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

MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md

@@ -134,7 +134,7 @@ Les projets [RL-DQN-Trading](projects/RL-DQN-Trading/) et [Reinforcement-Learnin
 | # | Exemple du livre | Projet(s) du dépôt | Statut | Statut QC | Remarque |
 |---|------------------|--------------------|--------|-----------|----------|
 | 01 | Conditional Portfolio Optimization Applied | [Portfolio-Optimization-ML](projects/Portfolio-Optimization-ML/), [QC-Py-21-Portfolio-Optimization-ML](Python/QC-Py-21-Portfolio-Optimization-ML.ipynb) | PARTIAL | Recherche-phase | optimisation de portefeuille sans le service PredictNow.ai du livre (API payante) |
-| 02 | Application of Corrective Artificial Intelligence Applied | [Corrective-AI](projects/Corrective-AI/) | STUB | Stub | portage suivi par [#18901](https://github.com/jsboige/CoursIA/issues/18901) |
+| 02 | Application of Corrective Artificial Intelligence Applied | [Corrective-AI](projects/Corrective-AI/) | COVERED | Backteste | portage [#18901](https://github.com/jsboige/CoursIA/issues/18901) : primaire Breedon-Ranaldo + méta-étiquetage sans predictnow.ai (payant) |
 
 ---
 

MyIA.AI.Notebooks/QuantConnect/projects/Corrective-AI/README.en.md

@@ -1,69 +1,46 @@
-# Corrective AI / Meta-Labeling (Ch08-02)
+# Corrective AI — EUR/USD intraday seasonality + meta-labeling (Ch. 08-02)
 
-**Type:** Stub (planned exercise, code files not yet created)
+**Hands-On AI Trading**, chapter 08-02 — faithful port of the "Application of Corrective Artificial Intelligence Applied" episode. Tracked by [#18901](https://github.com/jsboige/CoursIA/issues/18901). French README is the primary documentation.
 
-**Hands-On AI Trading**, Chapter 8-02 — Meta-Labeling with Corrective AI
+## Mechanism (the book)
 
-## Objective
+1. **Primary strategy** — EUR/USD intraday seasonality of Breedon and Ranaldo (2012): **sell during European business hours** (03:00–09:00 ET), **buy during US business hours** (11:00–15:00 ET), flat otherwise. Out of sample (Oct. 2021 – Jan. 2023, 1-minute EBS bars) the book measures a **0.88 Sharpe** for the primary alone.
+2. **Corrective AI** — the book corrects the primary trade by trade with a gradient boosting model of more than one hundred predictors through the **paid** predictnow.ai API: announced Sharpe 1.29 (+0.41) over the same period.
 
-Implement a meta-labeling approach where a primary model generates trading signals and a secondary corrective model filters out false positives, improving precision while maintaining recall.
+## This port
 
-## Approach
+The predictnow.ai API is paid and proprietary: this port implements the corrective **principle** without a paid dependency, via **meta-labeling** (López de Prado, *Advances in Financial Machine Learning*, 2018):
 
-### Primary Model: SMA Crossover
-- Fast SMA (20-day) vs Slow SMA (60-day)
-- Signal: bullish when fast > slow * 1.02, bearish when fast < slow * 0.98
-- Universe: SPY, TLT, GLD (multi-asset diversification)
+- the trade unit is one window (European or American) of the primary;
+- at each entry, a walk-forward-trained classifier (gradient boosted trees, `sklearn`) predicts the probability that the window will be a winner;
+- the window is taken only above the threshold (`sizing: filter`) — or sized by probability (`sizing: scale`);
+- declared gap vs the book: **~16 ex-ante predictors** (minute returns/volatilities, window side, weekday, rolling primary win-rates, streak) against **>100** at predictnow.ai.
 
-### Corrective Filter
-The secondary model evaluates whether to trust the primary signal based on:
-- **Trend strength**: Gap between fast and slow SMA (normalized)
-- **Volatility regime**: Price relative to EMA (50-day volatility proxy)
-- **Rules**:
-  - Strong trend (>3% gap) -> trust signal
-  - Moderate trend + low volatility -> trust signal
-  - Weak trend + high volatility -> reject signal (stay flat)
+## Parameters (backtests without recompilation)
 
-### Meta-Labeling Concept
-- Primary model labels: +1 (long), -1 (short), 0 (flat)
-- Secondary model labels: 1 (trust primary), 0 (reject primary)
-- Net position = primary_direction * corrective_approval
-- Expected: higher precision (fewer false signals), similar or lower recall
+| Parameter | Default | Role |
+|---|---|---|
+| `start` / `end` | 2021-10-01 / 2023-01-31 | window (`YYYY-MM-DD`) |
+| `use_meta` | `true` | `false` = primary-only leg |
+| `threshold` | `0.5` | probability threshold (`filter`) |
+| `seed` | `0` | classifier seed (multi-seed, rule §C) |
+| `retrain_days` | `21` | walk-forward retraining cadence |
+| `min_train` | `120` | minimum past windows before the first meta trade |
+| `sizing` | `filter` | `filter` or `scale` |
+| `swap_sides` | `false` | `true` = Breedon-Ranaldo paper convention (buy EU / sell US), the inverse convention tested empirically |
 
-## QC Project
+Declared choices: labels on gross entry→exit returns (minute mids; engine fees on actual fills only); no entry during the walk-forward warm-up (`min_train`) nor during the 5-day data warm-up; windows with no usable minute history (e.g. January 1st, market closed) are skipped.
 
-| Field | Value |
-|-------|-------|
-| Project ID | 30800636 |
-| Organization | Trading Firm QC-Course |
-| Period | 2018-01-01 to 2024-12-31 |
-| Starting Capital | $1,000,000 |
+## Results
 
-## Backtest Results (v1)
+See `research.ipynb` (book window: primary vs meta, multi-seed ≥ 4, Diebold-Mariano test, reported bias — `BEATS` / `NO BEATS` / `INCONCLUSIVE` verdict per rule §C) and the 2018-2026 long-window robustness table. Metrics come from the QC backtests cited in the delivery PR body.
 
-| Metric | Value |
-|--------|-------|
-| Sharpe Ratio | -0.151 |
-| CAGR | 2.22% |
-| Max Drawdown | 11.3% |
-| Net Profit | +16.64% |
-| Win Rate | 70% |
-| Total Orders | 1242 |
-| Total Fees | $2,673.78 |
+## History
 
-### Analysis
-- 70% win rate confirms the corrective filter improves signal quality
-- Negative Sharpe indicates risk-adjusted returns are suboptimal
-- Average loss (-0.18%) exceeds average win (0.12%) — position sizing and exit timing need improvement
-- The multi-asset approach (SPY/TLT/GLD) provides diversification but the SMA crossover lag hurts in sideways markets
+The exploratory v1 of this folder (SMA crossover on SPY/TLT/GLD + rule-based corrective filter, backtest Sharpe −0.151 on the same QC project 30800636, April 2026) was a planned-exercise stub that did **not** match the actual chapter content; it is superseded by this port. QC Cloud project `30800636` (Corrective-AI-Ch08) is reused.
 
-## Files
+## References
 
-- `main.py` — QC algorithm with primary signal + corrective filter
-- `research.ipynb` — SMA crossover computation, corrective filter design, signal reduction analysis
-
-## Reference
-
-- Hands-On AI Trading, Chapter 8-02
-- De Prado, M. (2018), "Advances in Financial Machine Learning" — Meta-labeling concept
-- Corrective AI: secondary model trained on primary model's prediction errors
+- Breedon, T. & Ranaldo, A. (2012), "Intraday Patterns in FX Returns and Order Flow" — EUR/USD intraday seasonality.
+- López de Prado, M. (2018), *Advances in Financial Machine Learning* — meta-labeling, ch. 3.
+- *Hands-On AI Trading* (Jared Broad), ch. 08-02.

MyIA.AI.Notebooks/QuantConnect/projects/Corrective-AI/README.md

@@ -1,74 +1,46 @@
-# Corrective AI / Meta-Labeling (Ch08-02)
+# Corrective AI — saisonnalité intrajournalière EUR/USD + méta-étiquetage (Ch. 08-02)
 
-**Type :** Stub (exercice planifié, fichiers de code non encore créés)
+**Hands-On AI Trading**, chapitre 08-02 — port fidèle de l'épisode « Application of Corrective Artificial Intelligence Applied ». Suivi par [#18901](https://github.com/jsboige/CoursIA/issues/18901).
 
-**Hands-On AI Trading**, Chapitre 8-02 — Meta-Labeling avec Corrective AI
+## Mécanisme (le livre)
 
-## Objectif
+1. **Stratégie primaire** — saisonnalité intrajournalière EUR/USD de Breedon et Ranaldo (2012) : **vente pendant les heures ouvrées européennes** (03:00–09:00 ET), **achat pendant les heures ouvrées américaines** (11:00–15:00 ET), plat sinon. Le livre mesure, hors échantillon (oct. 2021 – janv. 2023, barres 1 minute EBS), un **Sharpe 0,88** pour la primaire seule.
+2. **Corrective AI** — le livre corrige la primaire trade par trade avec un gradient boosting de plus de cent prédicteurs via l'API **payante** predictnow.ai : Sharpe annoncé 1,29 (+0,41) sur la même période.
 
-Implémenter une approche de meta-labeling où un modèle primaire génère des signaux de trading et un modèle correctif secondaire filtre les faux positifs, améliorant la précision tout en préservant le rappel.
+## Ce port
 
-## Approche
+L'API predictnow.ai est payante et propriétaire : ce port implémente le **principe** correctif sans dépendance payante, par **méta-étiquetage** (López de Prado, *Advances in Financial Machine Learning*, 2018) :
 
-### Modèle primaire : croisement de SMA
+- l'unité de trade = une fenêtre (européenne ou américaine) de la primaire ;
+- à chaque entrée, un classifieur (gradient boosting d'arbres, `sklearn`) entraîné **walk-forward** sur les fenêtres passées prédit la probabilité que la fenêtre soit gagnante ;
+- la fenêtre n'est prise qu'au-delà du seuil (`sizing: filter`) — ou dimensionnée par la probabilité (`sizing: scale`) ;
+- écart déclaré au livre : **~16 prédicteurs ex-ante** (rendements/volatilités minute, côté de la fenêtre, jour de semaine, win-rates glissants de la primaire, série) contre **>100** chez predictnow.ai.
 
-- SMA rapide (20 jours) vs SMA lente (60 jours)
-- Signal : haussier quand rapide > lente * 1.02, baissier quand rapide < lente * 0.98
-- Univers : SPY, TLT, GLD (diversification multi-actifs)
+## Paramètres (backtests sans recompilation)
 
-### Filtre correctif
+| Paramètre | Défaut | Rôle |
+|---|---|---|
+| `start` / `end` | 2021-10-01 / 2023-01-31 | fenêtre (format `YYYY-MM-DD`) |
+| `use_meta` | `true` | `false` = jambe primaire seule |
+| `threshold` | `0.5` | seuil de probabilité (`filter`) |
+| `seed` | `0` | graine du classifieur (multi-seed règle §C) |
+| `retrain_days` | `21` | cadence de ré-entraînement walk-forward |
+| `min_train` | `120` | fenêtres passées minimales avant le premier trade méta |
+| `sizing` | `filter` | `filter` ou `scale` |
+| `swap_sides` | `false` | `true` = convention du papier Breedon-Ranaldo (achat UE / vente US), convention inverse testée empiriquement |
 
-Le modèle secondaire évalue s'il faut faire confiance au signal primaire sur la base de :
+Choix déclarés : labels sur rendements bruts entrée→sortie (mid-minute, frais moteur à l'exécution réelle uniquement) ; pas d'entrée pendant le warm-up walk-forward (`min_train`) ni pendant les 5 jours de warm-up de données ; fenêtre sans historique minute exploitable (ex. 1er janvier, marché fermé) sautée.
 
-- **Force de la tendance** : écart entre SMA rapide et lente (normalisé)
-- **Régime de volatilité** : prix relatif à l'EMA (proxy de volatilité 50 jours)
-- **Règles** :
-  - Tendance forte (écart >3 %) -> confiance dans le signal
-  - Tendance modérée + faible volatilité -> confiance dans le signal
-  - Tendance faible + forte volatilité -> rejet du signal (rester à plat)
+## Résultats
 
-### Concept de meta-labeling
+Voir `research.ipynb` (fenêtre du livre : primaire vs méta, multi-seed ≥ 4, test de Diebold-Mariano, biais rapporté — verdict `BEATS` / `NO BEATS` / `INCONCLUSIVE` selon la règle §C) et le tableau de robustesse fenêtre longue 2018-2026. Les métriques sont celles des backtests QC cités dans le corps de la PR de livraison.
 
-- Étiquettes du modèle primaire : +1 (long), -1 (short), 0 (plat)
-- Étiquettes du modèle secondaire : 1 (faire confiance au primaire), 0 (rejeter le primaire)
-- Position nette = direction_primaire * approbation_corrective
-- Attendu : précision plus élevée (moins de faux signaux), rappel similaire ou inférieur
+## Historique
 
-## Projet QC
+La v1 exploratoire de ce dossier (croisement SMA sur SPY/TLT/GLD + filtre correctif à règles, backtest Sharpe −0,151 sur le même projet QC 30800636, avril 2026) était un stub d'exercice planifié qui ne correspondait **pas** au contenu réel du chapitre ; elle est remplacée par ce port. Le projet QC Cloud `30800636` (Corrective-AI-Ch08) est réutilisé.
 
-| Champ | Valeur |
-|-------|--------|
-| Project ID | 30800636 |
-| Organisation | Trading Firm QC-Course |
-| Période | 2018-01-01 à 2024-12-31 |
-| Capital de départ | $1 000 000 |
+## Références
 
-## Résultats du backtest (v1)
-
-| Métrique | Valeur |
-|----------|--------|
-| Sharpe Ratio | -0.151 |
-| CAGR | 2.22 % |
-| Max Drawdown | 11.3 % |
-| Net Profit | +16.64 % |
-| Win Rate | 70 % |
-| Total Orders | 1242 |
-| Total Fees | $2 673.78 |
-
-### Analyse
-
-- Un win rate de 70 % confirme que le filtre correctif améliore la qualité des signaux
-- Un Sharpe négatif indique des rendements ajustés au risque sous-optimaux
-- La perte moyenne (-0.18 %) dépasse le gain moyen (0.12 %) — le sizing de position et le timing de sortie doivent être améliorés
-- L'approche multi-actifs (SPY/TLT/GLD) apporte de la diversification mais le retard du croisement SMA pénalise en marché latéral
-
-## Fichiers
-
-- `main.py` — algorithme QC avec signal primaire + filtre correctif
-- `research.ipynb` — calcul du croisement SMA, conception du filtre correctif, analyse de la réduction des signaux
-
-## Référence
-
-- Hands-On AI Trading, Chapitre 8-02
-- De Prado, M. (2018), « Advances in Financial Machine Learning » — concept de meta-labeling
-- Corrective AI : modèle secondaire entraîné sur les erreurs de prédiction du modèle primaire
+- Breedon, T. & Ranaldo, A. (2012), « Intraday Patterns in FX Returns and Order Flow » — saisonnalité intrajournalière EUR/USD.
+- López de Prado, M. (2018), *Advances in Financial Machine Learning* — méta-étiquetage, ch. 3.
+- *Hands-On AI Trading* (Jared Broad), ch. 08-02.