Un modèle qui brille dans un notebook peut être sans valeur en trading, et la raison habituelle n'est pas l'algorithme mais l'évaluation. Cette compétence enseigne scikit-learn comme une façon de travailler, avec de courts exercices (nombres à calculer, étapes à ordonner, notions à associer) et des exemples de finance : pourquoi un normaliseur doit être ajusté sur les seuls jours d'entraînement, comment des étiquettes qui se chevauchent font fuiter le futur et comment la purge et l'embargo l'éliminent, ce que ridge et lasso font aux coefficients, pourquoi une régression logistique de direction bat à peine l'habitude de toujours parier à la hausse, comment une forêt surapprend un signal faible, comment noter un modèle de rendements avec le coefficient d'information, combien d'ajustements demande une recherche d'hyperparamètres honnête, et ce que le clustering, l'ACP et l'importance par permutation peuvent ou non dire. Le projet final est un lab de code où vous construisez le découpeur walk-forward avec purge, les variables en coupe transversale et la notation d'un modèle mensuel d'actions.
On attend une bonne aisance avec Python, NumPy et pandas, ainsi que des statistiques de base (moyenne, variance, corrélation, régression).
