QuantConnect Algorithmic Trading Projects

Catalogue de projets de trading algorithmique sur QuantConnect Cloud. Chaque stratégie illustre un concept pédagogique ; les performances varient volontairement pour montrer ce qui survive au backtest réaliste. Le compte exact et le statut de chaque dossier sont portés par le catalogue régénéré (CATALOG-STATUS) et par STRATEGIES_DETAIL.md.

Visiteur ? Lire le Quick Tour (2 min) pour comprendre l’ensemble.

Classification

Label Sharpe Action
Robuste > 0.5 Conserver, itérer
Historique 0-0.5 Contre-exemple, documenter les régimes favorables
Exploratoire < 0 Retravailler si pédagogique

Performance Summary

Robuste (Sharpe > 0.5) — 18 stratégies

Projet Sharpe CAGR MaxDD Période Niveau
Framework_Composite_TrendWeather 1.155 27.4% 27.7% 2015-2026 Avancé
CSharp-BTC-EMA-Cross 1.094 36.2% 40.7% 2017-2026 Débutant
EMA-Cross-Stocks 0.872 25.7% 35.7% 2015-2026 Débutant
Portfolio-Optimization-ML 0.896 27.6% 41.6% 2015-2026 Avancé
CausalEventAlpha 0.779 16.8% 22.1% 2015-2026 Avancé
Gaussian-Direction-Classifier 0.761 — 25.6% 2015-2026 Avancé
TrendStocksLite 0.719 18.2% 33.7% 2015-2026 Intermédiaire
ML-Temporal-CNN 0.734 20.5% 21.6% 2019-2024 Avancé
ML-LLM-Summarization 0.686 15.5% 22.7% 2015-2026 Avancé
ML-RandomForest 0.682 20.1% 36.4% 2015-2026 Avancé
ML-Trend-Scanning 0.656 19.1% 34.8% 2015-2026 Intermédiaire
AllWeather 0.667 9.3% 16.4% 2010-2026 Débutant
SectorMomentum 0.621 13.2% 22.8% 2010-2026 Intermédiaire
BlackLitterman-Momentum 0.604 13.7% 33.1% 2015-2026 Avancé
MomentumStrategy 0.565 11.8% 25.8% 2010-2026 Intermédiaire
ML-XGBoost 0.566 14.8% 38.6% 2015-2026 Avancé
ML-FeatureEngineering 0.571 10.5% 19.6% 2015-2026 Avancé
RegimeSwitching 0.553 11.7% 33.0% 2008-2026 Avancé

Historique (Sharpe 0-0.5) — 13 stratégies

Multi-Layer-EMA (0.928, non robuste) · EMA-Cross-Index (0.470) · DualMomentumNoTLT (0.469) · Adaptive-Conformal-Risk (0.423) · RiskParity (0.399) · DualMomentum (0.350) · MeanReversion (0.294) · BTC-ML (0.282) · EMA-Cross-Crypto (0.244) · OptionsIncome (0.207) · FuturesTrend (0.136) · TurnOfMonth (0.128) · VIX-TermStructure (0.051)

Exploratoire (Sharpe < 0) — 4 stratégies

TrendFilteredMeanReversion (-0.016) · ForexCarry (-0.324) · PairsTrading (-0.361) · ETF-Pairs (-0.706)

ML / DL / RL — 35+ stratégies

Stratégies ML/AI basées sur Hands-On AI Trading et implémentations internes. Toutes backtestées sur QC Cloud.

Voir STRATEGIES_DETAIL.md pour le catalogue complet.

QC Strategy Library Clones — 8 projets

Références avancées clonées depuis la QC Cloud Library (avril 2026). Top performer : LongShortHarvest-QC (OOS Sharpe 3.39).

Voir STRATEGIES_DETAIL.md pour le catalogue complet.

État vérifié sous frais réels (#1630, 2018-2025)

Caveat important. Les Sharpes du tableau « Robuste » ci-dessus sont des valeurs catalogue (pré-frais, fenêtres variables). La campagne #1630 a re-vérifié 36+ de ces stratégies sous frais IBKR réels (PercentFeeModel explicite) sur une fenêtre alignée 2018-2025. Plusieurs stars du catalogue s’effondrent dans ces conditions — le label « Robuste » ci-dessus ne préjuge pas de la robustesse sous frais réels.

Effondrements confirmés (catalogue → aligné 2018-2025)

Stratégie Sharpe catalogue Sharpe aligné Delta Cause
HighBookToMarketFScore 2.09 0.41 -80% Value/factor écrasé par les frais réels, MaxDD -60%
PuppiesOfTheDow 1.99 0.30 -85% Value/factor + frais réels
ML-Trend-Scanning 0.66 0.33 -50% Rebalancement quotidien SPY/TLT/GLD multi-actifs = turnover écrasé
AllWeather 0.67 0.47 -30% Sleeve bonds/gold multi-actifs = friction de panier

Leaders vérifiés alignés (backbone no-ML)

Stratégie Sharpe aligné PSR Caveat
Framework_Composite_EMATrend 0.611 19.8% Sleeve EMA 100% Mag7 → biais de survivorship ; Sharpe le plus haut mais constitution concentrée
composite-c2-equityfactor 0.574 25.8% Constitution la plus robuste (25 actions factor-diversifiées) ; tient juste au-dessus du seuil

TrendFollowing (catalogue 1.072) n’est pas reproductible depuis le main.py du dépôt : le baseline-clone (2015-2024, IBKR) donne un Sharpe bien inférieur (~0.36-0.41, PSR < 9%). Le 1.072 provient d’un état du code cloud antérieur — à citer avec ce caveat (diagnostic finding #18).

Le discriminateur (leçon durable)

La résistance aux frais n’est pas l’asset-class ni ML-vs-indicateur : c’est le realized-turnover = fréquence × taille par trade × homogénéité des frais du panier. Un composite equity-only fee-homogeneous en rebalancement mensuel (c2 0.574) tient là où un multi-asset rotationnel (AllWeather 0.47) s’effondre — même architecture, c’est l’univers qui décide.

Détail complet, comparatifs best-vs-aligned et diagnostics par stratégie : docs/qc/qc-comparative-backtests.md (See #1630).

Structure d’un Projet

MonProjet/
  main.py / Main.cs     # Algorithme (déployé sur QC Cloud)
  alpha.py / helpers     # Modules auxiliaires
  research.ipynb         # Recherche exploratoire
  quantbook.ipynb        # QuantBook (données QC natives, optionnel)
  README.md              # Documentation

Utilisation

Sur QuantConnect Cloud : Créer un projet Python → copier main.py → lancer le backtest.

En local : pip install yfinance pandas matplotlib puis jupyter notebook projects/MonProjet/research.ipynb

Conclusion / Prochaines étapes

Ce que vous avez appris

Ce catalogue est un zoo de stratégies backtestées, organisé non pas par thème mais par robustesse (Robuste / Historique / Exploratoire). Le compte exact et la classification à jour sont portés par STRATEGIES_DETAIL.md (catalogue complémentaire inclus). La classification elle-même est la leçon :

  • La robustesse prime sur le Sharpe brut : une stratégie à Sharpe 1.6 qui s’effondre hors-échantillon vaut moins qu’une stratégie à Sharpe 0.6 stable à travers les régimes. Le label Robuste (> 0.5 soutenu) est la barre pédagogique, pas le chiffre spectaculaire.
  • Les contre-exemples sont aussi importants que les succès : les stratégies Exploratoire (Sharpe < 0) et Historique (0-0.5) sont conservées délibérément pour montrer ce qui ne marche pas et pourquoi — PairsTrading sur ETF corrélés, ForexCarry, MeanReversion naïf. On apprend autant d’un edge négatif bien diagnostiqué que d’un edge positif.
  • La diversité des régimes compte : un projet backtesté 2015-2026 (bull/bull) n’a pas la même valeur probante qu’un projet backtesté 2008-2026 (incluant le GFC). La colonne Période est lue comme un indice de robustesse, pas comme une métadonnée.

Le fil rouge : chaque projet est reproductible — main.py (ou Main.cs) se déploie tel quel sur QuantConnect Cloud, et research.ipynb documente l’exploration qui a mené à la stratégie.

Prochaines étapes

  1. Parcourir par niveau : débutant (CSharp-BTC-EMA-Cross, EMA-Cross-Stocks, AllWeather) avant d’aborder les avancés (Framework_Composite_TrendWeather, Portfolio-Optimization-ML).
  2. Lire les contre-exemples : ouvrir PairsTrading/ et ForexCarry/ pour comprendre pourquoi ils échouent — le diagnostic négatif est formateur.
  3. Consulter le détail : STRATEGIES_DETAIL.md donne le contexte complet de chaque stratégie (catégorie, ML/DL/RL, clones QC Library).
  4. Reproduire sur QC Cloud : créer un projet, copier le main.py, lancer le backtest, et comparer vos métriques au tableau ci-dessus.
  5. Étendre un projet Robuste : choisir une stratégie Robuste (ex. RegimeSwitching, SectorMomentum) et itérer — changer l’univers, ajouter un filtre de risque, tester la sensibilité aux coûts de transaction.
  6. Voir les leçons transversales : docs/qc/quantconnect.md recense les 20 patterns confirmés et les anti-patterns observés à travers l’ensemble du catalogue (cf. STRATEGIES_DETAIL.md pour le détail projet par projet).

Rappel honnête : un Sharpe de backtest, même Robuste, n’est pas une garantie live. Les coûts de transaction réels, le slippage et l’impact de marché dégradent systématiquement la performance paper. La barre Robuste (> 0.5 soutenu sur la période) est nécessaire mais pas suffisante — le walk-forward et l’out-of-sample strict restent obligatoires avant tout déploiement.

Ressources

Retour au sommet