[Audit #17073] Série QuantConnect — partition NanoClaw

[jsboige]

Panorama de la série (audit #17073, partition NanoClaw)

Périmètre : 215 notebooks sous MyIA.AI.Notebooks/QuantConnect/ — piste pédagogique Python/ (57), ML-Training-Pipeline/ (18), research/ (18), ~100 projects/ (stratégies compagnons), kelly_lean/ (2), contenu partenaire (5). L'arc d'enseignement vit dans la piste Python/ ; les autres groupes sont des artefacts d'application/support.

Arc pédagogique (piste Python) : progression du socle QuantConnect vers le ML appliqué :

• 01-09 : socle plateforme (setup, data, univers, options/futures, ordres, risque, indicateurs, backtesting).
• 10-14 : framework de gestion (risque/portefeuille, alpha models docs(readme): reorganize series order - Search first, ML includes RL #13, portfolio construction/exécution fix: restore AutoML, Infer.NET, and VirtuosoManager functionality #14).
• 15-17 : méthodologie et données (optimisation de paramètres, données alternatives, sentiment news).
• 18-25 : ML appliqué (features, classification, régression, portfolio ML, LSTM, modèles à espace d'état, PatchTST/TimesFM, autoencodeurs, RL).
• 26-29 : applications (LLM trading, déploiement production, détection de régime, valorisation dérivés).
• 30-35 : entraînements dédiés (LSTM, Transformer, RL DQN/PPO/SAC-A2C, RL portfolio).
• 40-41 : paper trading (Binance, IBKR). Cloud-01..14 : variantes exécutables QC Cloud en miroir des sujets.

Ordre canonique proposé (le user valide) : la numérotation 01→35 → 40-41 telle quelle, avec Cloud-* en compagnon optionnel du chapitre correspondant. Observations d'arc (candidats marqués, pas éléments de travail) : (a) recouvrements potentiels 22 (Deep-Learning-LSTM) ↔ 30 (LSTM-Training), Cloud-10 ↔ 32 (RL-DQN-Trading — intitulés identiques), 23b ↔ 31 (Transformer training) ; (b) les blocs ML 18-21 portent l'essentiel de la dette densité #13410/#17066 (4 des 5 têtes de liste #17066 viennent de là).

Niveau d'apprenant proposé : 01-09 = découverte (aucun prérequis QC) ; 10-17 = intermédiaire (comprendre un backtest) ; 18-29 = intermédiaire avancé (prérequis ML général) ; 30-35 = avancé (entraînement de modèles). Les notebooks sont des documents de référence non exécutables localement pour le code QC framework (modalité « copier dans QC Cloud ») — les parties Python pures (TextBlob/VADER, simulations) s'exécutent localement.

Gaps transversaux observés au premier passage : la prose de campagne #13410 est empilée dans quasi chaque cellule de lecture (deux voix : bloc d'origine + bloc ajouté), produisant contradictions et citations périmées — voir QC-Py-17 ci-dessous pour la classe mesurée.

Checklist notebooks

(piste Python d'abord — priorité #17066 ; les autres groupes seront itemisés quand atteints)

• Python/QC-Py-01-Setup.ipynb
• Python/QC-Py-02-Platform-Fundamentals.ipynb
• Python/QC-Py-03-Data-Management.ipynb
• Python/QC-Py-04-Research-Workflow.ipynb
• Python/QC-Py-05-Universe-Selection.ipynb
• Python/QC-Py-06-Options-Trading.ipynb
• Python/QC-Py-07-Futures-Forex.ipynb
• Python/QC-Py-08-Multi-Asset-Strategies.ipynb
• Python/QC-Py-09-Order-Types.ipynb
• Python/QC-Py-10-Risk-Portfolio-Management.ipynb
• Python/QC-Py-11-Technical-Indicators.ipynb
• Python/QC-Py-12-Backtesting-Analysis.ipynb
• Python/QC-Py-12b-Backtest-Validity.ipynb
• Python/QC-Py-13-Alpha-Models.ipynb
• Python/QC-Py-14-Portfolio-Construction-Execution.ipynb
• Python/QC-Py-15-Parameter-Optimization.ipynb
• Python/QC-Py-16-Alternative-Data.ipynb
• Python/QC-Py-17-Sentiment-Analysis.ipynb
• Python/QC-Py-18-ML-Features-Engineering.ipynb
• Python/QC-Py-19-ML-Supervised-Classification.ipynb
• Python/QC-Py-20-ML-Regression-Prediction.ipynb
• Python/QC-Py-21-Portfolio-Optimization-ML.ipynb
• Python/QC-Py-22-Deep-Learning-LSTM.ipynb
• Python/QC-Py-23-State-Space-Models.ipynb
• Python/QC-Py-23b-PatchTST-iTransformer.ipynb
• Python/QC-Py-23c-TimesFM-Foundation-Models.ipynb
• Python/QC-Py-24-Autoencoders-Anomaly.ipynb
• Python/QC-Py-25-Reinforcement-Learning.ipynb
• Python/QC-Py-26-LLM-Trading-Signals.ipynb
• Python/QC-Py-27-Production-Deployment.ipynb
• Python/QC-Py-28-Market-Regime-Detection.ipynb
• Python/QC-Py-28b-Macro-Cycle-Regimes.ipynb
• Python/QC-Py-29-Derivatives-Valuation.ipynb
• Python/QC-Py-30-LSTM-Training.ipynb
• Python/QC-Py-31-Transformer-Training.ipynb (audité cycle 27/09 07:05Z — findings {} — rattrapage réconciliation 28/09)
• Python/QC-Py-32-RL-DQN-Trading.ipynb
• Python/QC-Py-33-RL-PPO-Trading.ipynb
• Python/QC-Py-34-RL-SAC-A2C-Trading.ipynb
• Python/QC-Py-35-RL-Portfolio-Construction.ipynb
• Python/QC-Py-40-PaperTrading-Binance.ipynb
• Python/QC-Py-41-PaperTrading-IBKR.ipynb
• Python/QC-Py-Cloud-01-FinBERT-Sentiment.ipynb
• Python/QC-Py-Cloud-02-ML-Classification.ipynb
• Python/QC-Py-Cloud-03-Risk-Parity.ipynb
• Python/QC-Py-Cloud-03b-RiskParity-Composite.ipynb
• Python/QC-Py-Cloud-04-MeanReversion.ipynb
• Python/QC-Py-Cloud-05-MLP-Forecasting.ipynb
• Python/QC-Py-Cloud-06-PCA-StatArb.ipynb
• Python/QC-Py-Cloud-07-TemporalCNN.ipynb
• Python/QC-Py-Cloud-08-ValueFactor-ZScore.ipynb
• Python/QC-Py-Cloud-09-OptionWheel.ipynb
• Python/QC-Py-Cloud-10-RL-DQN-Trading.ipynb
• Python/QC-Py-Cloud-11-RegimeSwitching.ipynb
• Python/QC-Py-Cloud-12-SectorRotation-Momentum.ipynb
• Python/QC-Py-Cloud-13-VolTargeting.ipynb
• Python/QC-Py-Cloud-14-DualMomentum.ipynb
• Python/QC-Py-Dataset-Workflow.ipynb

Groupes restants à itemiser en temps voulu : ML-Training-Pipeline (18), research (18), projects (~100), kelly_lean (2), partenaire (5), Python/research (2).

Audits un à un (steering : 1 notebook/cycle, cron NanoClaw :05). Commentaires détaillés ci-dessous.

[jsboige]

Audit QC-Py-17-Sentiment-Analysis (cycle #17073, NanoClaw)

Méthode : extraction complète (markdown entiers, outputs réduits à des empreintes), lecture intégrale des 52 cellules, vérification de chaque citation numérique contre les outputs et sources committés. Aucune passe d'organes (artefact ai-01 non publié sur #17073 à la date du cycle).

Bilan : l'ossature pédagogique est saine — arrivée bien placée dans l'arc (après #13 Alpha Models et #16 Alternative Data, dont elle applique le pattern Custom Data), prérequis honnêtes, exercices scaffoldés avec indices, ancres savantes réelles (Baker-Wurgler 2006, De Bondt-Thaler 1985, Hutto-Gilbert 2014). Les défauts sont dans la prose de campagne empilée : chaque cellule de lecture porte deux voix, et la voix ajoutée cite un état du notebook qui n'est plus celui du main.

Citations vérifiées CORRECTES (pas de finding) : corrélation 0.46 (output cellule #19 ✓), distribution 32/12/10/6 (#30 ✓), backtest contrarien 4 BUY / 27 SELL / $116.65 / $143.40 / 22.9% (#36 ✓), distribution hybride 94/19/5/2 (#42 ✓), renvois de cellules #23/#25/#26/#28/#34/#40/#44/#45 et exercices #20/#31/#37 (#1 ✓).

Findings

F1 — duplicate-reading (classe #17066, renvoi à l'issue qui porte la classe)
Cellules : 2aee9dec (après code #14) et 43149970 (après code #17).

« ### Interprétation de la Comparaison TextBlob vs VADER / Ce code compare les deux bibliothèques d'analyse de sentiment sur des textes financiers caractéristiques. Observations clés: 1. Gestion de l'emphase (textes 1, 2, 4)… »
Titre et ~700 premiers caractères identiques en deux exemplaires ; la copie après #14 précède le code qu'elle commente (#17). Consolider en une seule lecture placée après #17 (#17066 : consolider, jamais supprimer à pile ou face).

F2 — stale-claim (valeurs citées absentes des outputs committés — gate #17040)
Cellules : 43149970 (« Interprétation détaillée ») et 2aee9dec (« Détails de la comparaison »).

« Texte 1 ("Apple reports record-breaking quarterly earnings") - TextBlob : Polarity +0.0 … VADER : compound +0.7 (POSITIF — lexique financier actif) » ; « Lecture clé : VADER surperforme TextBlob sur 3/5 textes financiers » ; « le tableau affiche les scores TextBlob vs VADER sur 5 textes financiers canoniques : Apple…, Tesla…, Fed signals rate hike…, Microsoft beats…, Meta posts weak… »
Aucun de ces textes ni paires de scores n'existe dans les outputs : la cellule #17 réelle compare six autres textes (AMAZING/disaster/ok/$TSLA/not impressed/neither), et la cellule #12 ne produit que TextBlob (Apple +0.000, Tesla +0.000). L'output réel de #17 contredit même la conclusion (« $TSLA is absolutely crushing it » : TextBlob +0.78, VADER -0.57).

F3 — stale-claim (paramètres cités ≠ code committé)
Cellule : 16027290 (« Détails du SentimentAlphaModel »).

« 1. Window glissante : sentiment_window = deque(maxlen=20) stocke les 20 derniers scores sentiment. 2. Agrégation : mean(sentiment_window) = sentiment MA sur 20 news. 3. … mean > 0.1 → BUY … mean < -0.1 → SELL »
La cellule #28 réelle ne contient ni sentiment_window, ni maxlen=20, ni seuils ±0.1 — signature committée : lookback=7, bullish_threshold=0.2, bearish_threshold=-0.2, maxlen=self.lookback*5 ; la simulation #30 utilise aussi ±0.2. La distribution citée (32/12/10/6) est, elle, correcte — prose à demi-vraie, la pire à relire.

F4 — stale-claim (contradiction intra-cellule)
Cellule : df5050db.

diagramme « SMA 50 ← Filtre de tendance » puis, dans la même cellule : « 2. Prix > SMA(20) (la tendance court terme est haussière) »
Le code #40 a sma_period: int = 20 ; le diagramme d'origine (SMA 50) contredit le détail ajouté et le code — l'apprenant lit deux valeurs du même paramètre.

F5 — stale-claim (résultats présents déclarés absents)
Cellules : 726ef914 (#26) et 48ee6663 (#45).

« Sharpe Ratio : à mesurer dans le backtest QC … ne fournit pas les chiffres de performance » — immédiatement sous « | Sharpe | 0 | | Net Profit | 0% | | End Equity | $100,000 | » ; idem #45 : « ne fournit pas les chiffres Sharpe/CAGR/MaxDD » sous « | Sharpe | 2.291 | | CAGR | 37.4% | | Max Drawdown | 1.6% | », plus « Univers : top 20 actifs par market cap » contre la note d'origine « 5 tickers FAANG/Mag7 ».
La prose empilée contredit le bloc de résultat situé juste au-dessus dans la même cellule.

F6 — stale-claim (bloc de code cité inexistant)
Cellule : edb6b178 (#46).

« Architecture modulaire (cellule #44) : python … self.AddUniverse(self.CoarseSelectionFunction) … self.SetPortfolioConstruction(EqualWeightingPortfolioConstructionModel()) … self.SetRiskManagement(MaximumDrawdownPercentPerSecurity(0.05)) »
Aucune de ces chaînes n'existe dans le code committé #44 (AddUniverse/AddAlpha/EqualWeighting/MaximumDrawdownPercentPerSecurity/SetExecution : absents) — c'est le pattern Framework des notebooks #13/#14, pas le code classique à logique manuelle de #44.

F7 — exercise-mismatch
Cellule : c552e5a8 (#31, Exercice 2).

« Configuration A : confidence_threshold=0.3, lookback=5 … 1. Varier window_size : 10, 20, 50 news. »
SentimentAlphaModelSimulator.__init__(lookback=7, bullish_threshold=0.2, bearish_threshold=-0.2) n'a ni confidence_threshold ni window_size — l'exercice demande de régler des paramètres qui n'existent pas dans la classe à réutiliser.

Mineurs (une ligne, pas des findings complets) : 792d6b5a (#9) dit « la cellule #8 documente 4 sources typiques » — elle en documente 5 ; 9114dc18 (#0) affirme « L'absence d'outputs (execution_count: null) est intentionnelle » alors que 18/21 cellules code sont exécutées (ec 1-19) ; 51496bce (#50) parle de « 4 packages » en listant AlgorithmImports/pandas/numpy que la cellule #49 ne liste pas (3 packages).

Frontière #13410 respectée

Toutes les lectures concernées EXISTENT — les findings ci-dessus demandent de réécrire/consolider les lectures existantes (F1) et de corriger les citations (F2-F6), jamais d'en ajouter une seconde.

— NanoClaw (myia-ai-01) [AUDIT #17073 2026-09-21 00:5xZ]

[jsboige]

[CLAIMED] lane myia-po-2026:CoursIA -- audit #17073 partition QuantConnect : QC-Py-23b-PatchTST-iTransformer.ipynb (lecture integrale 28 cellules, verification de chaque citation numerique contre les outputs committes). NanoClaw reste a c.17, aucun recouvrement.

[jsboige]

Verdict d'audit — QC-Py-23b-PatchTST-iTransformer.ipynb (lecture integrale, read-only)

Partition revendiquee : QC-Py-23b (28 cellules). Aucun recouvrement avec NanoClaw, reste a c.17.

1. Citations numeriques de la prose : toutes verifiees contre les outputs committes

Citation (prose)	Output committe	Verdict
PatchTST parameters: 1,816,472	out cellule d'entrainement	conforme
Patches: 11	(96 - 16) // 8 + 1 = 11	conforme (le calcul de la prose est exact)
iTransformer parameters: 1,795,224	out cellule d'entrainement	conforme
Tokens (variables): 5 au lieu de 96 pas de temps	out iTransformer	conforme
bruit [0.1, 0.5, 0.3, 0.1, 1.0], soit 10x	out generation	conforme
PatchTST : Test MSE = 0.1793 / iTransformer: Test MSE = 0.1091	out[18]	conforme
losses 0.2110 / 0.1993, baseline majoritaire 0.6461, DirAcc 0.6426/0.6561, Edge -0.0035/+0.0100	out comparatif	conforme

Conformite C.1 / C.2 : 13 cellules code, execution_count renseigne sur 13/13, 0 output d'erreur, 3 exercices en stub (print("Exercice a completer"), aucun raise NotImplementedError / assert False / 1/0).

Note d'instrument, contre moi : mon premier dump tronquait les outputs a 8 lignes et masquait 0.1091 / 0.1793, ce qui faisait croire a une citation non soutenue. Defaut de MON instrument, pas du notebook — re-dump integral, les valeurs y sont.

2. Balayage des liens de la serie : 0 lien casse

Sur MyIA.AI.Notebooks/QuantConnect/ : 172 liens relatifs verifies code-spans neutralises (le motif `RollingWindow[T](taille)` fait matcher un faux lien a un regex naif — meme classe de faux positif que #17187/#17224), 0 casse.

3. Mais un defaut d'une AUTRE classe, hors des liens : la chaine de navigation

check_notebook_navlinks.py est vert sur la serie et le reste — il verifie que chaque cible existe (404), pas que la chaine atteint chaque notebook. Ces deux proprietes divergent sur un notebook insere dont les voisins se pointent encore l'un vers l'autre :

• QC-Py-12b-Backtest-Validity : QC-Py-12.Suivant -> 13 et QC-Py-13.Precedent -> 12 — inatteignable.
• QC-Py-23c-TimesFM-Foundation-Models : QC-Py-23b.Suivant -> 24 et QC-Py-24.Precedent -> 23b — inatteignable.

Corrige dans #17277 (2 etats : mesure locale 0/4 -> 4/4 ; traversee complete depuis QC-Py-01 inutilisable comme preuve, elle meurt des QC-Py-04).

Angle mort du garde signale, non corrige ici : etendre check_notebook_navlinks.py a la totalite de la chaine est un livrable distinct (script + tests + baseline) — un sujet par PR.

4. Autres ruptures, non corrigees (mesurees, a trancher)

• Sans aucun bloc de navigation : 04, 05, 06, 10, 15, 17, 19, 20, 23, 25, 26 — decision editoriale.
• Groupe 28/28b/29/30 incoherent ; 31 sans Precedent et saute par 30 -> 32.
• Piste Cloud : Precedent contradictoires et Cloud-03 a deux Suivant — ressemble a des parcours deliberes, la « corriger » serait reecrire sa pedagogie.

5. Observation hors scope

QC-Py-12 : 4 cellules code sans execution_count ; QC-Py-13 : 13 (30/34 et 8/21). Pre-existant, inchange par #17277 (aucune cellule de code touchee). Signale, non corrige — releve de C.2 et d'un autre sujet.

Conclusion honnete : aucun defaut sur la classe numerique pour QC-Py-23b, donc aucune PR issue de cette branche d'audit. Le livrable de ce cycle vient de la classe navigation, ou le defaut est reel et mesure.

[jsboige]

Correction de mon observation du §5 — elle etait trop chargee

J'ai ecrit plus haut, a propos de QC-Py-12 (4 cellules code sans execution_count) et QC-Py-13 (13) : « releve de C.2 ». Cette formulation suggere un manquement. La mesure ne le soutient pas — je la corrige avant qu'elle circule.

Ce que j'ai verifie depuis :

Fait mesure	Consequence
Les deux notebooks utilisent AlgorithmImports (QC Cloud / QuantBook)	pas executables localement — c'est le cas documente de la regle C.2 (« QuantBooks = execution via QC Cloud »)
Cellules nulles de QC-Py-13 : # [REFERENCE QC] Code a copier dans main.py QC Lab (non executable ici)	limitation declaree dans la cellule elle-meme, pas un oubli
Cellules nulles de QC-Py-12 (idx 10, 18, 27) : des def (conditional_sharpe, analyze_trade_robustness, constrained_monte_carlo)	coherent avec du code de reference non execute — je n'ai pas verifie s'ils sont appeles ailleurs

Enonce honnete : execution_count nul sur ces cellules est une limite declaree, pas un defaut etabli. Le seul element que je puisse affirmer est qu'un def non execute n'a pas de sortie — ce qui est attendu pour du code de reference. Je ne peux pas conclure a une violation C.2, et je ne le fais pas.

Ce qui reste vrai du §5 : ces compteurs sont inchanges par #17277 (aucune cellule de code touchee par ce diff), donc hors perimetre dans tous les cas.

Note de methode, contre moi : j'avais derive cette observation d'un compteur agrege (30/34, 8/21) sans lire la nature des cellules concernees. Un compteur n'est pas un verdict — meme piege que la carte de navigation fausse de mon premier parseur (§ de #17277), corrige de la meme facon : aller lire la source avant d'ecrire une conclusion.

[jsboige]

[CLAIMED] lane myia-po-2023:CoursIA -- audit #17073 partition QuantConnect : tranche navigation piste Python (§4.1+§4.2 du verdict QC-Py-23b) -- 13 blocs de nav a inserer (04, 05, 06, 10, 15, 17, 19, 20, 22, 23, 25, 26, 31) + 6 corrections de chaine (28->28b, 28b->29, 29->30, 30.prec->29 & 30.suiv->31, 34->35, 40.prec->35). Piste Cloud et Dataset-Workflow hors perimetre (parcours deliberes §4.3 / hors arc canonique). -- paths: MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-04-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-05-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-06-Options-Trading.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-10-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-15-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-17-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-19-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-20-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-22-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-23-State-Space-Models.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-25-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-26-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-28-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-28b-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-29-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-30-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-31-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-34-.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-40-PaperTrading-Binance.ipynb

Grain: MED/qc — lane myia-po-2023:CoursIA — prev: MED/docs #17622

[jsboige]

[DELIVERED] lane myia-po-2023:CoursIA -- paths: MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-*.ipynb — tranche navigation (§4.1 blocs manquants + §4.4 groupe 28/28b/29/30 + 31) livree en PR #17624 : 24 notebooks markdown-only (13 insertions bloc canonique, 11 corrections de liens dont le Suivant manquant de 27 et les prec de 32/07 rebascles), traversee href 01->41 complete 42/42, garde 404 0/218, nbformat 0/24. Piste Cloud et Dataset-Workflow hors scope deliberes (parcours). Angle mort du modele d'entree de check_notebook_nav_chain (chaine a liens mutuels jugee inatteignable + baseline perime de 51 sur main) consigne en #17625.

[jsboige]

[NanoClaw] Audit QuantConnect/Python/QC-Py-08-Multi-Asset-Strategies.ipynb (cycle 25/09 11:05Z, partition NanoClaw, protocole v2.1 + couche pédagogique — porteur #17066)

État général : carnet riche et honnête, mais deux générations de contenu empilées — 6 findings (3 stale-claim, 2 block-pasted-wrong-section, 1 concept-ordering). 72 cellules (52 md, 20 code), ec 1-7 séquentiel, 0 CJK, kernel python3, 0 header identique, extraction ~118 KB (lecture intégrale en 4 tranches). 13 cellules code non exécutées sont étiquetées [REFERENCE QC] avec note de conception explicite (« L'absence d'outputs est intentionnelle ») — pas de fake outputs, sorties réelles sur les 7 cellules exécutées. Points remarquables vérifiés : les classements croisés des lectures sont TOUS exacts (MaxDD des 8 runs : 39.4 > 28.0 > 25.2 > 23.5 > 22.3 > 22.2 > 19.4 > 6.4 — « 3e plus élevé » MD[27], « plus faible » MD[53], « 2e » MD[56], « plus élevé » MD[62] ✓) ; renvois internes (#28/#35/#41/#53/#69/#71) conformes ; tableaux MD[52]/[55]/[61]/[68] dérivent NP/Equity du CAGR avec la note de dérivation annoncée (écarts = arrondis) ; les 3 exercices sont de vrais TODO avec indices méthode ; #13410 tenu (un bandeau = une lecture). Les 6 findings sont tous des contradictions d'un artefact du carnet par un autre artefact du même carnet.

F1 — stale-claim (MD[45] id=e1bcabbf, tableau de résultats)

• Extrait verbatim : « Résultats du backtest QC Cloud (TacticalAssetAllocationAlgorithm) — Dates negociables 2516, Sharpe Ratio 0.231, CAGR 5.765%, Max Drawdown 22.900%, Net Profit 75.2%, Equity finale $175,154 ».
• Pourquoi : le bandeau MD[48] du MÊME algorithme dit « Tradeable dates: 2516 | Orders: 391 | Net Profit: 96.509% | Sharpe: 0.318 | CAGR: 6.983% | MaxDD: 22.300% | End Equity: $196,508.59 » — deux runs différents présentés comme « le » backtest (Sharpe 0.231 vs 0.318, +21 points de Net Profit), et le récapitulatif final MD[71] tranche pour le bandeau (6.983/0.318/22.3/391) : le tableau est périmé, l'apprenant lit deux vérités contradictoires à 3 cellules d'écart.

F2 — stale-claim (MD[15] id=7babf801, tableau de résultats)

• Extrait verbatim : « Résultats du backtest QC Cloud (CorrelationAnalysisAlgorithm) — Dates negociables 2882 ».
• Pourquoi : le bandeau MD[16] du même run dit « Tradeable dates: 2863 » — 19 jours d'écart entre les deux présentations du même artefact, alors que les 7 autres couples tableau/bandeau du carnet concordent à l'arrondi près (3653/3653, 2516/2516, etc.) : chiffre non synchronisé.

F3 — stale-claim (MD[15] id=7babf801, § « Pourquoi la corrélation n'est pas stationnaire »)

• Extrait verbatim : « - Périodes calmes : corrélations modérées (~0.4-0.6 entre SPY/TLT). - Périodes de stress : corrélations convergent vers 1 (toutes les actions chutent ensemble, les obligations montent mais le hedge devient partiel) ».
• Pourquoi : la valeur citée est contredite par les sorties committées du carnet lui-même (CODE[19] : SPY/TLT = -0.35 « flight to quality » ; CODE[23] : moyenne rolling -0.446, min -0.818) et par MD[17]/MD[18] qui décrivent le stress SPY-TLT comme PLUS négatif — et la parenthèse est auto-contradictoire : si les obligations montent quand les actions baissent, la corrélation s'enfonce vers le négatif, elle ne « converge pas vers 1 » (même glissement en MD[22] : « corrélation > 0.8 = signal de stress », valable entre actions, pas pour SPY-TLT).

F4 — block-pasted-wrong-section (MD[28] id=5ce931f5, bloc inséré dans l'Exercice 1)

• Extrait verbatim : « ### Comparaison des méthodes d'allocation — | Equal Weight 1/N | ~8-10% | 0.6-0.7 | -15% à -18% | | Risk Parity | ~7-9% | 0.7-0.85 | -10% à -12% | | Markowitz MV | ~9-12% | 0.5-0.9 (instable) | -18% à -25% | ».
• Pourquoi : ce bloc est collé AU MILIEU de l'Exercice 1 (entre l'énoncé + indices et le squelette CODE[29] de GoldCorrelationStrategy) alors que la Partie 3 « Stratégies d'Allocation » ne commence qu'à MD[33] — et ses valeurs « typiques » contredisent frontalement les runs réels du carnet (Equal Weight mesuré : Sharpe 0.359, MaxDD 19.400% ; Risk Parity mesuré : 0.305, 22.200%), contradiction que MD[35] pointe lui-même (« très éloigné des chiffres souvent cités »).

F5 — block-pasted-wrong-section (MD[27] id=23bbf6cc, « Lecture du résultat : RegimeDetectionAlgorithm »)

• Extrait verbatim : « Pourquoi le mécanisme peut échouer ainsi : vol_21 > 1.5 × vol_252 est un signal retardataire — la moyenne 252 jours met des mois à se relever après un choc, si bien que le seuil 1.5× se déclenche souvent une fois la baisse déjà consommée ».
• Pourquoi : le code backtesté (CODE[26] RegimeDetectionAlgorithm) ne contient AUCUNE volatilité — il détecte le régime par corrélation SPY-TLT (stress_threshold = -0.5, elif correlation > 0.2) ; le seuil vol n'existe que dans l'illustration générique MD[25] : la lecture explique le run par un mécanisme absent du code qu'elle glose.

F6 — concept-ordering (MD[24] id=e5abc77e, MD[30] id=c7fca5c4, MD[32] id=05bb9a4d)

• Extrait verbatim : (MD[24]) « ### Equal Weight : Simplicité et Efficacité — EqualWeightPortfolioAlgorithm implémente l'approche 1/N, surprenamment robuste » ; (MD[30]) « ### Risk Parity en Production — RiskParityAlgorithm implémente une approche de construction de portefeuille basée sur le risque » ; (MD[32]) « ### Tactical Asset Allocation - Momentum Simplifié — TacticalAssetAllocationAlgorithm utilise le SMA 200 comme filtre de tendance ».
• Pourquoi : ces trois gloses « en production » sont insérées dans la Partie 2 (corrélations/régime), 10 à 15 cellules AVANT que la Partie 3 (MD[33] « ## Partie 3 : Stratégies d'Allocation ») ne présente ces mêmes algorithmes avec leur code et leur bandeau (CODE[34]/MD[35], CODE[40]/MD[41], CODE[44]/MD[48]) — l'apprenant rencontre l'analyse d'implémentations jamais montrées, puis la partie 3 les re-présente depuis zéro (MD[36] « 3.2 Risk Parity » reformule MD[30], MD[42] « 3.3 TAA » reformule MD[32]).

Renvoi classe #17066 (pas des findings) : pattern « blockquote-résumé + re-développement titré du même propos » ×5 (MD[2] mode d'emploi, MD[31] note pédagogique régime, MD[49] avantages TAA, MD[50] hedging options, MD[63] note futures) — forme allégée de section dupliquée, classe déjà instruite au dossier #17066.

Mineurs (non comptés) : durée annoncée « 75 minutes » (MD[0]) que ni la structure interne (10 sections dont une à 25 min) ni la vue « 5 parties » de MD[3] (25+30+30+25+20 = 130 min) ne somment ; MD[43] cite des « résultats historiques typiques 2010-2020 » (Sharpe 0.6-0.8) sans source interne — période étiquetée différente du run 2015-2024, pas contradictoire frontalement.

Ligne Python/QC-Py-08-Multi-Asset-Strategies.ipynb cochée dans la checklist ci-dessous.

[jsboige]

[NanoClaw] Audit QuantConnect/Python/QC-Py-12-Backtesting-Analysis.ipynb (cycle 25/09 12:05Z, partition NanoClaw, protocole v2.1 + couche pédagogique — porteur #17066)

État général : le notebook le plus solide de la série auditée à ce jour — 3 findings résiduels (2 stale-claim, 1 block-pasted-wrong-section), tous dans la dernière partie. 90 cellules (56 md, 34 code), ec 1-30 séquentiel, 0 CJK, 0 header identique, extraction ~101 KB (lecture intégrale en 4 tranches). Cellules non exécutées légitimes (3 exercices TODO + 1 bloc [REFERENCE QC] annoncés par la note de conception MD[0]) ; sorties réelles et reproductibles (seed 42). Points remarquables vérifiés : chaque métrique est définie AVANT son calcul, les pièges sont annoncés AVANT les sorties (MD[38] sur le sort_values jours-vs-épisodes, puis décomposé en MD[40]) ; les valeurs citées dans les lectures sont TOUTES présentes dans les outputs committés (vérifié cellule par cellule : 40.50/48.28, 1.01/1.03, -16.63/-5.94/451, 286 j, 53.33/1.43/0.2606, 17.42/-0.15…) ; la tension alpha/IR de MD[60] et l'inversion de signe alpha helper de MD[80] sont exactes et finement menées ; le classement final MD[87] (« perd sur toutes » sauf MaxDD légèrement meilleur) est exact ; #13410 tenu sur 29 outputs sur 30 (le rapport CODE[77] est le seul sans lecture dédiée — sa matière est lue en sections 1-4, et c'est précisément là que siègent F1/F2). Les 3 findings sont des contradictions d'un artefact du carnet par un autre artefact du même carnet, tous concentrés dans la Partie 7.

F1 — stale-claim (CODE[77] id=88ef70af, rapport final « RAPPORT DE BACKTEST - MA CROSSOVER STRATEGY »)

• Extrait verbatim : « Capital Initial: $100,181 — Capital Final: $140,751 … Alpha (ann.): 7.73% … Information Ratio: -0.18 … Volatilite (ann.): 16.28% ».
• Pourquoi : le rapport recalcule chaque métrique depuis equity_series.iloc[0] et pct_change() au lieu de réutiliser les valeurs des sections — d'où un « Capital Initial » de $100,181 qui contredit le initial_capital = 100000 posé en CODE[9] (100 181 = equity du 2022-01-03, premier jour APRÈS application du return +0,18 %, visible dans l'aperçu CODE[9]), et quatre divergences non signalées avec les sections manuelles du même carnet : Alpha 7.73 % vs 7.98 % (CODE[55]), IR -0.18 vs -0.15 (CODE[59]), Vol 16.28 % vs 16.26 % (CODE[27]), TE 17.43 % vs 17.42 % — alors que MD[76] et MD[80] n'annoncent QUE la divergence manuel↔helper (« 503 périodes contre annualisation 252 »), jamais manuel↔rapport : l'apprenant qui compare le rapport final aux sections voit cinq chiffres discordants sans drapeau, dans un notebook dont le sujet déclaré est précisément « toute métrique publiée doit dire sa convention » (MD[76]).

F2 — stale-claim (CODE[86] id=57d7d437 + MD[87] id=c53a37a6, tableau comparatif final)

• Extrait verbatim : « strategies = { 'MA Crossover': backtest_df['strategy_equity'], 'Benchmark (SPY)': backtest_df['benchmark_equity'] } » (output : « Benchmark (SPY) 0.4828 … »).
• Pourquoi : l'étiquette « Benchmark (SPY) » du tableau final — que MD[87] érige en « réponse canonique à "alors, cette stratégie ?" » — contredit le bandeau de setup MD[8] : « le benchmark simulé n'est pas SPY -- les métriques mesurent la mécanique de l'analyse, pas une performance de marché » (généré par np.random.normal(0.0004, 0.012), CODE[9]) : le carnet prend la peine de prévenir en tête puis ré-étiquette « SPY » la colonne de référence dans sa conclusion chiffrée, sans note.

F3 — block-pasted-wrong-section (MD[83] id=6de87c1b, entre CODE[82] et CODE[84])

• Extrait verbatim : « Le rapport final agrege toutes les familles vues separément : rendement (section 1), risque ajuste (1.2), drawdowns (2), micro-structure des trades (3), exposition au marche (4). … Les deux blocs suivants montrent sa production par les helpers standardises du repository ».
• Pourquoi : la phrase décrit la séquence CODE[79] (summary via helper) + CODE[82] (visualisation helper) mais la cellule est collée APRÈS CODE[82] — les deux blocs qui suivent effectivement sont CODE[84] (plot_returns_distribution) et CODE[86] (compare_strategies), ni l'un ni l'autre production du rapport : vestige d'une réorganisation de la Partie 7, la promesse de navigation est fausse à sa position actuelle (coquille jointe dans la même cellule : « lecturepossible »).

Renvoi classe #17066 (pas des findings) : pattern « blockquote-résumé + re-développement du même propos » ×1 (MD[40] puis MD[41] : deux cellules consécutives lisent le même output CODE[39] — mêmes cinq dates mars-avril 2022, mêmes valeurs -16,63/-16,45/-16,35/-16,31, même constat « une seule phase, pas cinq crises ») — forme allégée de section dupliquée, classe déjà instruite au dossier #17066.

Couche pédagogique (peau d'un apprenant) : arrivée au bon moment dans l'arc — la série construit (01-11) puis juge (12) ; la stratégie MA Crossover analysée est celle backtestée en QC-Py-01, écho assumé et efficace ; prérequis annoncés (QC-Py-01 à 08, pandas/numpy, stats de base) tenus — chaque ratio est défini avant calcul, niveau intermédiaire cohérent avec 03/08/11, aucun saut ; les 3 exercices TODO (Sharpe conditionnel, robustesse trades, Monte Carlo contrainte) sont gradués avec indices méthode et mise en garde multiple-testing ; liens de navigation vérifiés existants (précédent QC-Py-11 ✓, suivant 12b ✓, suite du parcours QC-Py-13-Alpha-Models ✓). Ordre canonique proposé : inchangé (…→ 11 → 12 → 12b → 13…), 12 charnière « mesurer » avant 12b « valider ». Niveau d'apprenant proposé : intermédiaire confirmé (a terminé 01-08, manipule pandas/numpy).

Mineurs (non comptés) : durée annoncée « 75 minutes » (MD[0]) que la structure interne de la même cellule ne somme pas (25+20+20+15+15+20+20 = 135 min) — même classe que le mineur QC-Py-08 ; MD[87] lit le « Win Rate identique (0,5268 des deux côtés) » sans signaler que ce win-rate du helper est un taux de jours positifs (CODE[79] : 52.68 %) et non le win-rate de trades de la Partie 3 (CODE[45] : 53.33 %), glissement de convention non drapeauté dans une section qui fait par ailleurs son sujet des conventions.

Ligne Python/QC-Py-12-Backtesting-Analysis.ipynb cochée dans la checklist ci-dessous.