[QC][livre] Head & Shoulders CNN (06/17) : notre rejeu tourne sans le modèle entraîné du livre

[jsboige]

Part of #18900 (tranche 3, verdict ÉCART sur l'exemple 06/17)

Constat

Rejeu de MyIA.AI.Notebooks/QuantConnect/projects/ML-HeadShoulders-CNN/ dans les conditions du livre : 2019-01-01 → 2024-04-01, capital 100 k, USDCAD, la ligne set_brokerage_model retirée, paramètres publiés. La règle pré-enregistrée (complément tranche 3) est une borne à zéro sur le profit net, parce que le livre ne publie qu'un signe (« toutes les combinaisons sont profitables »).

Mesure	Valeur
Profit net	−0,062 %
Sharpe	−24,1
CAGR	−0,012 %
Pire baisse	0,2 %
PSR	0 %
Ordres	8

Projet QC 37323273, backtest 87648032844af2f195239271140bcb1f. Profit net négatif : verdict ÉCART.

Ce qui a tourné

La première ligne du journal du backtest est Object Store model missing, training synthetic CNN. Le modèle entraîné du livre n'a donc pas tourné. Notre main.py (lignes 99 à 108) a entraîné sur place un CNN sur des motifs synthétiques, à graine fixe. Ce modèle a détecté 4 figures (2020-07-27, 2020-07-28, 2022-03-24, 2022-08-18), avec des confiances de 50 à 58 %.

L'écart porte donc sur le modèle de substitution, pas encore sur notre reproduction de la stratégie. La clé head-and-shoulders-model.keras est écrite par le research.ipynb du projet, dans la cellule qui sauvegarde le modèle. Ce carnet n'a pas été exécuté sur QC Cloud de notre côté : la clé est absente de notre Object Store.

Le Sharpe (−24,1) tombe dans l'échelle du balayage du livre (de −135 à −20 environ). Cela ne change pas le verdict, puisque la règle porte sur le profit net (raison donnée dans le complément).

Travail

1. Exécuter projects/ML-HeadShoulders-CNN/research.ipynb sur QC Cloud : il entraîne le CNN et écrit la clé dans l'Object Store.
2. Rejouer dans les mêmes conditions, et vérifier que la ligne Object Store model missing a disparu du journal.
3. Rendre le verdict sous la même règle, puis mettre à jour la ligne 17 de la tranche 3 dans BOOK_MAPPING.md.
4. Si le modèle du livre perd lui aussi, dire si l'écart vient de notre portage du carnet ou du livre lui-même.

[jsboige]

[CLAIMED] #19053 — myia-po-2026:CoursIA 2026-10-04T19:27Z

Plan : (1) exécuter projects/ML-HeadShoulders-CNN/research.ipynb sur QC Cloud (entraîne le CNN, écrit head-and-shoulders-model.keras dans l'Object Store) ; (2) rejouer le backtest aux conditions de l'issue (2019-01-01 → 2024-04-01, 100 k, USDCAD, sans set_brokerage_model) ; (3) vérifier la disparition de Object Store model missing dans le journal ; (4) verdict sous la règle enregistrée (borne à zéro sur le profit net) puis mise à jour de la ligne 17 tranche 3 de BOOK_MAPPING.md.

Chemins touchés : MyIA.AI.Notebooks/QuantConnect/projects/ML-HeadShoulders-CNN/ (research.ipynb, main.py côté QC Cloud projet 37323273), MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md.

[jsboige]

Versement des elements propres de #19164 (fermee en doublon de la PR fusionnee #19152, directive ai-01 du 05/10 02:26Z). Ce qui suit n'est pas couvert par #19152 : conserves ici pour le journal de l'issue.

Trois preuves independantes que le detecteur a change (modele du livre vs CNN de repli)

Memes conditions que le rejeu : 2019-01-01 -> 2024-04-01, 100 k, USDCAD, parametres publies (max_size 100, step_size 10, seuil 0,5, detention 10 jours), sans set_brokerage_model.

1. Jeu de figures detectees different. Modele du livre : 2020-07-28, 2021-10-05, 2022-06-01, 2022-08-19. Repli : 2020-07-27, 2020-07-28, 2022-03-24, 2022-08-18. Le repli est entraene a graine fixe : un meme modele rejoue rendrait le meme jeu — le changement de jeu est l'empreinte d'un autre modele.
2. Sharpe de crise change d'echelle (analyse QC, crise « Post-COVID Run-up 2020-2021 ») : -1178 (repli) contre -16 (modele du livre).
3. La clé deposee fait 314 235 octets, exactement la taille qu'annonce la sortie du carnet qui l'ecrit ; en place a 20:53:06Z, le backtest 949250e332 cree 66 s plus tard.

Etape 2 (journal) — hors d'atteinte : les six voies essayees

La ligne Object Store model missing n'a pas ete verifiee absente : aucun journal n'a ete atteint. Un logs: [] rendu par un endpoint qui n'expose pas le journal est muet, pas negatif.

voie	resultat
MCP read_backtest	pas de cle logs dans la charge utile (verifie sur l'ancien rejeu)
API QC v2 backtests/read	idem ; includeLogs: true et logs: true ignores (reponse identique)
API QC v2 backtests/logs	Endpoint not found
lean cloud backtest, projet distant	statistiques seules sur la sortie standard
lean cloud backtest, projet tire en local	statistiques seules ; aucun repertoire backtests/, donc pas de log.txt
interface web QC	session non authentifiee — pas d'ouverture de session interactive avec identifiants

Contexte et reserves

• Code deploye = celui du depot a trois modifications pres (dates du livre + retrait du brokerage model) : diff unifie de 13 lignes sur 257.
• Troisieme rejeu (tete locale 4be6c7bd15e1) : memes chiffres au centime pres (equity 100 062,60 $, 8 ordres) — chemin reproductible.
• Marge mince : +0,063 % (+62,60 $ sur 100 k), PSR 0 % ; equity dit +62,60 $, banniere d'execution « Net Profit $70.02 » — les deux positifs, ecart signale.
• Methode : le research.ipynb du livre entraene son CNN uniquement sur des motifs synthetiques (prices charge en cellule 4, reference par aucune cellule d'entrainement ; cellule 6 = 2000 echantillons gaussiens + marche aleatoire) — le « modele du livre » est lui-meme synthetique.