ML-Classification

Stratégie de classification ML utilisant un modèle pré-entraîné chargé depuis le QuantConnect ObjectStore.

Prérequis

Cette stratégie nécessite un modèle pré-entraîné stocké dans le QC ObjectStore. Elle ne peut pas s’exécuter comme un backtest autonome sans l’artefact du modèle.

Étapes de configuration

  1. Ouvrir l’environnement de recherche QC
  2. Exécuter research_classification.ipynb pour entraîner le modèle
  3. Sauvegarder le modèle dans l’ObjectStore via qb.object_store.save_bytes()
  4. Puis lancer cet algorithme en backtest

Clés ObjectStore

  • classification_model — classifieur sklearn sérialisé (format joblib)
  • classification_config — configuration JSON du modèle (colonnes de features, seuils)

Logique de stratégie

  • Prédit la direction du marché (hausse/baisse) à T+1 via un classifieur RandomForest
  • Prend position long lorsque la probabilité prédite > 0.55
  • Liquide la position lorsque la probabilité prédite < 0.45
  • Trade SPY en quotidien

Conformité PEP8

Toutes les méthodes personnalisées utilisent le naming snake_case selon les conventions PEP8. Les méthodes du QC Framework (Initialize, OnData, etc.) conservent leur naming PascalCase comme l’exige l’API.

Retour au sommet