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 OptimizationSkill Time Series
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›Time Series
T

Time Series Parcours

OuvertCommencez ici

Les prix, les rendements et les volatilités ne sont pas des tirages indépendants : aujourd'hui dépend d'hier, les semaines calmes suivent les semaines calmes et deux prix peuvent dériver ensemble pendant des années. Cette compétence enseigne les outils qui respectent cet ordre, avec de courts exercices (nombres à calculer, étapes à ordonner, notions à associer) et des exemples de finance : pourquoi une série de prix doit être différenciée avant une régression, comment l'ACF et la PACF orientent vers un modèle AR ou MA, ce qu'une racine unitaire signifie pour une règle de trading, pourquoi la volatilité se regroupe et comment GARCH l'exploite, quand deux actions sont vraiment cointégrées, comment un filtre de Kalman suit un ratio de couverture caché et pourquoi une prévision se note hors échantillon. Le projet final est un lab de code où vous construisez vous-même des prévisionnistes de volatilité et les comparez sur de vrais rendements SPY.

5 modules14 labs corrigés~14 heuresIntermédiaire → Avancé
Commencer le parcours

Prérequis

La statistique est attendue (régression, tests d'hypothèses, maximum de vraisemblance) et des notions de probabilités aident. Aucune connaissance préalable des séries temporelles n'est nécessaire.

  • SStatistics

Programme

14 sujets · ouvrez n'importe quel sujet, dans l'ordre que vous voulez
  1. 1Stationnarité et différenciationNon commencé50 minCommencer
  2. 2Autocorrélation ACF et PACFNon commencé50 minCommencer
  3. 3Racines unitaires et test ADFNon commencé50 minCommencer
  1. 4Modèles AR MA et ARMANon commencé55 minCommencer
  2. 5Saisonnalité et effets de calendrierNon commencé45 minCommencer
  3. 6Modèles ARIMANon commencéNécessite Python1 hCommencer
  1. 7Regroupement de volatilité et ARCHNon commencé50 minCommencer
  2. 8Modèles de volatilité GARCHNon commencéNécessite Python1 hCommencer
  3. 9Estimateurs de volatilité réaliséeNon commencé55 minCommencer
  1. 10Cointégration et pairesNon commencé1 hCommencer
  2. 11Modèles d'état et filtre de KalmanNon commencé1 h 10 minCommencer
  1. 12Évaluation des prévisionsNon commencé50 minCommencer
  2. 13Ruptures structurellesNon commencé55 minCommencer
  3. 14Projet final : un concours de prévision de volatilité sur données réellesNon commencé1 h 40 minCommencer

Validation

Réussissez les 14 labs avec un score d'au moins 70 pour terminer le parcours et obtenir le badge Séries temporelles sur votre profil.

0 / 140%

Prérequis

La statistique est attendue (régression, tests d'hypothèses, maximum de vraisemblance) et des notions de probabilités aident. Aucune connaissance préalable des séries temporelles n'est nécessaire.

  • SStatistics

Outils utilisés

PythonNumPypandaspytest

Ce que vous apprendrez

  • Distinguer séries stationnaires et non stationnaires, différencier une série et lire son autocorrélation et son autocorrélation partielle
  • Tester les racines unitaires avec le test ADF et savoir ce que signifie une marche aléatoire pour la prévision
  • Ajuster des modèles AR, MA, ARMA et ARIMA, choisir leurs ordres et traiter la saisonnalité et les effets de calendrier
  • Modéliser le regroupement de volatilité avec ARCH et GARCH et calculer la volatilité réalisée à partir de données quotidiennes et d'amplitude
  • Tester la cointégration pour bâtir des paires et suivre un ratio de couverture caché avec un filtre de Kalman
  • Noter les prévisions hors échantillon avec la bonne perte, détecter les ruptures structurelles et mener un concours de prévision de volatilité sur de vrais rendements
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 OptimizationSkill Time Series
Assistance
Donnez-nous votre avisOffrez-nous un café
Mentions légales
Politique de confidentialitéConditions d'utilisation
© 2026 QuantCraft Solutions. Tous droits réservés.
QuantCraft
ConnexionRejoindre ↗
Connexion