Lecture

Les livres qui nourrissent notre recherche quantitative

Une sélection de références que nous recommandons aux chercheurs quantitatifs, aux gérants systématiques et à tout investisseur qui veut comprendre sérieusement le trading algorithmique, le factor investing et le machine learning appliqué aux marchés.
Ces ouvrages ont un point commun : ils sont écrits par des praticiens qui gèrent réellement du risque. Ils parlent autant d’architecture de modèles que de micro-détails d’implémentation, de gouvernance du risque et de mise en production.

IA & machine learning pour la gestion d’actifs

Livres centrés sur l’IA, les méthodes d’apprentissage statistique et leur usage concret pour créer des signaux, optimiser des portefeuilles et structurer un pipeline de recherche robuste.

Couverture du livre Advances in Financial Machine Learning

ML avancé & méthodologie

Advances in Financial Machine Learning

Marcos López de Prado — Wiley, 2018

De Prado s’attaque aux problèmes concrets des praticiens : échantillonnage correct des données, étiquetage d’événements, gestion du bruit, validation croisée adaptée aux séries temporelles, réduction de la dimensionnalité, construction de portefeuilles et contrôle du sur-apprentissage. Le livre est très technique mais tourne autour d’une idée simple : sans protocole expérimental propre, aucun modèle de ML n’est fiable en finance.

  • Comprendre pourquoi les backtests classiques sont souvent biaisés et comment les corriger.
  • Techniques de labellisation (triple-barrier, meta-labeling) et de sampling robustes.
  • Outils de construction de portefeuilles (hierarchical risk parity, clustering, etc.).
  • Référentiel méthodologique pour toute équipe qui fait du ML sur des séries financières.
Fiche éditeur
Couverture du livre Machine Learning for Asset Managers

Problèmes de gestion d’actifs

Machine Learning for Asset Managers

Marcos López de Prado — Cambridge University Press, 2020

Ce court ouvrage de la série “Elements in Quantitative Finance” condense sept problèmes typiques de la gestion d’actifs (allocation, construction de facteurs, détection de régimes, estimation de matrices de covariance, etc.) et montre comment les approcher avec des outils de ML modernes : régularisation, clustering hiérarchique, méthodes bayésiennes.

  • Framework pour appliquer le ML à des questions de gestion de portefeuilles, pas seulement à la prévision de prix.
  • Exemples concrets de cross-validation adaptée et de régularisation en contexte de peu de données.
  • Vision claire de ce que le ML peut résoudre… et de ce qu’il ne résout pas.
Fiche éditeur
Couverture du livre Machine Learning for Factor Investing

Factor investing & signaux actions

Machine Learning for Factor Investing

Guillaume Coqueret, Tony Guida — Chapman & Hall/CRC, 2021

Le livre fait le pont entre factor investing “classique” (value, qualité, momentum, etc.) et les méthodes de ML modernes. Il couvre le traitement des caractéristiques (cleaning, normalisation, winsorisation), la construction de modèles supervisés non linéaires, les auto-encodeurs et d’autres architectures, puis la backtestabilité et l’évaluation des portefeuilles de facteurs.

  • Approche structurée pour construire une base de caractéristiques actions de qualité.
  • Exemples de modèles ML appliqués à la sélection de titres factorielle.
  • Discussion détaillée des pièges de backtest et des méthodes d’évaluation de portefeuilles de facteurs.
Fiche éditeur Site du livre
Couverture du livre Hands-On AI Trading with Python, QuantConnect, and AWS

IA appliquée & production

Hands-On AI Trading with Python, QuantConnect, and AWS

Jiri Pik, Ernest P. Chan, Philip Sun, Vivek Singh, Jared Broad — Wiley, 2025

Ouvrage très pratique, construit autour de stratégies complètes implémentées sur QuantConnect, avec code Python reproductible et intégration AWS. Il montre comment passer d’un problème métier (allocation, hedging, signal sur texte ou microstructure) à un modèle d’IA exploitable, puis à un algo tournant en environnement de production, en gérant données, coûts de transaction et métriques de performance.

  • Exemples de stratégies IA “end-to-end” sur une plateforme réelle (QuantConnect).
  • Usage concret de modèles supervisés et de RL pour le trading multi-actifs.
  • Vision claire de la stack moderne : cloud, backtests, monitoring.
  • Bon support si tu veux confronter tes idées de recherche à une infra standardisée.
Site du livre
Couverture du livre Generative AI for Trading and Asset Management

IA générative & LLMs

Generative AI for Trading and Asset Management

Hamlet Jesse Medina Ruiz, Ernest P. Chan — Wiley, 2025

Le livre montre comment l’IA générative et les grands modèles de langage peuvent devenir un outil de production pour la gestion d’actifs : analyse de volumes massifs de données, identification de patterns complexes et génération d’idées de stratégies. Les auteurs couvrent l’apprentissage non supervisé, supervisé, le reinforcement learning et les LLM et les relient à la génération de signaux, à l’optimisation de portefeuilles et à l’automatisation des tâches de recherche, avec notamment un cas d’usage sur les conférences de presse de la Fed.

  • Comprendre ce que l’IA générative apporte réellement au processus d’investissement.
  • Voir comment utiliser LLM et outils “no-code” pour accélérer la recherche systématique.
  • Idées concrètes pour exploiter le texte (banques centrales, newsflow, documents) dans des signaux de trading.
  • Vision réaliste des limites et risques opérationnels liés à ces technologies.
Fiche éditeur

Trading systématique & construction d’un business quant

Les ouvrages d’Ernest Chan : comment passer de quelques stratégies artisanales à une activité de trading systématique structurée, avec une vraie discipline de recherche, de risk management et d’infrastructure.

Couverture du livre Quantitative Trading

Foundations du business quant

Quantitative Trading: How to Build Your Own Algorithmic Trading Business

Ernest P. Chan — Wiley, 2e édition, 2021

Ce livre explique comment utiliser des stratégies quantitatives classiques et plus récentes pour créer ou améliorer une activité de trading systématique. La seconde édition ajoute des études de cas, des backtests actualisés, du code en Python / R et des techniques de calibration qui tiennent compte des changements de régime.

  • Vision complète du cycle de vie d’une stratégie : idée → backtest → production.
  • Discussion honnête des erreurs typiques (data-snooping, courbes trop optimisées, etc.).
  • Guide pour structurer une petite “shop” quant : données, infra, choix des traders/partners.
Fiche éditeur
Couverture du livre Machine Trading

Infra & exécution multi-actifs

Machine Trading: Deploying Computer Algorithms to Conquer the Markets

Ernest P. Chan — Wiley, 2017

Ici, Chan se concentre sur la mise en œuvre d’algorithmes sur les principales classes d’actifs (actions, futures, options, FX, crypto). Le livre décrit les plateformes et technologies modernes, les questions de latence et de coûts, et fournit du code téléchargeable pour prototyper tes propres outils.

  • Comprendre les contraintes pratiques de l’exécution systématique multi-actifs.
  • Voir comment connecter backtests, moteur d’ordres, gestion du risque et reporting.
  • Retour d’expérience sur l’évolution d’un trader discrétionnaire vers un fund manager quant.
Fiche éditeur
Couverture du livre Algorithmic Trading: Winning Strategies and Their Rationale

Stratégies & logique économique

Algorithmic Trading: Winning Strategies and Their Rationale

Ernest P. Chan — Wiley, 2013

Ce livre est centré sur les stratégies elles-mêmes : principalement des approches de mean reversion et de momentum, avec des chapitres dédiés à la construction, au backtest et au risk management. L’accent est mis sur des modèles simples et linéaires, accompagnés de la justification économique qui explique pourquoi la stratégie est censée fonctionner.

  • Exemples détaillés de stratégies implémentables par un desk systématique actions.
  • Rappels méthodologiques sur le backtest propre et la gestion du risque.
  • Bon complément aux livres de ML : avant la complexité, maîtriser des stratégies simples mais robustes.
Fiche éditeur

Nous contacter

Liens Internes

Réseaux Sociaux

KASC Research - SAS - SIREN 994 058 014 RCS Nanterre
Siège : 1 Allée Louis Jouvet, 92600 Asnières-sur-Seine - TVA Intracommunautaire : FR 30 994 058 014

Hébergement : OVH - SAS - 2 rue Kellermann - 59100 Roubaix - France

Avertissement : KASC Research ne fournit pas de conseil en investissement. L'investissement sur les marchés financiers comporte des risques de perte en capital.

© 2026 KASC Research. Tous droits réservés.