Feature engineering pour modèles prédictifs en trading
Un programme centré sur l'application concrète du machine learning dans le backtesting de stratégies de trading — des outils réels, des données réelles, des résultats mesurables.
Ce que couvre ce programme
La qualité d'un modèle de machine learning en trading dépend moins de l'algorithme choisi que des variables qui l'alimentent. Construire de mauvaises features produit des backtests flatteurs et des stratégies qui échouent en production.
Variables techniques versus variables informatives
Les indicateurs comme le RSI ou les bandes de Bollinger sont souvent utilisés comme features. Leur valeur prédictive réelle est faible si on ne contrôle pas leur autocorrélation et leur stationnarité.
Des transformations comme les rendements logarithmiques, les ratios volume/prix ou les features de régime de volatilité apportent davantage de signal exploitable par un modèle supervisé.
Problèmes fréquents et comment les détecter
- Fuite temporelle via des indicateurs calculés sur des fenêtres futures
- Redondance entre features corrélées à plus de 0,9
- Instabilité des distributions en période de stress de marché
Cette formation aborde chaque problème avec un exemple de code concret en Python, testé sur des données d'actions du marché européen entre 2015 et 2023.
Les données utilisées sont publiques et téléchargeables via yfinance.Déroulement du programme
Chaque étape est structurée pour progresser sans sauter d'étapes — de la préparation des données jusqu'à l'évaluation des modèles en conditions réelles.
Contenu détaillé
-
Module 1 — Stationnarité et transformation des séries
Tests ADF, différenciation, rendements logarithmiques. Pourquoi les prix bruts ne doivent pas être utilisés comme features.
-
Module 2 — Construction de features techniques
Implémentation de momentum, mean-reversion, features de microstructure. Calcul avec pandas-ta.
-
Module 3 — Features de régime et de volatilité
Volatilité réalisée, ATR, détection de régimes avec des modèles HMM simples.
-
Module 4 — Sélection et réduction de dimensionnalité
Importance des features avec SHAP, filtrage par corrélation, PCA appliquée aux séries financières.
-
Module 5 — Audit d'un pipeline existant
Exercice pratique : identifier les fuites et redondances dans un pipeline fourni.
Sessions en direct, pas de contenu enregistré
Chaque session se déroule en temps réel avec un formateur disponible pour répondre aux questions au fil de la pratique. Les échanges font partie de l'apprentissage.