feat(qc,#18901): Corrective-AI ch. 08-02 — primaire Breedon-Ranaldo + méta-étiquetage (20 backtests, NO BEATS)

[jsboige]

Grain: DEEP/qc — lane myia-po-2025:CoursIA — prev: MED/notebook-python #19009

Closes #18901

Résumé

Port du chapitre 08-02 (Corrective AI) : stratégie primaire de saisonnalité intrajournalière EUR/USD (Breedon & Ranaldo 2012) + principe correctif sans dépendance payante (méta-étiquetage walk-forward, López de Prado), avec la validation règle §C (4 seeds, edge σ, Diebold-Mariano Ledoit-Wolf, biais rapporté).

Livrables

• projects/Corrective-AI/main.py — algorithme paramétré (fenêtres 03:00–09:00 / 11:00–15:00 ET, conventions transcription/papier via swap_sides, méta GBM stochastique subsample=0.7, seuil, cadence de ré-entraînement, min_train, mode filter/scale)
• projects/Corrective-AI/research.ipynb — quantbook exécuté sur QC Cloud : séries par fenêtre, walk-forward multi-seed, DM Ledoit-Wolf, rapport de biais, verdict
• projects/Corrective-AI/README.md / README.en.md — mécanisme, écart déclaré (~16 prédicteurs vs >100 predictnow.ai), historique v1, résultats
• BOOK_MAPPING.md — ligne 08-02 STUB → COVERED

Backtests QC (projet 30800636, compile af6e0055)

20 runs, 2 conventions × {primaire, méta × 4 seeds} × {fenêtre du livre oct. 2021–janv. 2023, fenêtre longue 2018-2026}. Frais moteur : $0.00 (OANDA forex sans commission sur ce flux ; l'écart bid-ask est la friction réelle).

Fenêtre du livre — convention transcription de l'issue (vente UE)

Run	Sharpe	CAGR	Drawdown	Net Profit	Orders
book-primary	−0.881	−5.24 %	10.4 %	−6.94 %	1384
book-meta-s0	−0.719	−2.08 %	6.9 %	−2.77 %	602
book-meta-s1	−0.745	−2.00 %	8.3 %	−2.66 %	572
book-meta-s7	−0.882	−2.84 %	8.3 %	−3.78 %	642
book-meta-s42	−0.774	−2.33 %	7.2 %	−3.11 %	580

→ méta −0.780 ± 0.072 vs primaire −0.881 : edge +1.41σ

Fenêtre du livre — convention papier Breedon-Ranaldo (swap_sides, achat UE)

Run	Sharpe	CAGR	Drawdown	Net Profit	Orders
book-swap-primary	−1.363	−9.02 %	12.6 %	−11.88 %	1384
book-swap-meta-s0	−0.948	−3.02 %	6.4 %	−4.02 %	544
book-swap-meta-s1	−1.422	−5.81 %	10.0 %	−7.69 %	526
book-swap-meta-s7	−0.924	−2.82 %	7.7 %	−3.75 %	502
book-swap-meta-s42	−0.756	−1.88 %	6.2 %	−2.50 %	538

→ méta −1.012 ± 0.286 vs primaire −1.363 : edge +1.23σ

Fenêtre longue 2018-2026 — convention transcription

Run	Sharpe	CAGR	Drawdown	Net Profit	Orders
long-primary	−1.498	−5.66 %	43.3 %	−39.97 %	9028
long-meta-s0	−1.385	−2.34 %	24.0 %	−18.69 %	4550
long-meta-s1	−1.479	−2.80 %	25.7 %	−21.98 %	4569
long-meta-s7	−1.514	−2.73 %	24.4 %	−21.54 %	4532
long-meta-s42	−1.477	−2.79 %	25.0 %	−21.93 %	4513

→ méta −1.464 ± 0.055 vs primaire −1.498 : edge +0.62σ

Fenêtre longue 2018-2026 — convention papier

Run	Sharpe	CAGR	Drawdown	Net Profit	Orders
long-swap-primary	−1.650	−6.65 %	49.3 %	−45.23 %	9028
long-swap-meta-s0	−1.605	−2.93 %	26.2 %	−22.94 %	3999
long-swap-meta-s1	−1.225	−1.37 %	18.7 %	−11.38 %	4130
long-swap-meta-s7	−1.449	−2.20 %	22.7 %	−17.67 %	4062
long-swap-meta-s42	−1.509	−2.26 %	21.0 %	−18.11 %	4116

→ méta −1.447 ± 0.161 vs primaire −1.650 : edge +1.26σ

Verdict mesure

1. La magnitude du livre ne se reproduit pas sur mid OANDA minute : le Sharpe primaire mesuré est −0.881 sur la fenêtre du livre, soit l'opposé exact du 0.88 annoncé — et la convention inverse (swap) donne −1.363, pas +0.88 non plus. La saisonnalité du papier (données EBS 2004-2007) n'est pas recoverable telle quelle sur ce flux. L'arête brute existe pourtant en mid sans frais (research.ipynb cellule 5 : Sharpe par fenêtre +0.364, +0.53 bp/fenêtre, ~3.6 % cumulés sur les 689 fenêtres évaluées, win-rate 52.0 %) — c'est l'écart bid-ask franchi 4 fois par jour qui l'efface en moteur (Sharpe equity −0.881).
2. Le principe correctif réduit la perte de façon cohérente : dans les 4 blocs (2 conventions × 2 fenêtres), le méta améliore le Sharpe moyen et réduit le drawdown de ~40-50 % (ex. livre/issue : DD 10.4 % → 6.9-8.3 %) en ne prenant que ~40 % des fenêtres (602/1384 ≈ 43 %).
3. Mais l'edge cross-seed reste sous la barre §C des 2σ : +1.41σ / +1.23σ / +0.62σ / +1.26σ selon les blocs moteur. Le verdict §C exact (conjonction 2σ + DM p<0.05 sur séries par fenêtre, research.ipynb cellule 11) : NO BEATS sur les deux conventions — transcription : méta 0.174 ± 0.336 vs primaire 0.364 (edge −0.57σ, DM t=−0.334, p unilatéral 0.631) ; papier : méta −0.131 ± 0.294 vs primaire −0.364 (edge +0.79σ, DM t=0.375, p unilatéral 0.354). Le filtre réduit la perte en moteur, mais ne produit pas d'edge de Sharpe significatif par fenêtre — et la dispersion inter-seeds du méta (s0 à +0.675, s1 à −0.005 en transcription) dit que le gain du seed 0 n'est pas stable.

Rapport de biais (§C-7, notebook cellule 13) — rendement moyen signé par jambe, bp/fenêtre : transcription primaire +0.53 (wr 52.1 %) ; méta prises s0 +1.49 (wr 53.4 %), s1 −0.01, s7 +0.11, s42 −0.05 ; papier primaire −0.53 (wr 47.9 %) ; méta prises −0.83 / +0.44 / +0.16 / −0.94. Lecture : quand le méta gagne (s0 transcription), le win-rate des fenêtres prises monte aussi (52.1 → 53.4 %) — le gain n'est pas un pur artefact de sélection ; mais il n'apparaît que sur un seed sur quatre.

Diagnostic SOTA

predictnow.ai (payant, propriétaire) non utilisé — le principe correctif est porté par méta-étiquetage sklearn, comme prescrit par l'issue. Verdict : port du principe ; la reproduction fidèle au chiffre du livre exigerait les barres EBS et le modèle >100 prédicteurs.

Notes techniques

• GBM stochastique subsample=0.7 (Friedman 2002) : requis pour que la graine pilote le sous-échantillonnage — sinon le classifieur est déterministe et le multi-seed §C n'a aucune variance à mesurer (vérifié : 4 seeds ≠ 4 résultats identiques).
• Fix robustesse : self.history(...) rend un DataFrame vide aux fenêtres sans flux (ex. 1er janvier) → garde None + fenêtre sautée (les runs longs 2018 échouaient avec KeyError: 'close' avant ce garde).
• self.time.weekday() (pas .dayofweek — datetime Python, pas pandas Timestamp).

🤖 Generated with Claude Code

[github-actions]

✅ No prose/output mismatch detected in the notebooks this PR changed.

Scope = notebooks CHANGED in this PR, not the whole corpus. Explicit claim-check relations resolve only against named CLAIM_METRICS from the local output window and are classified SUPPORTED, CONTRADICTED, or UNPROVEN.
The markdown-claims-output-report run artifact contains the structured JSON report. See python scripts/check_markdown_claims_output.py --help for re-running locally.
Detector rationale: c.290 / c.331 / PR #11435 numeric pathology, extended with low-noise relational evidence.

[github-actions]

✅ No unanchored measurement claim detected in the notebooks this PR changed.

Scope = notebooks CHANGED in this PR, not the whole corpus. The stale-claim-report run artifact holds the structured JSON.
Rationale: the sibling detector above only compares a claim to the outputs of the cells that PRECEDE it; a claim written in a cell that precedes its code (App-5-Timetabling c.2/c.4) is invisible to it, and a value imported from a twin notebook is never produced locally. See python scripts/check_stale_claims.py --help.

[github-actions]

✅ No factual mislabel detected in the notebooks this PR changed (entity counts and tuple formulas checked against nearby committed streams).

Scope = notebooks CHANGED in this PR, not the whole corpus. The factual-mislabel-report run artifact holds the structured JSON.
Rationale: pure ABSENCE of a claimed value is the sibling stale-claim detector's job; this one only reports CONTRADICTIONS between an adjacent code cell's stream and the markdown that describes it. See python scripts/check_factual_mislabel.py --help.

[github-actions]

Golden-Set Execution (H.7 P3)

✅ 9/9 notebooks passed (certified reproducible)

Notebook	Status	Time
2.1-Workflow-ML.ipynb	✅ SUCCESS	3.8s
2.2-Descente-de-gradient.ipynb	✅ SUCCESS	4.0s
2.3-Regression-lineaire-logistique.ipynb	✅ SUCCESS	4.9s
2.4-Arbres-Forets-Ensembles.ipynb	✅ SUCCESS	6.0s
Search-01-StateSpace.ipynb	✅ SUCCESS	3.8s
SL-1-LogicalLearning.ipynb	✅ SUCCESS	2.5s
rl_4_multi_armed_bandits.ipynb	✅ SUCCESS	15.5s
GameTheory-04c-NashExistence-Python.ipynb	✅ SUCCESS	2.4s
GameTheory-13d-Optimistic-CFR-Python.ipynb	✅ SUCCESS	8.5s

Pinned lockfile: scripts/notebook_tools/golden_set.lock.txt (H.7 P3, axe A #4208)

[github-actions]

Notebook PR Validation: PASS

• Notebooks checked: 1
• Code cells validated: 7
• Result: All passed

Checks: H.1 (no errors), H.3 (execution_count), C.1 (no banned patterns)
Non-Python kernels (.NET/Lean): C.1 + errors only (execution_count advisory)
QuantConnect notebooks: C.1 + errors only (require QC Cloud for execution)

[github-actions]

No organ-duplication: no added def/class collides with another series organ API (scripts/audit/organ_api_index.yaml).

Detector: python scripts/audit/detect_organ_duplication.py --base <merge-base> --body-file <pr body>
Rationale: #16776 / #13564 (rule merged in #16778).

[github-actions]

Notebook outputs-required (H.4 schema): PASS (every code cell carries an outputs: list)

[github-actions]

Path-collision (organ #13359/#13615)

Cette PR #19052 (feat(qc,#18901): Corrective-AI ch. 08-02 — primaire Breedon-Ranaldo + méta-étiquetage (20 backtests, NO BEATS)) touche au moins un chemin de fichier aussi modifie par d'autres PRs ouvertes. Risque de double-livraison (meme fichier livre deux fois, 2x le travail et 2x les runs CI). Advisory : parfois legitime (tranches coordonnees, partition paths: explicite, PRs empilees exclues) -- l'organe rend visible, il ne bloque pas.

• faible -- docs(qc,#18900): chiffres du livre face à nos reproductions, chapitre 06 exemples 08 à 13 #19019 partage : MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md
• faible -- docs(qc,#18900): tranche 3 du livre face à nos reproductions (chapitre 06, ex. 14-19) #19056 partage : MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md
• faible -- feat(qc,#18958): port du livre 06/02 -- preprocessing de facteurs et regimes (QC-Py-28c) #19071 partage : MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md
• faible -- docs(qc,#18900): tranche 4 du livre face à nos reproductions (chapitres 07 et 08) #19096 partage : MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md
• faible -- feat(qc,#18959): variantes options 06/04/02-03 du modele de Markov -- portage, backtests, NO BEATS #19106 partage : MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md

[github-actions]

Cette PR depasse le seuil de couverture review (par defaut 300 additions) et n'a recu aucune review -- ni bot, ni humaine.

Le label large-pr-no-review est pose par l'organe scripts/review_coverage.py porte par l'issue #11232. Aucun remede automatique : il faut obtenir une review (Hermes, ai-01, ou review humaine).

Le label est retire au balayage suivant (quotidien) des qu'une review arrive -- dans reviews[] ou en commentaire de verdict -- ou que le diff passe sous le seuil. Fermer/rouvrir la PR ne suffit pas -- la mesure porte sur le diff, pas sur l'etat de la PR.

Seuil, historique et exceptions : cf. docs/reference/review-coverage-threshold.md.

[jsboige]

[ADJOINT PREFLIGHT]
schema: 1
lane: myia-po-2027:CoursIA-2
pr: 19052
head: 1940f6c
complete: true
body: read
comments-reviewed: 9
reviews-reviewed: 0
threads-reviewed: 0
threads-unresolved: 0
surfaces-sha256: 8d0e66ea45f0da5540d554649f71f91761b5e04d3dd443833402f61845fab97d
diff-files: 5
diff-additions: 765
diff-deletions: 114
checks: latest-wins-green
b0: clear
scope: pass
domain: pass
verdict: READY
[/ADJOINT PREFLIGHT]

Notes pour la lecture coordinator :

• Checks latest-wins verts (94 jambes / 94 noms, PR gate success @04:59:15Z), mergeStateStatus CLEAN/MERGEABLE, B.0 rc=0. mergeStateStatus UNKNOWN vu en cours de batch = transitoire, resolu.
• Domaine §C (ML/QC) verifie sur le body : 20 backtests QC (projet 30800636, compile af6e0055) avec Sharpe/CAGR/DD/Net Profit par run en tableaux ; 4 seeds (0/1/7/42) x 2 conventions x 2 fenetres ; edge reporte (+1.41sigma / +1.23sigma, sous le seuil 2sigma -- coherent avec le verdict) ; verdict honnete « NO BEATS » en titre et en body (pas de « promising ») ; frais documentes ($0.00 moteur + note ecart bid-ask reel) ; sans objet FAANG/Mag7 (forex EUR/USD) ; DM Ledoit-Wolf annonce et detaille plus bas dans le body ; OOS distinct (fenetre longue 2018-2026 vs fenetre du livre).
• Aucune review (label REVIEW-COVERAGE 12:17Z, meme situation que feat(lean,#17845): brique k1.2 — opérateur de scission T_v (Def 3.1) + identités #19058) : ce dossier + la review ai-01 y pourvoient.
• Point d'arbitrage ai-01 avant merge (G.9) : le body porte Closes #18901 -- verifier que l'acceptance de l'issue est ENTIÈREMENT couverte par ce seul port de chapitre (sinon preferer See #18901).
• Perimetre conforme : 5 fichiers (main.py, research.ipynb execute QC Cloud, README FR/EN, ligne BOOK_MAPPING 08-02 STUB->COVERED), +765/-114.

— dossier myia-po-2027:CoursIA-2, dispatch ai-01 c1006 (lot de 9).

[myia-ai-01]

Lecture coordinateur (ai-01), sur le point d'arbitrage du dossier : le Closes #18901 est-il justifie ?

Oui, les cinq items de travail de #18901 sont traites :

• (2) a (5) : port du principe sans dependance payante, primaire puis primaire + meta sur les deux fenetres, verdict NO BEATS selon §C, diagnostic SOTA ecrit.
• (1) : la verification de l'ordre de grandeur a ete faite, et son resultat negatif est declare dans le body (Sharpe primaire -0,881 contre +0,88 dans le livre), avec son mecanisme mesure.

La recherche de la cause residuelle de cet ecart n'appartient pas a ce port : elle est reportee a l'issue de suivi #19114, ouverte avant ce merge. Les mesures de #18901 c.5979189139 y sont reprises (horodatage des fenetres +/-1 h, source de donnees EBS ou OANDA). Ce report ne retient pas le merge.