Des parcours structurés pour comprendre comment les modèles prédictifs s'intègrent dans l'évaluation rigoureuse de stratégies quantitatives — avec un accompagnement réel, pas des vidéos en boucle.
La plupart des personnes qui arrivent ici savent manipuler des données ou ont lu des tutoriels sur les réseaux de neurones. Ce qu'elles ne maîtrisent pas encore, c'est la chaîne complète : préparer des séries temporelles financières sans fuite de données, choisir un modèle adapté à la non-stationnarité des marchés, et interpréter les résultats du backtest sans se laisser piéger par l'overfitting. Ce gap est précisément ce que les formations de Plu Kendrask adressent, étape par étape.
Données mal préparéesUtiliser des features calculées sur l'ensemble du dataset introduit des biais invisibles qui font croire à de bonnes performances alors qu'elles n'existent pas hors échantillon.
Modèles mal choisisUn Random Forest calibré sur des données stationnaires ne se comporte pas de la même façon sur des cours boursiers à tendance — cette différence coûte cher si elle n'est pas anticipée.
Résultats mal interprétésUn Sharpe ratio de 1,8 sur le backtest ne dit rien sur la robustesse de la stratégie. Savoir ce qu'il faut mesurer en plus est une compétence à part entière.
Il y a un point précis dans l'apprentissage du backtesting où presque tout le monde se retrouve bloqué : les résultats ne correspondent pas à ce qu'on attendait, et on ne sait pas si c'est le modèle, les données ou l'implémentation. Sans retour extérieur, on peut tourner en rond pendant des semaines. Les sessions de suivi chez Plu Kendrask existent précisément pour ce moment — pas pour remplacer le travail personnel, mais pour débloquer ce qui ne peut pas l'être seul.
Les sessions individuelles permettent d'apporter son propre code, ses propres données, et de travailler sur un cas réel. Il n'y a pas de script préparé à l'avance — l'instructeur regarde ce que vous avez fait, identifie ce qui pose problème, et explique pourquoi. C'est différent d'un cours magistral, et c'est volontaire.
Travail direct sur votre code et vos données. Durée : 60 ou 90 minutes selon le besoin.
6 à 12 participants, cas pratiques communs, retours croisés entre apprenants et instructeur.
Progression en 8 modules, de la préparation des données à la validation walk-forward.
Des travaux réels réalisés pendant les formations sont consultables ici pour illustrer les niveaux atteints.
pays représentés parmi les apprenants actifs sur la plateforme
modules dans le parcours principal, de la feature engineering à la validation hors échantillon
langues dans lesquelles les sessions de groupe peuvent être animées selon les cohortes
participants maximum par session de groupe pour maintenir une qualité d'échange réelle
Chaque exercice utilise des séries de prix réelles — actions, ETF, indices — avec leurs imperfections : données manquantes, splits, dividendes. Travailler sur des données propres donne une fausse impression de maîtrise que les marchés réels démentent rapidement.
La plupart des formations traitent le backtest comme une étape finale. Ici, il est au centre : walk-forward validation, purged cross-validation, analyse de la distribution des rendements — ces outils sont introduits dès le module 3, pas en fin de parcours.
Un LSTM peut paraître impressionnant sur un graphique de backtest. Comprendre pourquoi il se comporte ainsi — et dans quelles conditions il échoue — est plus utile que de connaître son accuracy sur le jeu de test. C'est cette lecture critique qui est développée.
Les sessions de groupe suivent un calendrier fixe — 2 séances de 90 minutes par semaine sur 9 semaines. Les sessions individuelles s'organisent autrement : le rythme et la profondeur dépendent de ce que l'apprenant apporte à chaque séance.
La réputation d'une formation se construit lentement, à travers des résultats concrets et des échanges avec des professionnels du domaine. Voici quelques points de référence qui situent Plu Kendrask dans son environnement.
Plusieurs instructeurs associés exercent ou ont exercé dans des fonds quantitatifs européens. Leurs retours d'expérience sont intégrés directement dans les études de cas des modules avancés.
Les contenus pédagogiques de Plu Kendrask sont référencés dans 3 communautés francophones et anglophones dédiées au trading algorithmique et au machine learning financier.
Plusieurs anciens apprenants contribuent aujourd'hui à des projets de recherche en finance computationnelle dans des universités françaises et belges — ce qui donne une idée du niveau atteint.
Ce qui m'a frappé, c'est que les exercices ne sont pas conçus pour réussir facilement. On travaille sur des données où le modèle échoue, et c'est précisément là qu'on apprend quelque chose d'utile.Théodore Vanbremeersch — analyste quantitatif, participant à la cohorte d'automne
Plu Kendrask a été fondé en 2024 par des praticiens qui avaient eux-mêmes traversé la frustration de ne pas trouver de formations sérieuses sur le backtesting avec du machine learning. L'équipe pédagogique est petite par choix — chaque instructeur suit un nombre limité d'apprenants pour maintenir la qualité des retours.
Lucien a travaillé pendant 7 ans sur des systèmes de trading algorithmique avant de se consacrer à la formation. Il enseigne les modules de feature engineering et de validation de stratégies, avec une attention particulière aux erreurs méthodologiques les plus fréquentes.
Maëlys a un parcours en statistiques appliquées et a contribué à des projets de recherche sur la prévision de volatilité. Elle anime les sessions dédiées aux modèles d'ensemble et aux méthodes d'interprétabilité — SHAP, permutation importance — appliquées aux stratégies financières.
Rémi couvre la partie souvent négligée des formations : comment passer d'un backtest qui fonctionne en notebook à un système qui tourne en conditions réelles. Il enseigne la gestion des pipelines de données, le versioning de modèles et les tests de robustesse sur des fenêtres temporelles longues.