Repository navigation
[Quant-AI P3] Donnees financieres synthetiques par diffusion -- generateur evalue par faits stylises (DEEP) #20211
Description
Activity
Grain: DEEP/notebook-python — lane myia-po-2027:CoursIA-2 — prev: DEEP/guard #19851
[CLAIMED] lane myia-po-2027:CoursIA-2 — carnet QC-Py-43 : generateur de diffusion sur series de rendements, evalue par faits stylises (controle negatif bootstrap i.i.d.) + mesure d'augmentation, doctrine §C.
paths: MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-43-*.ipynb, MyIA.AI.Notebooks/QuantConnect/Python/README.md
Aucune autre lane sur #20211 (
check_lane_claim.pyCLEAR), aucun carnet QC-Py-43 existant, aucune PR ouverte sur ce chemin.- added a commit that references this issue
on Oct 10, 2026 Bibliographie du volet P3 — dépôt au gisement et écart déclaré
L'acceptance de l'EPIC #19306 exige que chaque issue fille cite les PDF archivés au gisement
G:\Mon Drive\MyIA\IA\Bibliographie IA\Trading\avec leur chemin. État réel, sans arrondi.Déposé — et ancré dans le livrable
FinDiff: Diffusion Models for Financial Tabular Data Generation — Timur Sattarov, Marco Schreyer, Damian Borth, 2023, arXiv:2309.01472, 9 p.
Chemin :
G:\Mon Drive\MyIA\IA\Bibliographie IA\Trading\2023 - Sattarov Schreyer Borth - FinDiff Diffusion Models for Financial Tabular Data Generation (arXiv 2309.01472).pdfContrôles passés : identité vérifiée sur la page 1 (titre et trois auteurs concordants) ; empreinte du fichier déposé identique à celle de la source téléchargée — 3 514 358 octets de part et d'autre.
Ancre dans le livrable : une section « Repères de littérature » a été ajoutée au carnet (commit
c41311327677, markdown seul, re-exécution non due). FinDiff y est situé plutôt que nommé — objet tabulaire à modalités mixtes, motivation de confidentialité du partage de microdonnées — par opposition à l'objet de ce carnet, une série unidimensionnelle jugée sur les faits stylisés. La correspondance retenue est méthodologique : juger un générateur contre des statistiques de la donnée engendrée, jamais contre sa perte d'entraînement.Non déposé — l'écart est nommé, pas tu
- FTS-Diffusion — requête de l'API arXiv par titre : 0 résultat ; le papier est diffusé via OpenReview. Aucune copie au gisement.
- DeepMarket — non recherché au-delà du repérage de prose de l'inventaire. Aucune copie au gisement.
Ces deux références ne figurent dans le carnet que comme voisins nommés et non consultés : aucun de leurs résultats n'est réutilisé et rien dans le livrable n'en dépend. L'écart est écrit pour qu'un cycle ultérieur puisse le fermer — c'est la raison de le consigner ici.
Un incident de vérification, rapporté parce qu'il est instructif
Le premier identifiant arXiv essayé de mémoire (2306.01863) s'est révélé être un article sans aucun rapport : Embedding Security into Ferroelectric FET Array via In-Situ Memory Operation. Il a été écarté après lecture de la page 1, puis remplacé par une recherche de l'API arXiv par titre. Sans le contrôle d'identité en page 1 qu'impose
bibliography-hygiene, un PDF étranger serait entré au gisement sous un nom de papier financier — et l'erreur aurait été invisible ensuite, le nom du fichier étant la seule trace.Part of #19306.
- added a commit that references this issue
on Oct 10, 2026
Issue fille de #19306 (EPIC Quant-AI), volet P3 — Données financières synthétiques par diffusion (DEEP).
Angle mort mesuré (re-mesuré firsthand le 2026-10-10)
Grep prose
*.py/*.md/*.yml/*.cssurorigin/main, sorties.ipynbexclues (méthode du body parent) :FinDiffFTS-Diffusion/FTS_DiffusionDeepMarketscore-basedfaits stylisesstylized factsEt le mot
diffusiondans le périmètre QuantConnect est un homonyme :git grep -il diffusion origin/main -- 'MyIA.AI.Notebooks/QuantConnect/*'rend 4 fichiers, dontML-Training-Pipeline/scripts/train_mtgnn.py(convolution de graphe MTGNN) — pas un modèle génératif.Le dépôt enseigne les modèles de diffusion (
GenAI/Image, pipelinesdiffusers) et entraîne des modèles financiers (série QuantConnect), sans jamais relier les deux : aucun générateur de séries de rendements n'existe.Organes natifs — les 5 questions
organ-firstGenAI/Imagepossède la diffusion (viadiffusers), mais pour des images ;QuantConnect/Pythonpossède les séries de rendements, mais sans modèle génératif. Aucune des deux ne possède « diffusion sur séries financières » — c'est exactement l'angle mort.torch(2.14.0) est présent dans l'environnement local : le substrat d'entraînement est réel, pas un substitut. Un UNet 2-D dediffusersne s'applique pas tel quel à une série 1-D — l'appel direct n'est pas le bon geste, et le dire fait partie de la réponse.GenAI/Image: le carnet consommateur est côté QuantConnect, et le pont est précisément ce que cette issue livre. À vérifier au moment du livrable qu'aucun helper de diffusion 1-D n'a été ajouté entre-temps.QuantConnect— doctrine §C : multi-seed ≥ 4 + Diebold-Mariano + coûts de transaction + majority baseline.Grain
Générateur de diffusion sur séries de rendements du dépôt, évalué par faits stylisés — pas par la loss :
gagne/ne gagne pas/inconclusif, doctrine §C.Note sur le renvoi du body parent
Le body de #19306 cite « Pont direct avec #19267 ». Re-vérifié le 2026-10-10 : #19267 porte désormais un autre sujet (digestion Heuristic Search, série Search) — le renvoi est périmé. La digestion « Principles of Diffusion Models » visée n'est pas identifiée par ce numéro ; à ne pas recopier tel quel.
Part of #19306.