myia-ai-01 · Oct 3, 2026 · Oct 2, 2026 · Oct 3, 2026 · Oct 3, 2026
diff --git a/MyIA.AI.Notebooks/Compression/README.md b/MyIA.AI.Notebooks/Compression/README.md
@@ -12,7 +12,7 @@ Lean des définitions est prévu par les plis suivants.
 
 | Carnet | Niveau | Contenu |
 |---|---|---|
-| [Compression-01 — Codes préfixes : de Shannon-Fano à Huffman](Compression-01-ShannonFano-Prefixe-Python.ipynb) | Découverte | codes préfixes, inégalité de Kraft, Shannon-Fano contre Huffman, l'entropie comme borne |
+| [Compression-01 — Codes préfixes : de Shannon-Fano à Huffman](Compression-01-ShannonFano-Prefixe-Python.html) | Découverte | codes préfixes, inégalité de Kraft, Shannon-Fano contre Huffman, l'entropie comme borne |
 
 ## Position dans le dépôt
 

diff --git a/MyIA.AI.Notebooks/QuantConnect/ML-Training-Pipeline/m11e_ensemble_research.ipynb b/MyIA.AI.Notebooks/QuantConnect/ML-Training-Pipeline/m11e_ensemble_research.ipynb
@@ -14,7 +14,7 @@
     "tags": []
    },
    "source": [
-    "---\n",
+    "***\n",
     "title: m11e_ensemble_research\n",
     "cost:\n",
     "  api_usd_est: 0.0\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/ML-Training-Pipeline/research_what_dl_can_predict.ipynb b/MyIA.AI.Notebooks/QuantConnect/ML-Training-Pipeline/research_what_dl_can_predict.ipynb
@@ -12,7 +12,7 @@
     "\n",
     "**Deadline**: 09/05/2026 | **Epic**: NN #754 | **Partner**: 19/05/2026\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Table of Contents\n",
     "\n",
@@ -63,7 +63,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "<a id='section-1'></a>\n",
     "## Section 1: Candidate Prediction Targets for DL on Financial Data\n",
@@ -526,7 +526,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "<a id='section-2'></a>\n",
     "## Section 2: Priority Targets with Academic Evidence\n",
@@ -829,7 +829,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "<a id='section-3'></a>\n",
     "## Section 3: Pivot Options for Epic NN #754\n",
@@ -1190,7 +1190,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "<a id='section-4'></a>\n",
     "## Section 4: References\n",
@@ -1435,7 +1435,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "## Appendix A: Methodological Weaknesses in DL Finance Literature\n",
     "\n",
@@ -1577,7 +1577,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "## Appendix B: Foundation Time Series Models on Financial Data\n",
     "\n",
@@ -1697,7 +1697,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "## Conclusion\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-03-Data-Management.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-03-Data-Management.ipynb
@@ -30,15 +30,15 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "> **Mode d'emploi** : Ce notebook a **deux parties** :\n",
     "> 1. **Sections analyse/ML** (pandas, sklearn, matplotlib) : **executables en Jupyter local**\n",
     "> 2. **Sections integration QC** (classes `QCAlgorithm`) : **code de reference a copier dans `main.py`** de votre projet QC Lab\n",
     ">\n",
     "> Les cellules QCAlgorithm sont marquees `# [REFERENCE QC]` et ne sont pas executables localement.\n",
     "\n",
-    "---"
+    "***"
    ],
    "id": "cell-ab7ae461"
   },
@@ -1646,7 +1646,7 @@
     "- Custom data examples\n",
     "- Alternative data integration\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "**Félicitations!** Vous maîtrisez maintenant la gestion de données dans QuantConnect. C'est la fondation de toute stratégie robuste."
    ],

diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-Cloud-02-ML-Classification.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-Cloud-02-ML-Classification.ipynb
@@ -675,7 +675,7 @@
     "\n",
     "> **NOTE — simplification pédagogique** : la méthode `SimulateNewsHeadlines()` ne fait pas du NLP réel. Elle génère des titres synthétiques par remplissage de templates basé sur les mouvements prix/volume (ex. variation > +2% → \"Strong gains for SPY as market rallies\"). Le classifieur Naive Bayes apprend sur ces données règle-based : l'objectif est la démonstration du pipeline textuel end-to-end (vocabulaire → features → entraînement → scoring), pas la maîtrise d'un pipeline NLP réaliste.\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Partie 3 : Deploiement via MCP QuantConnect\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-Cloud-09-OptionWheel.ipynb b/MyIA.AI.Notebooks/QuantConnect/Python/QC-Py-Cloud-09-OptionWheel.ipynb
@@ -11,7 +11,7 @@
     "**Source** : Projet etudiant ESGF 2026 (QC `31846074`), anonymise et adapte.\n",
     "**Type** : `doc cloud` — résultats obtenus sur [QuantConnect Cloud](https://www.quantconnect.com/lab).\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Objectifs d'apprentissage\n",
     "\n",
@@ -298,7 +298,7 @@
     "- **Comparer a un buy-and-hold** : le wheel doit battre le benchmark APRÈS couts et taxes, pas juste en premiums brutes.\n",
     "- **Diversifier l'univers** : 20-50 sous-jacents non correlates vs 5 actions tech.\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "[<< Sommaire QC](../README.md) | [Précédent : QC-Py-Cloud-08-ValueFactor-ZScore <<](./QC-Py-Cloud-08-ValueFactor-ZScore.ipynb)"
    ],

diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/CSharp-CTG-Momentum/research_robustness.ipynb b/MyIA.AI.Notebooks/QuantConnect/projects/CSharp-CTG-Momentum/research_robustness.ipynb
@@ -860,7 +860,7 @@
     "- Sharpe étendu: [à calculer]\n",
     "- Recommandation: SetStartDate(2015, 1, 1) ou rester sur 2021?\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "**Note finale**: Cette analyse Python utilise un univers proxy (30 large caps) pour approximer le comportement de l'univers OEF (S&P 100). Les métriques absolues peuvent différer du backtest C# réel, mais les **tendances et insights qualitatifs** restent valides pour la prise de décision."
    ]

diff --git a/...oks/QuantConnect/projects/Framework_Composite_EMATrend/quantbook_composite_research.ipynb b/...oks/QuantConnect/projects/Framework_Composite_EMATrend/quantbook_composite_research.ipynb
@@ -25,7 +25,7 @@
     "3. **Overlap des signaux** : Les 5 tech stocks sont communs aux deux univers\n",
     "4. **Proposition d'allocation** : Ratio optimal entre les deux stratégies\n",
     "\n",
-    "---"
+    "***"
    ]
   },
   {

diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/ML-FeatureEngineering/quantbook.ipynb b/MyIA.AI.Notebooks/QuantConnect/projects/ML-FeatureEngineering/quantbook.ipynb
@@ -1239,7 +1239,7 @@
     "- **Feature Engineering**: https://www.featurebook.org/\n",
     "- **ML for Trading**: \"Advances in Financial Machine Learning\" by Marcos Lopez de Prado\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "**Conclusion**: Ce notebook fournit une base complète pour le feature engineering en trading. Utilisez ces features comme point de départ et adaptez-les à votre stratégie spécifique."
    ]

diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/Option-Wheel/research.ipynb b/MyIA.AI.Notebooks/QuantConnect/projects/Option-Wheel/research.ipynb
@@ -380,7 +380,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "\n",
     "## Diagnostic - Itération 1 (Mars 2026)\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/OptionsIncome/research.ipynb b/MyIA.AI.Notebooks/QuantConnect/projects/OptionsIncome/research.ipynb
@@ -41,7 +41,7 @@
     "\n",
     "**Goal**: Identify 2-3 parameter changes that boost win rate to 55%+ and Sharpe to 0.40+\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "**Duration**: ~30 minutes | **Requires**: yfinance, numpy, matplotlib"
    ]
@@ -670,7 +670,7 @@
     "4. **Walk-forward 2025 Q1** to validate edge stability\n",
     "5. **Deploy** if all KPIs confirmed\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "**Next Step**: Implement v2.0 changes in main.py and run comparative backtest."
    ]
@@ -701,7 +701,7 @@
     "\n",
     "5. **Compounding improvements** — Combined (delta + roll + VIX) = Sharpe 0.288 → 0.35-0.40 (+22-39%)\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "**Data Sources**:\n",
     "- VIX: Yahoo Finance (^VIX), 2807 days 2015-2026\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/projects/Portfolio-Optimization-ML/research.ipynb b/MyIA.AI.Notebooks/QuantConnect/projects/Portfolio-Optimization-ML/research.ipynb
@@ -62,7 +62,7 @@
     "2. Ledoit, O., & Wolf, M. (2004). \"A well-conditioned estimator for large-dimensional covariance matrices\".\n",
     "3. DeMiguel, V., et al. (2009). \"Optimal versus naive diversification\".\n",
     "\n",
-    "---"
+    "***"
    ]
   },
   {
@@ -1526,7 +1526,7 @@
     "- **QC-Py-18**: Feature Engineering pour ML\n",
     "- **Sector-ML-Classification**: Classification ML pour secteur\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "**Note**: Ce notebook est à but pédagogique. Ne pas utiliser pour du trading réel sans validation approfondie."
    ]

diff --git a/MyIA.AI.Notebooks/QuantConnect/research/research_btc_ml.ipynb b/MyIA.AI.Notebooks/QuantConnect/research/research_btc_ml.ipynb
@@ -14,7 +14,7 @@
     "tags": []
    },
    "source": [
-    "---\n",
+    "***\n",
     "title: research_btc_ml\n",
     "cost:\n",
     "  api_usd_est: 0.0\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/research/research_m11ef_ensemble.ipynb b/MyIA.AI.Notebooks/QuantConnect/research/research_m11ef_ensemble.ipynb
@@ -4,7 +4,7 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "---\n",
+    "***\n",
     "title: research_m11ef_ensemble\n",
     "cost:\n",
     "  api_usd_est: 0.0\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/research/research_quality_lowvol.ipynb b/MyIA.AI.Notebooks/QuantConnect/research/research_quality_lowvol.ipynb
@@ -20,7 +20,7 @@
     "**Branche** : `feature/quality-lowvol-research`  \n",
     "**Date** : 2026-05-26 | **Auteur** : myia-po-2024\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Navigation\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/research/research_rl_intro.ipynb b/MyIA.AI.Notebooks/QuantConnect/research/research_rl_intro.ipynb
@@ -10,7 +10,7 @@
     "**Branche** : `feature/rl-intro-trading`  \n",
     "**Date** : 2026-05-26 | **Auteur** : myia-po-2024\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Navigation RL\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/research/research_rl_multi_asset.ipynb b/MyIA.AI.Notebooks/QuantConnect/research/research_rl_multi_asset.ipynb
@@ -10,7 +10,7 @@
     "**Branche** : `feature/rl-multi-asset-ppo`  \n",
     "**Date** : 2026-05-26 | **Auteur** : myia-po-2024\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Navigation RL\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/research/research_rl_ppo.ipynb b/MyIA.AI.Notebooks/QuantConnect/research/research_rl_ppo.ipynb
@@ -48,7 +48,7 @@
     "**Branche** : `feature/rl-ppo-trading`  \n",
     "**Date** : 2026-05-26 | **Auteur** : myia-po-2024\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Navigation RL\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/QuantConnect/research/research_rl_reward_shaping.ipynb b/MyIA.AI.Notebooks/QuantConnect/research/research_rl_reward_shaping.ipynb
@@ -10,7 +10,7 @@
     "**Branche** : `feature/rl-reward-shaping`  \n",
     "**Date** : 2026-05-26 | **Auteur** : myia-po-2024\n",
     "\n",
-    "---\n",
+    "***\n",
     "\n",
     "## Navigation RL\n",
     "\n",

diff --git a/MyIA.AI.Notebooks/SymbolicAI/README.md b/MyIA.AI.Notebooks/SymbolicAI/README.md
@@ -100,20 +100,20 @@ L'ordre proposé ci-dessous n'est pas une obligation : chaque série se suit seu
 
 | Étape | Série | Ce qu'on y apprend | Porte d'entrée | Public | Noyau |
 |---|---|---|---|---|---|
-| 1 | [Tweety](Tweety/README.md) | Logiques formelles, révision de croyances, argumentation abstraite et structurée, raisonnement incertain et causal | [Tweety-01-Setup-Python](Tweety/Tweety-01-Setup-Python.ipynb) | Licence | Python (JPype) · C# |
-| 2 | [SemanticWeb](SemanticWeb/README.md) | RDF, SPARQL, données liées, RDFS et OWL, SHACL, graphes de connaissances | [SW-2b-Python-RDFBasics](SemanticWeb/SW-2b-Python-RDFBasics.ipynb) · [SW-1-CSharp-Setup](SemanticWeb/SW-1-CSharp-Setup.ipynb) | Découverte → Licence | Python · C# |
-| 3 | [Lean](Lean/README.md) | Types dépendants, Curry-Howard, quantificateurs, tactiques, Mathlib4 | [Lean-01-Setup-Lean-Python](Lean/Lean-01-Setup-Lean-Python.ipynb) | Licence → Recherche | Lean (WSL) · Python |
-| 4 | [SMT / Z3](SMT/README.md) | Satisfiabilité modulo théories, du premier `solve()` aux preuves par `unsat` | [Z3-01-Introduction-Python](SMT/Z3-API/Z3-01-Introduction-Python.ipynb) · [C#](SMT/Z3-API/Z3-01-Introduction-CSharp.ipynb) | Découverte → Licence | Python · C# |
-| 5 | [Planners](Planners/README.md) | PDDL, recherche dans l'espace d'états, heuristiques, CP-SAT, planification temporelle et hiérarchique | [Planners-0-Setup](Planners/00-Environment/Planners-0-Setup.ipynb) | Licence | Python · C# |
-| 6 | [SmartContracts](SmartContracts/README.md) | Solidity, standards de jetons, DeFi, gouvernance, tests et vérification, cryptographie | [SC-00-Cypherpunk-Origins-Python](SmartContracts/00-Foundations/SC-00-Cypherpunk-Origins-Python.ipynb) | Découverte → Licence | Python (Foundry) |
+| 1 | [Tweety](Tweety/README.md) | Logiques formelles, révision de croyances, argumentation abstraite et structurée, raisonnement incertain et causal | [Tweety-01-Setup-Python](Tweety/Tweety-01-Setup-Python.html) | Licence | Python (JPype) · C# |
+| 2 | [SemanticWeb](SemanticWeb/README.md) | RDF, SPARQL, données liées, RDFS et OWL, SHACL, graphes de connaissances | [SW-2b-Python-RDFBasics](SemanticWeb/SW-2b-Python-RDFBasics.html) · [SW-1-CSharp-Setup](SemanticWeb/SW-1-CSharp-Setup.html) | Découverte → Licence | Python · C# |
+| 3 | [Lean](Lean/README.md) | Types dépendants, Curry-Howard, quantificateurs, tactiques, Mathlib4 | [Lean-01-Setup-Lean-Python](Lean/Lean-01-Setup-Lean-Python.html) | Licence → Recherche | Lean (WSL) · Python |
+| 4 | [SMT / Z3](SMT/README.md) | Satisfiabilité modulo théories, du premier `solve()` aux preuves par `unsat` | [Z3-01-Introduction-Python](SMT/Z3-API/Z3-01-Introduction-Python.html) · [C#](SMT/Z3-API/Z3-01-Introduction-CSharp.html) | Découverte → Licence | Python · C# |
+| 5 | [Planners](Planners/README.md) | PDDL, recherche dans l'espace d'états, heuristiques, CP-SAT, planification temporelle et hiérarchique | [Planners-0-Setup](Planners/00-Environment/Planners-0-Setup.html) | Licence | Python · C# |
+| 6 | [SmartContracts](SmartContracts/README.md) | Solidity, standards de jetons, DeFi, gouvernance, tests et vérification, cryptographie | [SC-00-Cypherpunk-Origins-Python](SmartContracts/00-Foundations/SC-00-Cypherpunk-Origins-Python.html) | Découverte → Licence | Python (Foundry) |
 
 Trois séries se prennent **à côté** de ce parcours, selon ce qui vous attire :
 
 | Série | Ce qu'on y apprend | Ce qu'elle suppose | Porte d'entrée | Public | Noyau |
 |---|---|---|---|---|---|
-| [Argumentation](Argument_Analysis/README.md) | Analyse argumentative outillée : Toulmin, sophismes, sémantiques de Dung, orchestration d'agents LLM validés par Tweety | les bases de Tweety, une clé d'API | [Argumentation-00-Setup-Tweety-Python](Argument_Analysis/Argumentation-00-Setup-Tweety-Python.ipynb) | Licence | Python |
-| [SymbolicLearning](SymbolicLearning/README.md) | Apprentissage à partir de connaissances (AIMA ch. 19) : Version Space, EBL, programmation logique inductive, automates, neuro-symbolique | Python seul | [SL-1-LogicalLearning](SymbolicLearning/SL-1-LogicalLearning.ipynb) | Licence | Python · C# |
-| [Geometry](Lean/Geometry/README.md) | Démonstration automatique en géométrie : vérification probabiliste, bases de Gröbner, méthode de Wu | la géométrie du lycée | [Geometry-01-From-Figure-To-Equation](Lean/Geometry/Geometry-01-From-Figure-To-Equation.ipynb) | Découverte | Python |
+| [Argumentation](Argument_Analysis/README.md) | Analyse argumentative outillée : Toulmin, sophismes, sémantiques de Dung, orchestration d'agents LLM validés par Tweety | les bases de Tweety, une clé d'API | [Argumentation-00-Setup-Tweety-Python](Argument_Analysis/Argumentation-00-Setup-Tweety-Python.html) | Licence | Python |
+| [SymbolicLearning](SymbolicLearning/README.md) | Apprentissage à partir de connaissances (AIMA ch. 19) : Version Space, EBL, programmation logique inductive, automates, neuro-symbolique | Python seul | [SL-1-LogicalLearning](SymbolicLearning/SL-1-LogicalLearning.html) | Licence | Python · C# |
+| [Geometry](Lean/Geometry/README.md) | Démonstration automatique en géométrie : vérification probabiliste, bases de Gröbner, méthode de Wu | la géométrie du lycée | [Geometry-01-From-Figure-To-Equation](Lean/Geometry/Geometry-01-From-Figure-To-Equation.html) | Découverte | Python |
 
 ## Les séries en bref
 
@@ -180,17 +180,17 @@ Le dossier s'appelle encore `Argument_Analysis/`, mais la série s'appelle Argum
 Un même théorème, le milieu de l'hypoténuse équidistant des trois sommets, traverse des méthodes de plus en plus fortes.
 
 - **Parcours léger** — 01 à 03 :
-  - [01](Lean/Geometry/Geometry-01-From-Figure-To-Equation.ipynb) (Découverte) : on vérifie le théorème numériquement (Schwartz–Zippel) ;
-  - [02](Lean/Geometry/Geometry-02-From-Equation-To-Proof.ipynb) (Licence) : on le démontre exactement par bases de Gröbner, en traitant les non-dégénérescences par saturation ;
-  - [03](Lean/Geometry/Geometry-03-Wu-Method-Python.ipynb) (Licence) : on le redémontre par la méthode de Wu, qui fait apparaître ces conditions explicitement ;
-  - [04](Lean/Geometry/Geometry-04-DD-AR-Python.ipynb) (Licence) : on le prouve par règles (DD) puis par l'algèbre (AR), le duo symbolique d'AlphaGeometry — et un énoncé faux y est réfuté deux fois.
-- **Pour approfondir** — [03b](Lean/Geometry/Geometry-03b-Ritt-Decomposition-Python.ipynb) : le théorème du papillon et la décomposition de Ritt, avec le bord dégénéré où l'énoncé est muet et non faux.
+  - [01](Lean/Geometry/Geometry-01-From-Figure-To-Equation.html) (Découverte) : on vérifie le théorème numériquement (Schwartz–Zippel) ;
+  - [02](Lean/Geometry/Geometry-02-From-Equation-To-Proof.html) (Licence) : on le démontre exactement par bases de Gröbner, en traitant les non-dégénérescences par saturation ;
+  - [03](Lean/Geometry/Geometry-03-Wu-Method-Python.html) (Licence) : on le redémontre par la méthode de Wu, qui fait apparaître ces conditions explicitement ;
+  - [04](Lean/Geometry/Geometry-04-DD-AR-Python.html) (Licence) : on le prouve par règles (DD) puis par l'algèbre (AR), le duo symbolique d'AlphaGeometry — et un énoncé faux y est réfuté deux fois.
+- **Pour approfondir** — [03b](Lean/Geometry/Geometry-03b-Ritt-Decomposition-Python.html) : le théorème du papillon et la décomposition de Ritt, avec le bord dégénéré où l'énoncé est muet et non faux.
 - **À venir** — un pont formel vers Lean.
 - [README de la série Geometry](Lean/Geometry/README.md) : programme gradué (Epic #17544) et état.
 
 ### Hors série
 
-- [OR-tools-Stiegler](OR-tools-Stiegler.ipynb) (C#) : le problème du régime de Stigler, programmation linéaire avec OR-Tools.
+- [OR-tools-Stiegler](OR-tools-Stiegler.html) (C#) : le problème du régime de Stigler, programmation linéaire avec OR-Tools.
 
 ## Installation
-Original file line number
+Diff line change
@@ Expand Up / @@ -25,7 +25,7 @@ @@
         "3. **Overlap des signaux** : Les 5 tech stocks sont communs aux deux univers\n",
         "4. **Proposition d'allocation** : Ratio optimal entre les deux stratégies\n",
         "\n",
-        "---"
+        "***"
        ]
       },
       {
@@ Expand Down @@