Notebooks de recherche standalone

Recherche indépendante utilisant des données locales (yfinance, pandas, sklearn). La majorité des notebooks s’exécutent en local sans QuantConnect Cloud ; 4 notebooks des familles M11/M12 (research_btc_ml, research_m11ef_ensemble, research_m12_har_rv_j, research_m12_har_rv_j_minute) chargent leurs données crypto via QuantBook QC Cloud (type (b), signalés dans le tableau ci-dessous).

Notebooks

Notebook	Sujet	Type	Source de données
`intraday_volume_periodicity.ipynb`	Periodicite intraday du volume (illustration pedagogique CPU-only)	(c) Standalone	simulation synthetique (numpy)
`research_btc_ml.ipynb`	Caractéristiques de prédiction ML BTC	(b) QuantBook QC Cloud	QC Cloud crypto (BTCUSDT Binance)
`research_composite_ff_aw.ipynb`	Composite FamaFrench + AllWeather	(c) Standalone	yfinance
`research_composite_mom_regime.ipynb`	Composite Momentum + Régime	(c) Standalone	yfinance
`research_iv_rank_strike_clusters.ipynb`	Facteurs IV-Rank et strike-availability (article QC #18766, verdicts NO-BEATS)	(c) Standalone	yfinance (VIX/SPY) + resultats QC Cloud mesures
`research_m11ef_ensemble.ipynb`	Méthodes d’ensemble	(b) QuantBook QC Cloud	QC Cloud crypto (Bitstamp/Coinbase)
`research_m12_har_rv_j.ipynb`	Modèle de volatilité HAR-RV-J (horaire)	(b) QuantBook QC Cloud	QC Cloud crypto (Hour)
`research_m12_har_rv_j_minute.ipynb`	M12-HF : variante minute (QuantBook QC Cloud)	(b) QuantBook QC Cloud	QC Cloud crypto (Minute, non exécuté)
`research_m12_hf_btc_local.ipynb`	M12-HF : verdict BTC minute vs hourly (local)	(c) Standalone	BTC tick Bitstamp
`research_m12_hf_dm_test.ipynb`	M12-HF : test de significativité Diebold-Mariano	(c) Standalone	BTC tick Bitstamp
`research_quality_lowvol.ipynb`	Facteur Quality + Low Vol	(c) Standalone	yfinance
`research_risk_parity.ipynb`	Allocation risk parity	(c) Standalone	yfinance
`research_rl_grpo.ipynb`	Agent de trading RL GRPO	(c) Standalone	yfinance
`research_rl_intro.ipynb`	Introduction au RL	(c) Standalone	yfinance
`research_rl_multi_asset.ipynb`	Allocation multi-actifs RL	(c) Standalone	yfinance
`research_rl_ppo.ipynb`	Agent de trading PPO	(c) Standalone	yfinance
`research_rl_reward_shaping.ipynb`	Reward shaping RL	(c) Standalone	yfinance
`research_rl_tactical_overlay.ipynb`	Overlay tactique RL	(c) Standalone	yfinance
`research_vrp_putwrite.ipynb`	Stratégie VRP put-write	(c) Standalone	yfinance

Sur les 19 notebooks, 15 sont de type (c) standalone research (s’exécutent localement avec pip install yfinance pandas matplotlib scikit-learn ; la famille M12-HF, 3 notebooks, utilise des données tick BTC Bitstamp possédées agrégées en minute localement) et 4 sont de type (b) research lié au quantbook QC Cloud (research_btc_ml, research_m11ef_ensemble, research_m12_har_rv_j exécutés, et la variante _minute qui instancie QuantBook sans outputs committés — à exécuter sur QC Cloud).

Conclusion / Prochaines étapes

Ce que vous avez appris

Ces 19 notebooks sont le laboratoire de recherche de la série QuantConnect. La majorité (15/19) sont standalone et s’exécutent en local avec yfinance (données gratuites) + pandas / scikit-learn (la famille M12-HF utilise des données tick BTC possédées) ; les 4 notebooks des familles M11/M12 (btc_ml, m11ef_ensemble, m12_har_rv_j, m12_har_rv_j_minute) chargent leurs données crypto via QuantBook QC Cloud (type (b)). Ils illustrent deux familles de recherche :

Recherche factorielle & allocation (HAR-RV-J vol, FamaFrench + AllWeather composite, Momentum + Regime, Quality/LowVol, Risk Parity, VRP put-write) — on apprend que les modèles de volatilité et d’allocation robuste sont reproductibles en local sur données publiques, et que les composites (M12, M11ef) sont les briques des stratégies Robuste du catalogue. Verdict honnête M12-HF (research_m12_hf_btc_local.ipynb + research_m12_hf_dm_test.ipynb) : l’estimation de la realized variance en minute bat celle en hourly (delta médian +0.548, MSE minute ~moitié hourly), statistiquement validée par un test de Diebold-Mariano (HAC, p≈0.000) et un block-bootstrap dont l’IC95 est entièrement négatif. La cause du gain est cependant la fréquence d’échantillonnage (qualité de l’estimateur RV, Andersen-Bollerslev-Diebold 2003), pas la composante de jump — HAR-Classic sans jump montre le même gain. Leçon méthodologique : la résolution hourly (24 bars/jour) est trop bruitée pour le vol-targeting Kelly ; la minute (1440 bars/jour) l’est beaucoup moins.
Recherche Reinforcement Learning (intro, PPO, GRPO, reward shaping, multi-asset, tactical overlay) — on apprend que le RL trading se prototypé localement avant tout déploiement QC Cloud, et que le reward shaping est le levier le plus sensible (un reward mal spécifié fige la policy). Leçon d’intégrité #3360 : diviser la reward portfolio-level par le nombre d’actifs (reward / N_ASSETS) détruit le signal du critic per-asset → la policy gèle près de l’uniforme → l’argmax collapse vers Buy (fingerprint buy-and-hold, Sharpe 0.657 identique au collapse PPO). Corrigé : la reward portfolio complète alimente chaque transition per-asset (cohérence #3359/#3360). Verdict ré-évalué honnête après fix : NO BEATS (A2C Sharpe 0.000, SAC −0.063 sur univers non-FAANG) — pour la bonne raison.

Le fil rouge : l’indépendance de la plateforme. Ces notebooks prouvent que l’idéation et la validation ML peuvent se faire hors QC Cloud pour la majorité des sujets (15/19 standalone) ; QC Cloud devient nécessaire dès que la recherche porte sur des données crypto natives (4 notebooks M11/M12 qui instancient QuantBook), et reste la porte d’entrée du backtest haute-fidélité sur données natives.

Prochaines étapes

Installer l’environnement local : pip install yfinance pandas matplotlib scikit-learn puis ouvrir un notebook dans jupyter.
Commencer par l’intro RL : research_rl_intro.ipynb avant les avancés (PPO, GRPO, reward shaping).
Reproduire un keeper : research_m12_har_rv_j.ipynb (modèle de volatilité HAR-RV-J, un des 4 KEEPERS du curriculum ML-V2).
Tester le reward shaping : research_rl_reward_shaping.ipynb — modifier la fonction de reward et observer l’impact sur la policy convergée.
Combiner en composite : research_composite_mom_regime.ipynb montre comment assembler Momentum + Regime en une stratégie multi-signal.
Déployer le meilleur sur QC Cloud : une fois une idée validée en local, la porter en main.py dans ../projects/ pour un backtest réaliste avec coûts de transaction.

Rappel honnête : les données yfinance (gratuites) ont des limitations (ajustements, splits, profondeur historique) par rapport aux données QC natives. Un edge confirmé en local doit être re-validé sur QC Cloud avant toute conclusion de robustesse.

Retour au sommet