Machine Learning appliqué

About This Course

Ce cours forme à l'application rigoureuse des algorithmes de machine learning aux problématiques financières : prédiction de prix, classification de signaux directionnels, détection d'anomalies et construction de stratégies quantitatives.

Le feature engineering financier est l'étape décisive. On construit des indicateurs techniques (RSI, MACD, momentum, volatilité réalisée), des variables macro (spread de taux, VIX), et des features de microstructure. Le respect de la causalité temporelle est une contrainte absolue : aucune information future ne doit contaminer les features d'entraînement.

Les algorithmes supervisés couvrent deux familles principales. Pour la régression (prédiction de rendements), on mobilise LASSO/Ridge pour la sélection de variables, Random Forest et XGBoost pour leur robustesse aux données tabulaires, et les réseaux LSTM pour les dépendances temporelles longues. Pour la classification (signal haussier/baissier), la qualité est évaluée par AUC, F1-score et matrice de confusion.

La validation en finance impose la walk-forward cross-validation et la purged CV pour respecter l'ordre temporel des données et éviter le surapprentissage. L'hyperparamétrage se fait via Optuna ou GridSearch sur fenêtre glissante.

L'évaluation finale repose sur des métriques financières : ratio de Sharpe, Sortino, Calmar, maximum drawdown et profit factor calculés sur backtest hors échantillon. L'interprétabilité des modèles via SHAP complète ce panorama en identifiant les features réellement exploitées par le modèle.