σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

Apprenez le développement quant en pratiquant : leçons courtes, labs notés et un vrai IDE, dans votre navigateur.

Apprendre
Toutes les feuilles de routeToutes les skillsSkill PythonSkill C++BientôtSkill OxCamlBientôtSkill Market StructureSkill CalculusSkill Linear AlgebraSkill ProbabilitySkill StatisticsSkill Matrix DecompositionsSkill Optimization
Assistance
Donnez-nous votre avisOffrez-nous un café
Mentions légales
Politique de confidentialitéConditions d'utilisation
© 2026 QuantCraft Solutions. Tous droits réservés.
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft AcademyFeuilles de routeParcours
Ctrl K
AO
+1,2 k apprenants
ConnexionRejoindre ↗
Feuilles de routeParcours
AO
+1,2 k apprenants
Connexion
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Parcours›Matrix Decompositions
M

Matrix Decompositions Parcours

OuvertCommencez ici

Une matrice de covariance est l'entrée de presque tout modèle de risque, et c'est aussi l'entrée la plus facile à rater. Cette compétence vous donne les décompositions qui l'expliquent, avec de courts exercices (nombres à calculer, étapes à ordonner, notions à associer) et des exemples de finance : pourquoi la première composante principale des rendements d'actions est le marché, pourquoi les trois composantes d'une courbe de taux sont le niveau, la pente et la courbure, pourquoi la covariance empirique de nombreux actifs a des valeurs propres trop dispersées et comment une matrice bruitée donne un portefeuille de variance minimale décevant hors échantillon. Le projet final est un labo de code où vous construisez vous-même les réparations et les testez sur de vrais rendements.

5 modules13 labs corrigés~12 heuresIntermédiaire → Avancé
Commencer le parcours

Programme

13 sujets · ouvrez n'importe quel sujet, dans l'ordre que vous voulez
  1. 1Valeurs propres et vecteurs propresNon commencé55 minCommencer
  2. 2L'itération de puissanceNon commencé50 minCommencer
  3. 3Le théorème spectralNon commencé45 minCommencer
  1. 4Décomposition en valeurs singulièresNon commencé1 hCommencer
  2. 5Approximation de rang faibleNon commencé50 minCommencer
  1. 6Matrices de covariance et de corrélationNon commencéNécessite Python45 minCommencer
  2. 7L'ACP à partir de zéroNon commencé1 hCommencer
  3. 8ACP des courbes de tauxNon commencé55 minCommencer
  1. 9Covariance empirique et son bruitNon commencé55 minCommencer
  2. 10Écrêtage des valeurs propres et Marchenko-PasturNon commencé1 hCommencer
  3. 11Le rétrécissement de Ledoit-WolfNon commencé55 minCommencer
  1. 12Modèles à facteurs issus de l'ACPNon commencé55 minCommencer
  2. 13Projet final : une covariance débruitée pour la variance minimaleNon commencé1 h 40 minCommencer

Prérequis

L'algèbre linéaire est attendue : matrices, rang, orthogonalité et moindres carrés. Des notions de statistique (variance et covariance) aident.

  • LLinear Algebra

Ce que vous apprendrez

  • Calculer et interpréter valeurs et vecteurs propres, trouver le dominant par itération de puissance et utiliser le théorème spectral pour les matrices symétriques
  • Factoriser une matrice par SVD et l'approcher à rang faible, en sachant ce que garde chaque valeur singulière
  • Faire une ACP à partir de zéro sur des rendements et des courbes de taux et lire les composantes comme marché, niveau, pente et courbure
  • Expliquer pourquoi une matrice de covariance empirique est bruitée et la réparer par écrêtage des valeurs propres et rétrécissement de Ledoit-Wolf
  • Construire un modèle à facteurs par ACP et mesurer si une covariance débruitée donne un meilleur portefeuille de variance minimale hors échantillon

Outils utilisés

PythonNumPypandaspytest

Validation

Réussissez les 13 labs avec un score d'au moins 70 pour terminer le parcours et obtenir le badge Décompositions de matrices sur votre profil.

0 / 130%

Parcours suivant

OOptimizationOuvert
uantCraft Academy

Apprenez le développement quant en pratiquant : leçons courtes, labs notés et un vrai IDE, dans votre navigateur.

Apprendre
Toutes les feuilles de routeToutes les skillsSkill PythonSkill C++BientôtSkill OxCamlBientôtSkill Market StructureSkill CalculusSkill Linear AlgebraSkill ProbabilitySkill StatisticsSkill Matrix DecompositionsSkill Optimization
Assistance
Donnez-nous votre avisOffrez-nous un café
Mentions légales
Politique de confidentialitéConditions d'utilisation
© 2026 QuantCraft Solutions. Tous droits réservés.
QuantCraft
ConnexionRejoindre ↗
Connexion