Trading Quantitatif avec QuantConnect — Template de Cours Partenaire

Espace de travail pour les cours de trading quantitatif des écoles partenaires. Sponsorisé par Jared Broad (CEO QuantConnect) via le tier « Trading Firm ».

Inscription des Étudiants

Procédure d’Inscription

Pour participer et bénéficier du sponsoring QuantConnect (tier Trading Firm) :

  1. Créer un compte gratuit sur quantconnect.com avec votre email d’école
  2. Envoyer votre nom d’utilisateur à l’instructeur
  3. Attendre d’être ajouté à l’organisation Trading Firm
  4. Commencer les exercices : notebooks QC-Py-01 à QC-Py-04, puis les exercices du cours

Workflow Cloud-First

Tout le développement se fait sur QuantConnect Cloud (QC Lab), pas en local.

  • Avantages : pas d’installation locale, accès aux données historiques QC, compilation instantanée
  • Projets : créez vos projets directement dans QuantConnect Lab

Templates Étudiants

Les templates dans templates/ sont des points de départ pour vos projets. Chaque niveau correspond à une difficulté croissante.

Starter (Débutant)

Fichier : templates/starter/main.py

Stratégie : crossover EMA sur BTCUSDT (Golden Cross / Death Cross)

Prérequis : - Notebooks QC-Py-01 à QC-Py-04 terminés - Comprendre les bases : Initialize, OnData, indicateurs

Concepts couverts : - AddCrypto : ajouter un actif crypto avec marché et résolution - self.EMA(...) : créer un indicateur Exponential Moving Average - SetWarmUp : préchauffer les indicateurs avant de trader - SetHoldings : allouer un pourcentage du portefeuille - Liquidate : vendre toute la position - OnOrderEvent : recevoir les notifications d’exécution

Modifications suggérées : - Changer les périodes EMA : (5, 20), (20, 50) ou (50, 200) - Ajouter un filtre RSI : ne pas acheter si RSI > 70 - Implémenter un stop-loss à -5 % - Tester sur d’autres cryptos : ETHUSDT, SOLUSDT

Documentation complète : templates/starter/README.md

Intermediate (Intermédiaire)

Fichier : templates/intermediate/main.py

Stratégie : classement momentum sur actions S&P 500 avec l’Alpha Framework

Prérequis : - QC-Py-13 (Alpha Models) terminé - Comprendre le QC Algorithm Framework

Modules de l’Alpha Framework :

Module Rôle Classe
AlphaModel Générer les signaux (Insights) MomentumAlphaModel
PortfolioConstructionModel Convertir les Insights en allocations EqualWeightingPortfolioConstructionModel
RiskManagementModel Ajuster pour le risque TrailingStopRiskManagementModel(0.05)
ExecutionModel Envoyer les ordres ImmediateExecutionModel

Modifications suggérées : - Changer le lookback momentum : 60, 120 ou 252 jours - Ajouter un filtre RSI pour éviter les actions surachetées - Filtrage sectoriel : se concentrer sur des secteurs spécifiques - Changer le modèle de construction : InsightWeighting, MeanVariance, RiskParity

Documentation complète : templates/intermediate/README.md

Advanced (Avancé)

Fichier : templates/advanced/main.py

Stratégie : Machine Learning (RandomForest) sur BTCUSDT

Prérequis : - QC-Py-18 (ML Features Engineering) et QC-Py-19 (ML Classification) terminés - Familier avec sklearn : RandomForestClassifier, feature engineering

Pipeline ML :

Données (BTCUSDT Daily)
    -> Feature Engineering (SMA, RSI, ratios EMA, rendements)
    -> Entraînement RandomForest (100 arbres, max_depth=5)
    -> Prédiction quotidienne (1 = long, 0 = cash)
    -> Ré-entraînement mensuel automatique

Modifications suggérées : - Ajouter des features : ADX, ATR, Bollinger Bands, volume - Essayer d’autres modèles : XGBoost, SVC - Ajouter des positions courtes (requiert un compte Margin) - Walk-forward optimization : entraîner sur N mois, tester sur le mois suivant - Gestion du risque : stop-loss, take-profit, position sizing

Documentation complète : templates/advanced/README.md

Exemples de l’Instructeur

Le répertoire examples/ contient des projets validés avec des backtests positifs.

Python - Crypto

Projet Cloud ID Description
Multi-Layer-EMA 20216947 EMA crossover multi-crypto (BTC/ETH/LTC) + filtre RSI

Python - Actions/ETFs

Projet Cloud ID Description
Sector-Momentum 20216980 Dual momentum SPY/TLT/GLD + PCM Risk Parity
Trend-Following 20216930 Multi-oracle (MACD/RSI/Bollinger) + ATR trailing stop

Python - Options

Projet Cloud ID Description
Options-VGT 21113806 Vente de PUT OTM sur 5 actions tech (NVDA, ORCL, CSCO, AMD, QCOM)
Option-Wheel-Strategy 20216898 Stratégie Wheel SPY : vente PUT -> assignment -> CALL couvert

Python - ML

Projet Cloud ID Description
ML-RandomForest 29686996 RandomForest sur large caps, 6 features, ré-entraînement mensuel
Framework-Composite 29687005 Alpha Framework : alphas EMAMomentum + SectorMomentum, MaxDD 15 %

C

Projet Cloud ID Description
CSharp-BTC-MACD-ADX 19898232 BTC MACD+ADX daily sur Binance Cash
CSharp-BTC-EMA-Cross 19050970 Crossover EMA BTC classique (18/23)
CSharp-CTG-Momentum 19225388 « Stocks on the Move » (Clenow) — Momentum ranking

Kit de Transition — Stratégies ML & Framework

Le répertoire kit-transitoire/ regroupe trois stratégies progressives de rotation sectorielle (univers de 9 ETFs XLK..XLRE), chacune livrée avec un main.py déployable sur QC Cloud et un notebook de recherche QuantBook (research.ipynb) documentant les itérations et le calibrage. Backtests validés sur 2015-2024.

# Stratégie Type Sharpe CAGR Max DD
01 ML RandomForest Classification (14 features, ré-entraînement mensuel) 0.556 11.43 % 17.2 %
02 ML XGBoost Régression (20 features, ré-entraînement bi-hebdomadaire) 0.521 12.81 % 39.1 %
03 Framework Composite Alpha Models (SectorMomentum + Defensive, MultiStrategyPCM 70/30, MaxDrawdownCircuitBreaker 15 %) 0.376 7.60 % 20.6 %

Les trois stratégies partagent un filtre baissier (SPY < SMA200 -> max 2 positions) et illustrent la progression pédagogique : ML supervisé -> ML avancé avec features riches -> architecture QC Framework propre (alpha models + PCM + risk). Documentation détaillée et comparaison complète : kit-transitoire/README.md.

Notebooks de Recherche (QuantBook)

Cinq projets Researcher avec des notebooks QuantBook opérationnels pour explorer les données QC Cloud :

Projet Cloud ID QuantBook Contenu de recherche
Multi-Layer-EMA-Researcher 28433748 research.ipynb Grid search EMA/RSI/stop-loss sur BTC/ETH/LTC
BTC-ML-Researcher 28433750 research.ipynb Feature importance, walk-forward, confidence grid
MomentumStrategy-Researcher 28657837 quantbook.ipynb H1-H4 : top-N, lookback, fenêtre de vol, filtre de régime
AllWeather-Researcher 28657833 quantbook.ipynb Grid search allocations All-Weather (SPY/IEF/GLD/XLP)
Sector-Momentum-Researcher 28433643 quantbook.ipynb + research.ipynb Dual Momentum SPY/TLT/GLD, refonte complète

Ces notebooks illustrent le workflow QuantBook -> QCAlgorithm : idée -> recherche -> backtest.

Recherche ML 2026 — Modèles Validés (Pipeline V2)

Le pipeline de recherche ML (ML-Training-Pipeline/) suit un curriculum en 7 étapes basé sur Hands-On AI Trading (Broad/QuantConnect, 2025). Les modèles ci-dessous ont passé le gate S1 (vol-forecasting) avec un test de Diebold-Mariano significatif (p < 0,05, >= 4 seeds, walk-forward 5-fold).

S1 KEEPERS — Prévision de volatilité multi-coin (BEATS)

Modèle Tâche Verdict DM p-value Architecture
M12 HAR-RV-J Prévision de vol à 5 jours BEATS RW + GARCH 0,0015 Heterogeneous Autoregressive + composante de Jump (Corsi 2009)
M15 LSTM h=32 Prévision de vol court-terme BEATS RW 0,0107 LSTM hidden=32, 53/84 combos BEAT cross-coin (BTC/XRP/DOT/ADA)

Complémentarité observée : M12 capte mieux ETH/SOL, M15 capte mieux DOT.

S3 — HMM Regime daily (livré, alimente le sizing S5)

Hidden Markov Model 2-régimes (calme vs stress) sur les rendements daily SPY+VIX+BTC. La sortie discrète est utilisée comme switch dans les stratégies vol-target (réduction de l’exposition en régime stress).

S4 v2 — Inverse-Vol Ridge + HMM Regime (BEATS EqW)

Allocation pondérée inverse-vol avec régression Ridge sur les features (momentum + prévision de vol M12) et switch HMM. Delta Sharpe +0,325 vs EqW (baseline Equal Weight) sur backtest QC Cloud.

L4 Decision Transformer — Trading basé actions (BEATS)

Premier modèle à battre le buy-and-hold sur 24/26 symboles (panel @10bps ; hors-échantillon temporel réel : NO-BEATS). L’approche basée actions (classification buy/hold/sell) surpasse massivement les approches basées prévision (PatchTST). AUC médian 0,5582, 104 combos validés.

Stratégies QC Cloud alimentées par ces modèles

Projet QC Cloud Cloud ID Modèle source Description
HAR-RV-Kelly 31456164 M12 HAR-RV-J Prévision de vol -> sizing Kelly 1/4 sur SPY/EFA/EEM/TLT/GLD/DBC
Vol-GARCH-Target 31456084 GARCH(1,1) baseline Vol-targeting 15 % annualisé (référence pour M12)
Vol-Ensemble-Conservative 31456204 Ensemble M12+M15 Pondération inverse-vol + cap de levier

Ces projets sont disponibles dans ../projects/.

Concepts Pédagogiques Couverts

Les exemples et templates couvrent 4 classes d’actifs et 8+ concepts de trading :

Niveau Concepts Stratégies
1 - Fondations EMA Crossover, MACD+ADX, Options de base Multi-Layer-EMA, CSharp-BTC-EMA-Cross, Options-VGT
2 - Intermédiaire Alpha Framework, Multi-indicateurs, Wheel Strategy Sector-Momentum, Option-Wheel-Strategy, Trend-Following
3 - Avancé Momentum ranking, Risk Parity, ML CSharp-CTG-Momentum, Sector-Momentum, ML-RandomForest

Résultats de Backtest

Exemples de l’instructeur — 8 projets validés

# Projet Sharpe CAGR Max DD
1 Sector-Momentum 2.530 66.1 % 5.6 %
2 Trend-Following 2.157 136.0 % 20.5 %
3 Multi-Layer-EMA 1.891 120.9 % 54.4 %
4 CSharp-BTC-MACD-ADX 1.224 38.1 % 48.8 %
5 CSharp-BTC-EMA-Cross 1.094 36.2 % 40.7 %
6 Options-VGT 0.892 25.3 % 15.6 %
7 Option-Wheel-Strategy 0.524 12.7 % 26.4 %
8 CSharp-CTG-Momentum 0.507 17.7 % 36.1 %

Parcours d’Apprentissage Recommandé

Pour les débutants

  1. Notebooks de fondation : QC-Py-01 à QC-Py-04 (~4,5h)
  2. Template Starter : comprendre et modifier templates/starter/main.py
  3. Premier projet personnel : adapter le template avec vos idées
  4. Itération : backtester, analyser les résultats, améliorer

Pour les intermédiaires

  1. Notebooks Alpha Framework : QC-Py-13 à QC-Py-15 (~4h)
  2. Template Intermediate : étudier templates/intermediate/main.py
  3. Projets exemples : analyser Sector-Momentum, Trend-Following
  4. Projet personnel : créer votre propre stratégie avec l’Alpha Framework

Pour les avancés

  1. Notebooks ML : QC-Py-18 à QC-Py-21 (~4h)
  2. Template Advanced : étudier templates/advanced/main.py
  3. Projets ML : analyser BTC-MachineLearning, Sector-ML-Classification
  4. Recherche avancée : features engineering, hyperparameter tuning, walk-forward

Notebooks Compagnons

La série Python progressive dans ../Python/ (notebooks QC-Py-*) accompagne ce cours partenaire. Elle couvre l’écosystème QC de bout en bout, du premier algorithme au déploiement live :

  1. Setup : compte, IDE, premier algorithme
  2. Fondations : API, Resolution, Consolidators, QuantBook
  3. Indicateurs : MACD, RSI, Bollinger, EMA
  4. Stratégies : Mean Reversion, Momentum, Pairs Trading, Options
  5. Framework : Alpha, Portfolio Construction, Risk, Execution
  6. ML/AI : Features, modèles, ObjectStore, RL, NLP
  7. Production : paper trading, live, monitoring

Le catalogue détaillé et les comptes à jour (les notebooks QC-Py-* continuent de croître) se trouvent dans le README canonique ../Python/README.md.

Documentation

Conclusion / Prochaines étapes

Ce que vous avez appris

Ce cours partenaire est une plateforme de démarrage structurée vers le trading algorithmique professionnel sur QuantConnect, pensée pour des étudiants partant de zéro jusqu’à un projet personnel ML. Il s’appuie sur deux piliers :

  • Le workflow Cloud-First : tout le développement se fait sur QuantConnect Cloud (QC Lab), sans installation locale — accès direct aux données historiques QC, compilation instantanée, et sponsoring Trading Firm offert par Jared Broad / QuantConnect. On apprend que la plateforme gère l’infrastructure pour que l’étudiant se concentre sur la stratégie, pas sur le plumbing.
  • Les templates progressifs : trois points de départ (starter → intermediate → advanced) calibrés par difficulté croissante. Le starter (EMA crossover sur BTCUSDT) enseigne le QCAlgorithm lifecycle ; l’intermediate introduit l’Algorithm Framework modulaire ; l’advanced ajoute le machine learning. On apprend qu’un bon template est un échafaudage : il code les bonnes pratiques (Initialize, Risk Management, execution) pour que l’étudiant itère sur l’alpha, pas sur la plomberie.
  • Les exemples de projets (Sector-Momentum, Trend-Following, BTC-MachineLearning, Sector-ML-Classification) montrent des stratégies achevées à étudier puis adapter. On apprend que lire du code qui marche est aussi formateur que d’en écrire.

Le fil rouge : la progression pédagogique — les 28 notebooks compagnons (../Python/, QC-Py-01 à 28) fournissent la théorie, et ce cours fournit la pratique guidée via templates et exemples. Les deux sont conçus pour avancer ensemble.

Prochaines étapes

  1. Créer votre compte sur quantconnect.com avec votre email d’école, puis envoyer votre username à l’instructeur pour rejoindre l’organisation Trading Firm.
  2. Faire les fondations : notebooks QC-Py-01 à 04 avant tout (compte, lifecycle, data, QuantBook).
  3. Démarrer avec le template starter : copier templates/starter/main.py dans un projet QC Lab, le backtester, puis le modifier (changer la paire, la période EMA).
  4. Monter de niveau : passer à intermediate (Algorithm Framework) puis advanced (ML) à mesure que vous maîtrisez le niveau précédent.
  5. Étudier puis adapter un exemple : analyser Sector-Momentum ou Trend-Following, comprendre chaque module, puis créer votre propre variante comme projet personnel.
  6. Consulter le catalogue : ../projects/README.md recense les 50+ stratégies backtestées de la série complète pour inspiration et comparaison.

Rappel honnête : un template qui backteste bien n’est pas une stratégie déployable. Le sponsoring vous donne l’infrastructure, pas l’edge. La même discipline que dans toute la série QuantConnect s’applique : walk-forward, out-of-sample, et Sharpe net après frais avant de croire à un résultat.

Ressources

Retour au sommet