Lecture

Les livres qui nourrissent notre recherche quantitative

Références sur la recherche quantitative, la gestion systématique, les stratégies factorielles et l’apprentissage statistique appliqué aux marchés.
La sélection couvre la méthodologie des tests, la construction de portefeuille et les contraintes 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

L’ouvrage traite de l’échantillonnage, de l’étiquetage d’événements, de la validation croisée temporelle et du contrôle du surapprentissage. Il aborde également la réduction de dimension et la construction de portefeuille.

  • 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.

  • Applications de l’apprentissage statistique à la gestion de portefeuille.
  • 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.
  • Exemples de recherche et de déploiement sur une infrastructure 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 couvrent le développement de stratégies, leur exécution et l’organisation d’une activité de trading systématique.

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.
  • Analyse des biais de sélection et du surapprentissage dans les backtests.
  • 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

L’ouvrage porte sur la mise en œuvre d’algorithmes multi-actifs, les plateformes d’exécution, la latence et les coûts. Des exemples de code accompagnent la présentation.

  • 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.
  • Référence sur les stratégies de retour à la moyenne et de momentum.
Fiche éditeur

Confirmation

Vérifier l’envoi