Huit modules structurés (QAT-001 à QAT-008) couvrant l'ensemble du cycle d'analyse quantitative: de la lecture des données à la rédaction d'un dossier de recherche. Chaque module est autonome mais s'inscrit dans une progression cohérente.
Le cursus QuantAITrader a été conçu pour répondre à un besoin croissant de formation rigoureuse en analyse quantitative, dans un contexte où les discours simplistes sur l'intelligence artificielle et les marchés financiers se multiplient. Nos modules privilégient la compréhension des mécanismes statistiques, la formulation explicite des hypothèses et la reproductibilité des protocoles. Aucun module ne comprend de mise en situation sur compte réel, ni de démonstration de stratégie commercialisable.
Introduction aux concepts essentiels: types de données financières, rendements logarithmiques, mesures de dispersion et de corrélation. Vous apprenez à lire un tableau de séries avec un regard critique, à identifier les biais d'échantillonnage et à formuler des questions de recherche pertinentes. Travaux pratiques sur jeux de données pédagogiques fournis par QuantAITrader.
Étude approfondie des processus stochastiques appliqués aux marchés: tests de stationnarité (ADF, KPSS), autocorrélation, décomposition saisonnière. Le module aborde la différence entre corrélation et causalité, et les pièges de l'interprétation hâtive de graphiques. Ateliers de visualisation et d'annotation méthodologique.
Construction de modèles de régression, introduction aux modèles ARCH/GARCH et aux approches de volatilité conditionnelle. L'accent est mis sur le diagnostic des résidus, la validation des hypothèses et la communication des incertitudes. Vous produisez un mini-rapport de modélisation évalué sur sa rigueur, non sur un indicateur de performance fictif.
Protocoles de simulation historique: division train/test, validation croisée temporelle, mesure du drawdown théorique et analyse du surapprentissage. Vous apprenez à documenter chaque étape d'un backtest et à identifier les biais de look-ahead. Les données utilisées sont exclusivement pédagogiques ou anonymisées.
Introduction aux algorithmes supervisés et non supervisés dans un cadre de recherche académique: forêts aléatoires, réseaux de neurones simples, régularisation. Le module insiste sur l'interprétabilité, la validation hors échantillon et les limites des approches boîte noire. Aucun déploiement en production n'est enseigné.
Mesures de risque théoriques: VaR historique et paramétrique, CVaR, stress testing pédagogique. Vous explorez la notion de corrélation dynamique et les limites des modèles gaussiens. Le contenu est présenté comme outil d'analyse critique, sans recommandation de couverture ou d'allocation.
Bonnes pratiques de documentation: journal de recherche, versioning du code, fiches méthodologiques, annexes reproductibles. Ce module prépare au projet capstone et répond aux exigences croissantes de transparence dans la recherche quantitative appliquée.
Projet de synthèse individuel ou en petit groupe: formulation d'une hypothèse de recherche, mise en œuvre d'un protocole complet (modélisation, backtesting, analyse critique), rédaction d'un rapport structuré. Évaluation par un jury pédagogique sur la qualité méthodologique. Aucune valorisation commerciale du projet n'est proposée.
Les modules peuvent être suivis individuellement ou regroupés en trois parcours (Essentiel, Méthode, Expert). Un entretien préalable permet d'adapter le rythme et la séquence à votre profil. Les sessions en présentiel ont lieu dans nos locaux parisiens; des compléments à distance sont disponibles pour certains ateliers.