myia-ai-01 · Sep 28, 2026 · Sep 27, 2026 · Sep 27, 2026 · Sep 27, 2026
diff --git a/MyIA.AI.Notebooks/QuantConnect/ML-Training-Pipeline/hmm_alpha_research.ipynb b/MyIA.AI.Notebooks/QuantConnect/ML-Training-Pipeline/hmm_alpha_research.ipynb
diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-24-Autoencoders-Anomaly.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-24-Autoencoders-Anomaly.ipynb
@@ -561,7 +561,7 @@
     "2. **Multi-horizon** : les fenêtres 5 et 20 jours coexistent. Le régime Bear de la simulation change la vol à court terme **avant** que la moyenne 20 jours ne s'en aperçoive — sans le multi-horizon, le détecteur verrait l'anomalie trop tard.\n",
     "3. **Normalisation par construction** : les ordres de grandeur des features sont ramenés vers [0, 1]-ish par les divisions et z-scores, ce qui stabilise l'entraînement du VAE bien mieux qu'une normalisation a posteriori figée (et invalide) en production.\n",
     "\n",
-    "Le résumé de la cellule affiche la forme finale `X: (961, 20, 12)` : 961 fenêtres de 20 jours × 12 features. La découpe en fenêtres glissantes — présentée dans la cellule suivante — transforme la série journalière en tenseurs que le LSTM de l'encoder sait lire directement."
+    "Le résumé de la cellule affiche la forme finale `X: (961, 20, 12)` : 961 fenêtres de 20 jours × 12 features. La découpe en fenêtres glissantes — présentée quelques cellules plus loin, après l'instanciation du modèle en tenseurs que le LSTM de l'encoder sait lire directement."
    ]
   },
   {

diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-31-Transformer-Training.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-31-Transformer-Training.ipynb
@@ -3342,7 +3342,7 @@
     "  \\-- Generation d'insights (signaux de trading)\n",
     "```\n",
     "\n",
-    "Le code suivant est une reference a copier dans `main.py` d'un projet QC Lab."
+    "L'interpretation qui suit reference les quatre composants du `main.py` d'un projet QC Lab (PositionalEncoding, TransformerPredictor, TransformerAlphaModel, TransformerMultiAssetStrategy) ; le squelette complet de `main.py` reste a copier depuis la documentation QC Lab."
    ]
   },
   {
@@ -3663,7 +3663,7 @@
    "environment_variables": {},
    "exception": null,
    "input_path": "QC-Py-31-Transformer-Training.ipynb",
-   "output_path": "C:/Users/jsboi/AppData/Local/Temp/claude/d--Dev-CoursIA-2/06a3155b-fc4b-4bad-b929-a30b14f83449/scratchpad/QC-Py-31-rerun.ipynb",
+   "output_path": "QC-Py-31-Transformer-Training.ipynb",
    "parameters": {},
    "start_time": "2026-09-26T13:45:00.488037+00:00",
    "version": "2.7.0"

diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-32-RL-DQN-Trading.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-32-RL-DQN-Trading.ipynb
@@ -1836,56 +1836,6 @@
     "Pour une mesure out-of-sample reelle : 3 splits (train / val / test), selection du checkpoint sur val, evaluation finale sur test uniquement."
    ]
   },
-  {
-   "cell_type": "markdown",
-   "id": "fb7b5f5a",
-   "metadata": {
-    "papermill": {
-     "duration": 0.00643,
-     "end_time": "2026-09-19T11:31:00.204312",
-     "exception": false,
-     "start_time": "2026-09-19T11:31:00.197882",
-     "status": "completed"
-    },
-    "tags": []
-   },
-   "source": [
-    "### Interpretation\n",
-    "\n",
-    "Les metriques ci-dessous decrivent le comportement du checkpoint retenu (episode 60,\n",
-    "val_sharpe = 1,528) **sur la periode 2022-2024** — celle-la meme qui a servi a le\n",
-    "selectionner. Ce ne sont donc pas des mesures out-of-sample : la section precedente\n",
-    "quantifie le biais ascendant (**+2,258** entre le maximum retenu et la moyenne des dix\n",
-    "evaluations, qui vaut **-0,730**). Ce que ces chiffres decrivent fidelement, en\n",
-    "revanche, c'est **quelle strategie l'agent a apprise** — et cette lecture-la ne depend\n",
-    "pas de la question du biais de selection.\n",
-    "\n",
-    "- **Rendement total +5 406,52 %** (+283,16 % annualise) sur 2022-2024, pour\n",
-    "  **7 762 trades** et un **win rate de 53,32 %** — a peine au-dessus du pile-ou-face.\n",
-    "  Un rendement a quatre chiffres avec un edge de 3 points sur le hasard ne vient pas\n",
-    "  de la qualite des paris : il vient de leur **nombre** et de leur **taille**, c'est-a-dire\n",
-    "  d'un effet de levier compose sur 752 pas.\n",
-    "- **Sharpe 1,528 > 0,7** : la barre que le notebook s'etait fixee plus haut est atteinte\n",
-    "  **sur la periode de selection**, et par **une seule** des dix evaluations. Pour savoir\n",
-    "  si elle le serait hors echantillon, il faudrait un troisieme decoupage (train /\n",
-    "  validation / test) — c'est l'exercice propose a la fin du notebook.\n",
-    "- **MaxDD -78,02 %** : plus des trois quarts du capital perdus au pire moment. C'est le\n",
-    "  chiffre qui disqualifie la strategie, et il doit se lire **avec** le rendement, pas\n",
-    "  a cote : les deux sont les deux faces d'une meme exposition non bornee.\n",
-    "- **La distribution des actions revele la strategie apprise** : Hold 1 972 (17,5 %),\n",
-    "  **Buy 5 411 (48,0 %)**, **Sell 3 884 (34,4 %)**, Close **13 (0,1 %)**. L'agent\n",
-    "  achete et vend sans relache — 7 762 trades pour 752 pas de validation, une dizaine\n",
-    "  d'ordres par jour de bourse — et n'utilise **quasiment jamais** l'action Close.\n",
-    "  Autrement dit il n'a pas appris a *sortir* d'une position : il la retourne. C'est\n",
-    "  une lecture directe du -78 % de drawdown.\n",
-    "\n",
-    "Corollaire pedagogique : un profil aussi actif pose une question que le Sharpe seul ne\n",
-    "tranche pas — combien de ce +5 406 % survivrait a des frais realistes appliques a\n",
-    "7 762 allers-retours, et combien vient simplement du marche ? La comparaison a un\n",
-    "buy-and-hold equipondere sur les memes 15 titres est le controle qui repond, et elle\n",
-    "est proposee en exercice.\n"
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": 12,
@@ -1971,6 +1921,41 @@
     "tags": []
    },
    "source": [
+    "### Interpretation\n",
+    "\n",
+    "Les metriques ci-dessous decrivent le comportement du checkpoint retenu (episode 60,\n",
+    "val_sharpe = 1,528) **sur la periode 2022-2024** — celle-la meme qui a servi a le\n",
+    "selectionner. Ce ne sont donc pas des mesures out-of-sample : la section precedente\n",
+    "quantifie le biais ascendant (**+2,258** entre le maximum retenu et la moyenne des dix\n",
+    "evaluations, qui vaut **-0,730**). Ce que ces chiffres decrivent fidelement, en\n",
+    "revanche, c'est **quelle strategie l'agent a apprise** — et cette lecture-la ne depend\n",
+    "pas de la question du biais de selection.\n",
+    "\n",
+    "- **Rendement total +5 406,52 %** (+283,16 % annualise) sur 2022-2024, pour\n",
+    "  **7 762 trades** et un **win rate de 53,32 %** — a peine au-dessus du pile-ou-face.\n",
+    "  Un rendement a quatre chiffres avec un edge de 3 points sur le hasard ne vient pas\n",
+    "  de la qualite des paris : il vient de leur **nombre** et de leur **taille**, c'est-a-dire\n",
+    "  d'un effet de levier compose sur 752 pas.\n",
+    "- **Sharpe 1,528 > 0,7** : la barre que le notebook s'etait fixee plus haut est atteinte\n",
+    "  **sur la periode de selection**, et par **une seule** des dix evaluations. Pour savoir\n",
+    "  si elle le serait hors echantillon, il faudrait un troisieme decoupage (train /\n",
+    "  validation / test) — c'est l'exercice propose a la fin du notebook.\n",
+    "- **MaxDD -78,02 %** : plus des trois quarts du capital perdus au pire moment. C'est le\n",
+    "  chiffre qui disqualifie la strategie, et il doit se lire **avec** le rendement, pas\n",
+    "  a cote : les deux sont les deux faces d'une meme exposition non bornee.\n",
+    "- **La distribution des actions revele la strategie apprise** : Hold 1 972 (17,5 %),\n",
+    "  **Buy 5 411 (48,0 %)**, **Sell 3 884 (34,4 %)**, Close **13 (0,1 %)**. L'agent\n",
+    "  achete et vend sans relache — 7 762 trades pour 752 pas de validation, une dizaine\n",
+    "  d'ordres par jour de bourse — et n'utilise **quasiment jamais** l'action Close.\n",
+    "  Autrement dit il n'a pas appris a *sortir* d'une position : il la retourne. C'est\n",
+    "  une lecture directe du -78 % de drawdown.\n",
+    "\n",
+    "Corollaire pedagogique : un profil aussi actif pose une question que le Sharpe seul ne\n",
+    "tranche pas — combien de ce +5 406 % survivrait a des frais realistes appliques a\n",
+    "7 762 allers-retours, et combien vient simplement du marche ? La comparaison a un\n",
+    "buy-and-hold equipondere sur les memes 15 titres est le controle qui repond, et elle\n",
+    "est proposee en exercice.\n",
+    "\n",
     "### Interpretation\n",
     "\n",
     "La courbe de portefeuille, les rendements quotidiens et le drawdown montrent la\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-33-RL-PPO-Trading.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-33-RL-PPO-Trading.ipynb
@@ -911,8 +911,16 @@
     "critique (qui estime la valeur de l'état) lisent l'état **à travers la même représentation interne**.\n",
     "C'est la différence avec le DQN de QC-Py-32, qui entraînait deux réseaux séparés (main + target) pour\n",
     "la même fonction valeur. Ici, ce que le critique apprend à valoriser guide directement ce que l'acteur\n",
-    "voit — au prix d'un couplage : un gradient bruité sur l'une des têtes perturbe l'autre à travers la base,\n",
-    "ce que le terme `value_coef` de la cellule suivante vient équilibrer."
+    "voit — au prix d'un couplage : un gradient bruité sur l'une des têtes perturbe l'autre à travers la base."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Couplage base partagee et equilibre actor/critic\n",
+    "\n",
+    "Le couplage entre la tete acteur et la tete critic par la base partagee se regle en pratique par un hyperparametre : `value_coef`, qui pondere la perte du critique dans la perte totale. Une valeur trop haute gele l'apprentissage de la politique au profit du critique ; trop basse, le critique devient bruyant et destabilise la politique. Sa definition complete apparait dans la section \"Agent PPO avec GAE\", quelques cellules plus loin.\n"
    ]
   },
   {

diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-Cloud-05-MLP-Forecasting.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-Cloud-05-MLP-Forecasting.ipynb
@@ -234,10 +234,13 @@
     "*Note de fidélité* : la docstring historique de l'algorithme annonçait un vecteur\n",
     "de 20 éléments alors que le code en construit 18 — la « moyenne mobile » listée\n",
     "dans la prose d'origine n'existe pas dans le code. La prose de ce notebook est\n",
-    "ré-ancrée sur le réel : 18 dimensions, six familles.\n",
-    "\n",
-    "***\n",
-    "\n",
+    "ré-ancrée sur le réel : 18 dimensions, six familles.\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
     "## Partie 2 : Algorithme QuantConnect - MLP Forecasting v2.1\n",
     "\n",
     "L'algorithme implemente :\n",
@@ -257,7 +260,7 @@
     "  structure de rendement ; le coût — 7 entraînements mensuels — reste négligeable\n",
     "  sur Cloud.\n",
     "\n",
-    "Le code source complet est prêt au déploiement — c'est l'objet de la cellule suivante.\n"
+    "Le code source complet est presente dans la section \"Algorithme QuantConnect\", plus loin dans le notebook, apres l'exercice sur le seuil de probabilite.\n"
    ]
   },
   {