Skip to content

feat(qc,#11601): un énoncé par exercice (QC-Py-23b) + cellule vide comblée (QC-Py-14) — résiduels tranche 2 #15953

New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Merged
myia-ai-01 merged 2 commits into from
Sep 15, 2026
Merged

feat(qc,#11601): un énoncé par exercice (QC-Py-23b) + cellule vide comblée (QC-Py-14) — résiduels tranche 2 #15953

Show file tree
Hide file tree
Changes from all commits
Commits
Show all changes
2 commits
Select commit Hold shift + click to select a range
84406ed
feat(qc,#11601): un enonce par exercice dans QC-Py-23b + combler la c…
jsboige Sep 13, 2026
a21ab87
ci: retrigger CodeQL default-setup analysis (upload infra failure)
jsboige Sep 13, 2026
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
11 changes: 9 additions & 2 deletions MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-14-Portfolio-Construction-Execution.ipynb
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -1926,8 +1926,15 @@
},
{
"cell_type": "markdown",
"source": [
""
"source": [
"### Deux Execution Models integres : Immediate et VWAP\n",
"\n",
"Les deux blocs `[REFERENCE QC]` ci-dessous mettent cote a cote les extremites du spectre d'execution, a copier dans l'IDE QuantConnect :\n",
"\n",
"- **`ImmediateExecutionModel`** — le plus simple : chaque cible de portefeuille est executee immediatement par ordre Market, sans decoupage (univers SPY/QQQ/IWM/TLT en `Resolution.Daily`) ;\n",
"- **`VolumeWeightedAveragePriceExecutionModel`** — l'ordre est decoupe sur la journee pour suivre le prix moyen pondere par les volumes ; il exige des donnees `Resolution.Minute` (le second bloc passe SPY/QQQ/IWM en Minute pour cette raison).\n",
"\n",
"Le compromis est celui de toute l'execution : certitude et simplicite du fill immediat contre impact de marche reduit par l'etalement."
],
"metadata": {},
"id": "cell-f02d1e57"
Expand Down
42 changes: 34 additions & 8 deletions MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-23b-PatchTST-iTransformer.ipynb
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -930,19 +930,25 @@
},
"tags": []
},
"source": [
"source": [
"***\n",
"\n",
"## Exercices\n",
"\n",
"Trois exercices pour transformer la lecture en pratique. Ils manipulent exactement les objets definis ci-dessus — aucun nouveau concept n'est requis, seulement les parametres des constructeurs `PatchTSTModel` et `iTransformerModel`, et le protocole de la Partie 4.\n",
"Trois exercices pour transformer la lecture en pratique. Ils manipulent exactement les objets definis ci-dessus — aucun nouveau concept n'est requis, seulement les parametres des constructeurs `PatchTSTModel` et `iTransformerModel`, et le protocole de la Partie 4. Chaque enonce precede immediatement la cellule a completer."
]
},
{
"cell_type": "markdown",
"id": "5a01c7e2",
"metadata": {},
"source": [
"### Exercice 1 : Modifier le patching\n",
"\n",
"- **Exercice 1 (patching)** : la formule `(seq_len - patch_len) // stride + 1` donne 11 patches pour la configuration par defaut — predisez ce qu'elle donne pour patch=32, stride=16, puis verifiez en construisant le modele. C'est la mecanique du patching reduite a une arithmetique ;\n",
"- **Exercice 2 (profondeur)** : doubler n_layers de 3 a 5 — observez l'impact sur le nombre de parametres (le print de la cellule precedente suffit) et discutez pourquoi plus de couches n'aide pas un modele sous-entraine ;\n",
"- **Exercice 3 (anti-biais)** : les 5 variables synthetiques correlees de la Partie 4 forment un panier « concentre » — l'exercice demande de reevaluer sur un panier diversifie, la ou la correlation inter-variables que iTransformer exploite est plus faible."
"La formule `(seq_len - patch_len) // stride + 1` donne **11 patches** pour la configuration par defaut. Predisez ce qu'elle donne pour `patch_len=32` et `stride=16`, puis verifiez en construisant le modele — c'est la mecanique du patching reduite a une arithmetique."
]
},
{
{
"cell_type": "code",
"execution_count": 11,
"id": "d07c27fe",
Expand Down Expand Up @@ -980,7 +986,17 @@
"print(\"Exercice a completer\")"
]
},
{
{
"cell_type": "markdown",
"id": "b7f30a91",
"metadata": {},
"source": [
"### Exercice 2 : Ajouter une couche au Transformer\n",
"\n",
"Augmentez `n_layers` de 3 a 5 — observez l'impact sur le nombre de parametres (le print de la cellule precedente suffit) et discutez pourquoi plus de couches n'aide pas un modele sous-entraine."
]
},
{
"cell_type": "code",
"execution_count": 12,
"id": "19bdf4d0",
Expand Down Expand Up @@ -1016,7 +1032,17 @@
"print(\"Exercice a completer\")"
]
},
{
{
"cell_type": "markdown",
"id": "c94e2d16",
"metadata": {},
"source": [
"### Exercice 3 : Evaluer sur des donnees anti-biais\n",
"\n",
"Les 5 variables synthetiques correlees de la Partie 4 forment un panier « concentre ». L'exercice demande de reevaluer les deux modeles sur un panier diversifie charge par `build_panier_anti_bias.py`, la ou la correlation inter-variables que iTransformer exploite est plus faible."
]
},
{
"cell_type": "code",
"execution_count": 13,
"id": "2e96ccda",
Expand Down
Loading