1/ INTRODUCTION
Dans ce premier chapitre, nous introduirons les principes fondamentaux du Machine Learning et leur application à la finance de marché. Nous verrons les distinctions essentielles entre apprentissage supervisé, non supervisé et par renforcement, et comment ces approches permettent d’extraire de la valeur à partir des données financières. Nous présenterons les principales étapes d’un projet de Machine Learning : préparation des données, feature engineering, entraînement, validation et test du modèle. Ce chapitre posera également les bases de la compréhension des biais de surapprentissage (overfitting), de la régularisation et des métriques d’évaluation.
2/ LINEAR REGRESSION / RÉGRESSION LINÉAIRE
Ce chapitre est consacré à la régression linéaire, l’un des modèles les plus fondamentaux et les plus utilisés en finance quantitative. Nous verrons comment modéliser une relation entre une variable cible et plusieurs variables explicatives, calculer les coefficients optimaux via la méthode des moindres carrés, et interpréter les résultats économiquement.
Nous aborderons également les notions de multicolinéarité, de résidus et de pouvoir explicatif (R²), ainsi que les variantes de la régression linéaire utilisées dans la pratique financière : Ridge, Lasso et ElasticNet.
Enfin, nous verrons des applications concrètes en finance, comme la modélisation du rendement d’un actif, le pricing d’options ou la prévision de spreads.
3/ LOGISTIC REGRESSION / RÉGRESSION LOGISTIQUE
Dans ce chapitre, nous étudierons la régression logistique, adaptée aux problèmes de classification binaire, très présents dans la finance. Nous verrons comment le modèle estime la probabilité d’occurrence d’un événement (par exemple, un défaut de crédit ou un signal de trading), à partir d’un ensemble de variables explicatives.
Nous approfondirons les notions de fonction sigmoïde, de seuil de décision, de courbe ROC et d’AUC, afin d’évaluer la qualité d’un modèle de classification. Des exemples concrets incluront la détection d’anomalies de marché, la prédiction de mouvement haussier/baissier et la modélisation du risque de défaut.
4/ DECISION TREES & RANDOM FORESTS / ARBRES DE DÉCISIONS & FORÊTS
Ce chapitre introduit les arbres de décision, modèles interprétables et puissants pour capturer des relations non linéaires entre variables. Nous verrons leur fonctionnement (critères de segmentation, profondeur, gain d’information) et leurs limites (overfitting, biais de structure).
Nous passerons ensuite aux forêts aléatoires (Random Forests), qui agrègent plusieurs arbres pour améliorer la robustesse et la précision du modèle. Nous verrons comment ces modèles sont utilisés pour l’analyse du risque, la détection de patterns de marché et le scoring d’actifs.
5/ TIME SERIES / SÉRIES TEMPORELLES
Ce chapitre est dédié à l’application du Machine Learning aux séries temporelles financières.
Nous reviendrons sur les notions classiques de stationnarité, autocorrélation, et de décomposition des signaux, puis nous verrons comment entraîner des modèles pour prévoir les valeurs futures d’une série.
Nous aborderons les modèles ARIMA, LSTM et les approches hybrides combinant apprentissage statistique et profond. Des exemples incluront la prédiction de prix, la détection de régimes de volatilité et l’analyse de patterns de marché.
6/ KNN & SVM / KNN & SVM
Dans ce chapitre, nous explorerons deux algorithmes fondamentaux de classification et de régression : le k-Nearest Neighbors (KNN) et le Support Vector Machine (SVM). Nous verrons le fonctionnement intuitif du KNN, basé sur la proximité des observations, et celui du SVM, reposant sur la maximisation de la marge entre classes.
Nous détaillerons les différents noyaux (linéaire, polynomial, RBF) et leur impact sur la séparation des données. Des applications typiques incluront la détection de signaux de trading, la segmentation de portefeuilles et la classification d’actifs en fonction de leurs caractéristiques de marché.
7/ DEEP LEARNING
Ce dernier chapitre abordera le Deep Learning, cœur de l’intelligence artificielle moderne.
Nous verrons comment les réseaux de neurones artificiels modélisent des relations complexes et non linéaires entre les données. Nous apprendrons à construire un réseau de neurones simple avec TensorFlow ou PyTorch, à comprendre les concepts de backpropagation, fonctions d’activation, dropout et batch normalization.
Nous étudierons également des architectures spécifiques utilisées en finance, comme les RNN pour les séries temporelles et les CNN pour l’analyse de données structurées ou textuelles. Ce chapitre conclura le module en montrant comment le Deep Learning s’intègre dans les stratégies de trading algorithmique, la gestion des risques et la recherche quantitative.
