Tous les projets

Projet personnel · En cours

Pipeline de recherche actions systématique

[Résumé en une phrase : ce que c'est, pour qui, et le résultat principal.]

Rôle
[Votre rôle]
Période
[Dates de début et de fin]
Équipe
[Taille de l'équipe, ou seul]
Statut
[En production, en cours, terminé]
[00][Ce que mesure ce chiffre]
[00][Ce que mesure ce chiffre]
[00][Ce que mesure ce chiffre]
[Image principale : capture, schéma ou photo. 1600 × 900 px]

Contexte

[Où et pourquoi le projet a démarré : employeur, cours ou compétition, et les personnes impliquées.]

[Les contraintes : délai, données disponibles, outils imposés, confidentialité.]

Problème

Un backtest ne vaut que par ses garde-fous. L'objectif : un pipeline actions fondamental à petite échelle où les biais d'anticipation, de survie et de data snooping sont traités par construction.

Approche

Univers S&P 500 point-in-time avec les fondamentaux EDGAR tels que publiés à l'origine. Scores neutres par secteur convertis en alphas, modèle de risque factoriel avec shrinkage de Ledoit-Wolf et optimiseur 130/30 en CVXPY. Backtest walk-forward, coûts toujours inclus.

  • [Choix de conception 1, et pourquoi il l'emporte sur l'alternative]
  • [Choix de conception 2, et pourquoi]
  • [Choix de conception 3, et pourquoi]
[Schéma d'architecture ou du pipeline]

Résultats

En cours. Aucun chiffre de performance n'est publié avant l'ouverture du holdout, une seule fois.

[Comment c'est évalué : données, référence, protocole, et qui a validé.]

[Tableau ou graphique de résultats]

Limites et suite

  • [Ce qui ne marche pas encore, ou les limites connues du résultat]
  • [Ce que vous feriez autrement]
  • [La prochaine étape, si le projet continue]

Stack

  • Python
  • pandas
  • DuckDB
  • CVXPY
  • pytest
  • GitHub Actions
  • [Ajouter un outil]

Liens

Galerie

Projet suivant AlexIA : l'IA générative pour l'analyse financière