Presque tout modèle quantitatif finit par une optimisation : une calibration qui ajuste des paramètres, une régression qui ajuste une droite, un portefeuille qui choisit des poids. Cette compétence montre ce que font vraiment les solveurs, avec de courts exercices (nombres à calculer, étapes à ordonner, notions à associer) et des exemples de finance : pourquoi un pas trop grand fait diverger la descente de gradient, pourquoi Adam est le choix par défaut pour les objectifs bruités, pourquoi un problème convexe n'a qu'une réponse, ce que prix un multiplicateur KKT, comment une pénalité L1 met des poids exactement à zéro et comment un programme linéaire répartit un gros ordre dans le temps. Le projet final est un lab de code où vous écrivez vous-même la projection et le solveur et testez le résultat sur de vrais rendements d'actions.
