous sont celles qui ont survécu à ce pipeline.

Top 5 stratégies (Sharpe aligned, 2018-2025)

# Stratégie Type Sharpe CAGR% MaxDD% PSR%
1 LeveragedETFMomentum* IND 1.779 126.4 53.3 79.8
2 TrendFollowing IND 1.072 23.2 9.3 81.8
3 Framework_Composite_TrendWeather COMP 0.948 24.6 27.5 56.6
4 EMA-Cross-Stocks IND 0.891 26.2 35.7 40.5
5 VolTarget-Momentum COMP 0.648 14.7 21.2 22.3

Lecture : PSR (Probabilistic Sharpe Ratio) > 50% = statistiquement significatif. *LeveragedETFMomentum utilise des ETF à levier 3x : profil de risque extrême (MaxDD 53%), non comparable aux stratégies non-leveragées. TrendFollowing (1.072) : caveat de reproductibilité — ce Sharpe vient d’un état du code cloud antérieur (backtest 7792ae0a, 2018-2025) non reproductible depuis le code versionné du dépôt. Baseline-clone du main.py repo (2015-2024, IBKR margin) = Sharpe 0.36 / PSR 6.3% (backtest 486eb064, #1630 item 8). À citer avec ce caveat, pas comme leader incontesté.

Enseignements clés : - TrendFollowing : Sharpe 1.072 publié (2018-2025, état cloud antérieur) — non reproductible par le code repo actuel qui donne 0.36 (2015-2024, PSR 6.3%). La tendance persiste conceptuellement, mais le chiffre exact dépend de la version du code et de la fenêtre (cf diagnostic reproductibilité, finding 18). - EMA-Cross-Alpha : Sharpe -0.010 en aligned (vs 0.996 en backtest court) = overfitting sever. Démonstration pédagogique du danger des backtests courts. - Composites : tout dépend de l’architecture : Framework_Composite_TrendWeather tient (0.948, PSR 56.6%) là où MomentumRegime (combinaison SectorMom + Regime) obtient seulement 0.185 (“double-defense”). - Les stars du catalogue ne survivent pas toutes à l’alignement : PuppiesOfTheDow (1.99 → 0.302) et HighBookToMarketFScore (2.09 → 0.411) s’effondrent sur 2018-2025 — leurs Sharpe catalogue venaient d’une fenêtre glissante non standardisée. - Crypto = diversification stable : MaxDD maitrisé (~17%), rendement modéré.

Voir docs/qc/qc-comparative-backtests.md pour les 36 baselines vérifiées, les comparaisons best-vs-aligned, et les diagnostics détaillés (See #1630).

ML-Training-Pipeline — l’échelle de complexité des modèles

Le sous-projet ML-Training-Pipeline/ applique la même rigueur méthodologique (walk-forward, multi-seed, Diebold-Mariano) à une question systématique : quelle complexité de modèle apporte réellement un edge en trading ? Deux campagnes structurent la réponse :

  • La « Ladder » (#1409, complète) : une échelle de modèles de complexité croissante — baselines linéaires, arbres, LSTM, Transformers, jusqu’au Decision Transformer, seul modèle à battre significativement les baselines (BEATS sur 24/26 seeds, panel @10bps — non confirmé hors-échantillon en temps, OOT réel 04/09 NO-BEATS). L’enseignement central : les modèles action-based (qui apprennent directement la politique de trading) surclassent les modèles forecast-based (qui prédisent le rendement puis en dérivent une action) — la prédiction de prix est le maillon faible, pas la décision.
  • Le « Curriculum V2 » : un balayage de familles de modèles sur des tâches de volatilité et de régime, dont ne survivent que 4 KEEPERS validés : S3 HMM régime (+0.669 Sharpe vs baseline), S4 Inverse-vol Ridge (+0.325), M12 HAR-RV-J (prévision de volatilité avec sauts) et M15 LSTM-RV. Tout le reste — y compris des architectures réputées (TFT, DLinear) — ne bat pas les baselines une fois les coûts appliqués.

Le détail (registre des runs, checkpoints, notebooks de recherche m*_research.ipynb, curriculum) vit dans ML-Training-Pipeline/README.md, CURRICULUM.md et REGISTRY.md. Ce pipeline alimente aussi le dimensionnement Kelly HMM-regime du pont Lean ci-dessous.

Pont vers les Preuves Formelles (Lean 4) — différenciant CoursIA

Le dépôt ne se limite pas aux notebooks Python : il embarque une couche de preuves Lean 4 qui ancre mathématiquement les résultats phares des séries. Le bridge QuantConnect ↔︎ Lean est kelly_lean — un lake Lean 4 (Mathlib, toolchain v4.31.0-rc1), intégralement bilingue (modules Bet/Growth/Kelly en français + miroirs _en, cf. convention i18n Lean du dépôt), qui prouve l’optimalité du critère de Kelly pour le position sizing. Le théorème : pour un pari de Bernoulli (probabilité p de gain, cote nette b, q = 1 − p), la fraction optimale du capital à risquer est

f* = (b·p − q) / b

qui maximise de façon unique le taux de croissance espéré du capital composé. Tout sur-pari (f > f*) ou sous-pari (f < f*) est strictement sous-optimal. Référence : J. L. Kelly Jr., A New Interpretation of Information Rate, BSTJ (1956).

flowchart LR
    QC["Stratégie QuantConnect<br/>QC-Py-10 Risk Management<br/>Kelly fraction sizing"]
    KELLY["kelly_lean lake<br/>kelly_optimal : g(f) ≤ g(f*)<br/>kelly_unique : f ≠ f* ⟹ g(f) < g(f*)"]
    ML["ML-Training-Pipeline<br/>dimensionnement Kelly<br/>HMM-regime + fee-aware"]
    BACKTEST["Backtests QC Cloud<br/>Sharpe aligned 2018-2025<br/>walk-forward + multi-seed"]
    QC -. "fréquence risquée f" .-> KELLY
    KELLY -. "théorème-prouve f*" .-> ML
    ML --> BACKTEST
    %% color: explicite -- sans lui, libelle clair sur fond clair en mode sombre GitHub (#15022) ; ton parfois plus fonce que le stroke (le stroke en couleur de texte rendrait infer illisible) : ne pas harmoniser
    style KELLY fill:#e8f5e9,color:#1b5e20
    style BACKTEST fill:#e1f5ff,color:#004085

Le pipeline complet relie donc trois familles du dépôt : la théorie (Lean prouve kelly_optimal + kelly_unique), la pratique (ML-Training-Pipeline dimensionne Kelly HMM-regime, fee-aware, multi-asset, cap-relaxed — voir ML-Training-Pipeline/docs/M11*), et la validation empirique (backtests QC Cloud walk-forward + multi-seed, comparatif dans docs/qc/qc-comparative-backtests.md). Sans la couche Lean, la pratique risquerait de s’appuyer sur une formule réputée « standard » mais jamais démontrée. Avec elle, la justification du fractionnement du capital est formellement garantie — pas seulement empiriquement ajustée.

Pour aller plus loin : EPIC #4038 (Roadmap Lean — un théorème-phare par série), issue #4052 (kelly_lean Tier 2), kelly_lean/README.md, kelly_lean/Kelly.en.md.

Cross-series Bridges

Examens — rattrapages Trading (5BD ALT1)

Les sujets de rattrapage 2024 et 2025 (avec corrigés, sources LaTeX) vivent dans examens/ — publication autorisée, sujets hors rotation. Leur rattachement notion par notion aux notebooks de la série est donné dans examens/README.md.

Serie Lien Connection
ML Machine Learning Les modèles de prédiction ML (régression, classification, XGBoost) s’appliquent directement aux stratégies de trading (QC-Py-19 à QC-Py-21)
GenAI IA générative L’analyse de sentiment (QC-Py-17) et les signaux de trading par LLM (QC-Py-26) utilisent les LLMs couverts dans GenAI/Texte
RL Apprentissage par renforcement Les stratégies RL (QC-Py-25 DQN/PPO, QC-Py-33 PPO, QC-Py-34 SAC/A2C, QC-Py-35 portfolio) prolongent les fondamentaux RL de cette série
Probas Programmation probabiliste La modélisation bayésienne des rendements et la gestion du risque s’appuient sur les modèles probabilistes de la série Probas
Search Recherche et optimisation L’optimisation des hyperparamètres de stratégies (grid search, bayésienne) rejoint les techniques de recherche
ML Séries temporelles ML.NET L’analyse technique (QC-Py-11 Technical-Indicators) partage les mêmes fondements que le forecasting par SSA (ML-5)
Lean 4 (kelly_lean) Preuves formelles Le théorème de Kelly est prouvé formellement dans kelly_lean/ (Mathlib, toolchain v4.31.0-rc1) — fondement du position sizing enseigné dans QC-Py-10

Conclusion / Prochaines étapes

Ce que vous avez appris

Cette série vous a fait traverser l’arc complet du trading algorithmique moderne — de la gestion d’un événement de marché à la production d’un agent RL déployé en live. L’arc pédagogique :

  • Les fondations LEAN (phases 1-4) : maîtriser le QCAlgorithm lifecycle, l’univers sélection, les asset classes (equities, crypto, options, futures), le risk management (drawdown, exposure, stop-loss) et l’Algorithm Framework modulaire (Alpha + Portfolio Construction + Risk Management). On apprend à écrire un algo propre, pas à empiler des règles ad hoc.
  • La préparation ML (phase 5) : les données alternatives (sentiment, fundamentals, FRED) et le feature engineering. On apprend que 80% de la performance ML vient de la qualité des features, pas du modèle.
  • Le machine learning (phases 6-7) : Random Forest et XGBoost classiques, puis deep learning (LSTM, Transformers, autoencoders pour l’anomaly detection). On apprend que les modèles de deep learning sont fragiles aux coûts de transaction réels et au changement de régime — un edge apparent en backtest peut s’évaporer une fois les frais appliqués (cf. les baselines vérifiées dans le tableau comparatif ci-dessus).
  • La production (phase 8 + compléments RL) : Reinforcement Learning (DQN, PPO, SAC/A2C), LLMs pour signaux de trading, et déploiement live (paper trading, brokers IBKR/Binance). On apprend que la stratégie ne se juge pas sur le Sharpe brut mais sur le Sharpe net après frais, slippage et impact de marché.

Le fil rouge : la rigueur méthodologique. Le catalogue de 36 baselines vérifiées (PSR, walk-forward, fenêtres alignées) enseigne que la plupart des Sharpe spectaculaires ne survivent pas à un backtest honnête — un Lehmann pédagogique aussi important que les techniques elles-mêmes.

Prochaines étapes

  1. Approfondir une voie : choisir un domaine (RL, Transformers, factor investing) et creuser les notebooks avancés correspondants (QC-Py-30/31 pour le DL, QC-Py-32/33/34 pour le RL, QC-Py-21/24 pour l’optimisation de portefeuille).
  2. Construire un composite : combiner plusieurs Alpha Models via l’Algorithm Framework (cf. Framework_Composite_TrendWeather, le leader robuste du catalogue) — la diversification batte l’optimisation fine d’un signal unique.
  3. Paper trading : déployer une stratégie sur QuantConnect Paper Brokerage ou IBKR/Binance (cf. docs/PAPER_TRADING_ARCHITECTURE.md) pour valider en temps réel avant tout capital réel.
  4. Suivre le livre : Hands-On AI Trading (Jared Broad, 2025) — chaque exemple du livre est rattaché aux notebooks et aux projets de cette série dans BOOK_MAPPING.md, avec son statut (couvert, partiel, ébauche, absent).
  5. Explorer les cross-series bridges ci-dessus : les techniques ML, GenAI, Probas et Search se combinent toutes avec le trading algorithmique.
  6. Consulter le catalogue : docs/qc/qc-comparative-backtests.md pour les 36 baselines vérifiées, leurs diagnostics de robustesse et les caveats de reproductibilité.

Rappel honnête : le trading algorithmique est un domaine où l’overfitting est la règle, pas l’exception. Un Sharpe > 2 sur un backtest court est presque toujours un artefact. La discipline du walk-forward, du multi-seed et du out-of-sample strict — enseignée tout au long de cette série — est ce qui sépare une stratégie robuste d’une illusion statistique.

Version 1.2.0 — Juillet 2026

Retour au sommet