Formation Machine Learning en finance

Leçon 1 • Concepts Clés du ML pour la Finance

Présente les paradigmes d'apprentissage supervisé, non supervisé et par renforcement. Relie chaque paradigme à des tâches financières récurrentes telles que la prédiction et le clustering.

Leçon 2 • Environnement Python pour le ML Financier

Met en place une pile Python reproductible avec les bibliothèques clés. Les étudiants exécutent des pipelines de données de bout en bout avant d'aborder les chapitres de modélisation.

Leçon 3 • Types et Sources de Données Financières

Passe en revue les données structurées et alternatives utilisées en finance. Les étudiants apprennent à évaluer la qualité, la fréquence et les licences des données avant la modélisation.

Leçon 4 • Fondements Statistiques pour le ML Financier

Passe en revue les probabilités, les distributions et les tests d'hypothèses appliqués aux séries financières. Fournit la boîte à outils statistique nécessaire à l'évaluation ultérieure des modèles.

Leçon 1 • Étiquetage et Construction des Cibles

Définit des étiquettes prospectives pour les tâches de classification et de régression. Un étiquetage approprié empêche le biais de look-ahead et aligne les cibles sur les objectifs de trading.

Leçon 2 • Validation Croisée pour Séries Temporelles

Implémente la validation croisée purgée et avec embargo pour les données financières. Empêche la fuite d'informations entre les plis d'entraînement et de validation.

Leçon 3 • Nettoyage et Contrôle Qualité des Données

Traite les valeurs manquantes, les valeurs aberrantes et les opérations sur titres dans les données de prix. Des données propres sont le préalable à toutes les étapes d'ingénierie des caractéristiques qui suivent.

Leçon 4 • Ingénierie des Caractéristiques pour les Séries de Prix

Dérive des caractéristiques techniques et statistiques à partir des données OHLCV. Ces caractéristiques forment l'espace d'entrée principal pour les modèles prédictifs dans les chapitres suivants.

Leçon 1 • Optimisation des Hyperparamètres

Applique la recherche par grille, la recherche aléatoire et l'optimisation bayésienne aux modèles financiers. Un réglage efficace réduit le coût de calcul tout en améliorant les performances hors échantillon.

Leçon 2 • Machines à Vecteurs de Support et Noyaux

Applique les SVM à la classification financière avec des noyaux linéaires et non linéaires. La maximisation de la marge offre des garanties théoriques utiles sur des marchés bruités.

Leçon 3 • Modèles Basés sur les Arbres pour la Classification

Présente les arbres de décision, les forêts aléatoires et le gradient boosting pour la prédiction directionnelle. Les méthodes d'ensemble améliorent la robustesse par rapport aux approches à modèle unique.

Leçon 4 • Évaluation et Sélection des Modèles

Définit des métriques spécifiques à la finance au-delà de la précision, y compris les scores basés sur le ratio de Sharpe. Les étudiants sélectionnent les modèles à l'aide de cadres de comparaison statistiquement solides.

Leçon 1 • Détection d'Anomalies dans les Données Financières

Détecte les valeurs aberrantes et les changements de régime à l'aide d'isolation forests et d'autoencodeurs. Les signaux d'anomalie alimentent les workflows de gestion des risques et de détection des fraudes.

Leçon 2 • Techniques de Réduction de Dimensionnalité

Couvre PCA, t-SNE et UMAP pour compresser les caractéristiques financières de haute dimension. Les représentations réduites améliorent la stabilité des modèles et la visualisation.

Leçon 3 • Modèles de Facteurs Latents

Extrais les facteurs de risque latents à l'aide de l'analyse factorielle et de la NMF. Relie les facteurs basés sur les données à la théorie traditionnelle de la tarification des actifs.

Leçon 4 • Clustering pour le Regroupement d'Actifs

Applique le clustering k-means, hiérarchique et DBSCAN pour regrouper les actifs par comportement. Les clusters informent la construction de portefeuille de diversification et sans égard au secteur.

Leçon 1 • Réseaux Récurrents pour les Séries Temporelles

Implémente des RNN classiques et des LSTM sur des séquences de prix et de volume. Les mécanismes de portes traitent le problème du gradient qui disparaît dans les longues histoires financières.

Leçon 2 • Fondamentaux des Réseaux de Neurones

Couvre les réseaux feedforward, les fonctions d'activation et la rétropropagation. Fournit la base architecturale nécessaire avant d'introduire les modèles récurrents.

Leçon 3 • Modèles Transformer en Finance

Présente les mécanismes d'attention et les encodeurs Transformer pour les séquences financières. L'auto-attention capture les dépendances non locales sur de longs horizons temporels.

Leçon 4 • Stratégies d'Entraînement et de Régularisation

Traite le surapprentissage, la planification du taux d'apprentissage et l'arrêt précoce pour les réseaux de neurones financiers. Des protocoles d'entraînement appropriés sont essentiels compte tenu des données limitées non stationnaires.

Leçon 1 • Cadre de Backtesting de Portefeuille

Construit un moteur de backtesting rigoureux avec des hypothèses réalistes. Les étudiants identifient et corrigent les biais de backtesting courants avant le déploiement en direct.

Leçon 2 • Génération et Combinaison de Signaux Alpha

Convertit les sorties des modèles de ML en signaux alpha négociables. La combinaison de signaux via le stacking et le blending améliore le ratio d'information.

Leçon 3 • Au-Delà de la Moyenne-Variance

Applique l'optimisation de Markowitz et ses extensions en utilisant des entrées estimées par le ML. Traite l'erreur d'estimation dans les matrices de covariance avec des méthodes de shrinkage.

Leçon 4 • Coûts de Transaction et Contrôle du Renouvellement

Intègre des modèles de coûts réalistes dans l'optimisation de portefeuille. Les contraintes de renouvellement empêchent l'érosion de l'alpha due à un rééquilibrage excessif.

Leçon 1 • Modèles de Prévision de la Volatilité

Compare les prévisions GARCH, de volatilité réalisée et basées sur LSTM. Des estimations précises de la volatilité alimentent directement la tarification des options et les limites de risque.

Leçon 2 • Risque de Marché et Valeur à Risque

Estime la VaR et le déficit attendu à l'aide de la simulation historique et de méthodes améliorées par le ML. La modélisation du risque de queue améliore les hypothèses paramétriques de normalité.

Leçon 3 • Détection de la Fraude et des Anomalies

Détecte les transactions frauduleuses et les manipulations de marché à l'aide de ML supervisé et non supervisé. La gestion des classes déséquilibrées est au cœur des modèles de fraude efficaces.

Leçon 4 • Tests de Résistance et Analyse de Scénarios

Génère des scénarios adverses à l'aide de GAN et d'analogues historiques. Les tests de résistance révèlent les vulnérabilités du portefeuille au-delà des estimations standard de la VaR.

Leçon 1 • Gouvernance des Modèles et Pistes d'Audit

Établit des workflows de documentation, de validation et d'approbation pour les modèles de ML financiers. Les cadres de gouvernance répondent aux attentes réglementaires en matière de gestion du risque de modèle.

Leçon 2 • Inférence en Temps Réel et Latence

Optimise les modèles pour un scoring à faible latence dans les systèmes de trading et de risque. Les budgets de latence diffèrent selon les cas d'utilisation, du trading haute fréquence à la fin de journée.

Leçon 3 • Surveillance des Modèles et Détection de la Dérive

Suit la dérive des données, la dérive conceptuelle et la dégradation des performances en production. Une détection précoce empêche les défaillances silencieuses des modèles dans les systèmes financiers en direct.

Leçon 4 • MLOps pour les Applications Financières

Couvre les pipelines CI/CD, les registres de modèles et la conteneurisation pour le ML financier. Les pipelines automatisés réduisent le risque de déploiement et accélèrent les cycles d'itération.