fix(qc,#18063): audit READMEs QuantConnect — tranche 2 (8 projets, 10 findings re-vérifiés)

MyIA.AI.Notebooks/QuantConnect/projects/FamaFrench/README.md

@@ -48,6 +48,7 @@ Interpretation: strong positive Sharpe 0.445 (3rd-best no-ML backbone, close to
 
 - `main.py` - Strategy (v3, risk-adjusted momentum with skip-month)
 - `research.ipynb` - Factor analysis and signal robustness tests
+- `quantbook.ipynb` - Reproduction QuantBook de l'analyse exploratoire sur les donnees natives QC (validation pre-backtest)
 
 ## References
 

MyIA.AI.Notebooks/QuantConnect/projects/ForexCarry/README.md

@@ -14,7 +14,7 @@ Long-only top-2 momentum currencies vs USD, monthly rebalance. Signal is inverte
 
 ## Figures du notebook de recherche
 
-Le notebook [`research.ipynb`](research.ipynb) teste six hypothèses sur le momentum FX : momentum pur (H1), long-only vs long/short (H3), réduction à 4 paires pour limiter la corrélation (H4), filtre DXY vs SPY SMA200 (H5), filtre de volatilité par régime (H6), puis synthèse de la configuration optimale. Provenance détaillée : [`MANIFEST.md`](assets/readme/MANIFEST.md).
+Le notebook [`research.ipynb`](research.ipynb) teste six hypothèses sur le momentum FX : momentum pur (H1), optimisation des lookbacks momentum — 21/63/126/252 jours (H2), long-only vs long/short (H3), réduction à 4 paires pour limiter la corrélation (H4), filtre DXY vs SPY SMA200 (H5), filtre de volatilité par régime (H6), puis synthèse de la configuration optimale. Provenance détaillée : [`MANIFEST.md`](assets/readme/MANIFEST.md).
 
 ### Diagnostic préalable — corrélation inter-paires et rendements normalisés (cellule 3)
 
@@ -125,6 +125,7 @@ lean backtest --project .
 
 - `main.py` - Strategy (v4.0, baseline L/S) — migration v3e à étudier hors-scope PR
 - `research.ipynb` - FX momentum signal analysis (H1-H6 + synthèse)
+- `quantbook.ipynb` - Reproduction de l'analyse FX momentum sous QuantConnect Research (données natives QC)
 
 ## References
 

MyIA.AI.Notebooks/QuantConnect/projects/Framework_Composite_EMATrend/README.md

@@ -59,3 +59,5 @@ concentré Mag7. Voir Key-finding #36 dans `docs/qc/qc-comparative-backtests.md`
 - `main.py` — Stratégie (composite EMA70/Trend30, alignée 2018-2025)
 - `alpha_models.py` — EMACrossAlpha + TrendStocksAlpha
 - `portfolio_construction.py` — MultiStrategyPCM (blend d'allocation alpha)
+- `quantbook.ipynb` — QuantBook de recherche du composite (sweep d'allocation cellule 12 : EMA70/Trend30 élu, Sharpe 0.497)
+- `quantbook_composite_research.ipynb` — QuantBook pré-composite (corrélation des signaux EMA-Cross × TrendStocks)

MyIA.AI.Notebooks/QuantConnect/projects/Framework_Composite_EMATrend/quantbook.ipynb

@@ -20,7 +20,7 @@
     "## Performance de reference\n",
     "- EMA-Cross-Alpha: Sharpe 0.980 (daily emission)\n",
     "- TrendStocks-Alpha: Sharpe 0.718 (weekly emission)\n",
-    "- Target allocation: EMA40/Trend60\n",
+    "- Allocation initiale (défaut du simulateur) : EMA40/Trend60 — le sweep (cellule 12) élira EMA70/Trend30 (Sharpe 0.497)\n",
     "\n",
     "## Prerequis\n",
     "- Environnement Lean Research\n",

MyIA.AI.Notebooks/QuantConnect/projects/Framework_Composite_MomentumRegime/README.md

@@ -19,6 +19,7 @@ Stratégie composite combinant deux approches complémentaires via le QuantConne
 - `main.py` : Configuration de l'algorithme avec CompositeAlpha et MultiStrategyPCM
 - `alpha_models.py` : Classes SectorMomentumAlpha et RegimeSwitchingAlpha
 - `portfolio_construction.py` : MultiStrategyPCM pour l'allocation de capital par stratégie
+- `quantbook.ipynb` : QuantBook de recherche du composite Momentum + RegimeSwitching (données natives QC, pré-backtest)
 
 ## Résultats de backtest (T60/RS40)
 

MyIA.AI.Notebooks/QuantConnect/projects/Framework_Composite_TrendWeather/README.md

@@ -18,18 +18,18 @@ Composite framework combinant TrendStocks (75 %) avec AllWeather (25 %) via l'Al
 |--------|--------|------|-------|-----------|---------|--------------|
 | **`main.py:8-13` sweep comment** (claim original commit `fa122ae7e`) | **1.155** | **27.4 %** | **27.7 %** | T75 / AW25 (v1.4d selected) | **2015-2026** | Allocation sweep interne (5 tranches T60→T80), **pas de backtest tracé dans le dépôt** |
 | `iter4_research.py` yfinance local | n/a (script) | n/a | n/a | grid 5×5×3 | 2014-2026 | yfinance local, **AVERTIT** « Simulation Sharpe typically 2-3× cloud Sharpe » |
-| `quantbook.ipynb` cell 12 (research default 50/50) | **0.680** | **10.88 %** | **-23.53 %** | T50 / AW50 (default research) | 2015-2026 | Lean CLI Docker research, **défaut 50/50 ≠ main.py T75/AW25** |
-| `quantbook.ipynb` cell 8 (allocation sweep) | 0.382 → 0.738 | 7.22 % → 14.02 % | -33.72 % → -17.29 % | grid T0/T10/.../T100 (PAS de T75) | 2015-2026 | Lean CLI Docker, **T75 absente du grid (jumps T70→T80)** |
-| `quantbook.ipynb` cell 9 (stop-loss sweep) | **0.684 → 2.124** ⚠️ | 10.93 % → 21.29 % | -23.53 % → -4.86 % | T50/AW50 + stop-loss | 2015-2026 | Lean CLI Docker, **Stop 5 % Sharpe 2.124 = SUSPECT overfit structurel** |
-| `quantbook.ipynb` cell 11 (rebalance freq sweep) | 0.626 → 1.070 | 9.92 % → 16.13 % | -23.53 % → -23.94 % | T50/AW50 weekly/bi-weekly/monthly | 2015-2026 | Lean CLI Docker, **monthly > weekly par 35-40 % Sharpe** |
-| `quantbook.ipynb` cell 12 (T×freq grid) | 0.544 → 1.161 | 8.90 % → 17.83 % | -27.88 % → -22.00 % | T30→T60 × W/2W/M | 2015-2026 | Lean CLI Docker, **T60/Monthly Sharpe 1.161 ≈ main.py T75** |
+| `quantbook.ipynb` cell 10 (research default 50/50) | **0.680** | **10.88 %** | **-23.53 %** | T50 / AW50 (default research) | 2015-2026 | Lean CLI Docker research, **défaut 50/50 ≠ main.py T75/AW25** |
+| `quantbook.ipynb` cell 16 (allocation sweep) | 0.382 → 0.738 | 7.22 % → 14.02 % | -33.72 % → -17.29 % | grid T0/T10/.../T100 (PAS de T75) | 2015-2026 | Lean CLI Docker, **T75 absente du grid (jumps T70→T80)** |
+| `quantbook.ipynb` cell 18 (stop-loss sweep) | **0.684 → 2.124** ⚠️ | 10.93 % → 21.29 % | -23.53 % → -4.86 % | T50/AW50 + stop-loss | 2015-2026 | Lean CLI Docker, **Stop 5 % Sharpe 2.124 = SUSPECT overfit structurel** |
+| `quantbook.ipynb` cell 23 (rebalance freq sweep) | 0.626 → 1.070 | 9.92 % → 16.13 % | -23.53 % → -23.94 % | T50/AW50 weekly/bi-weekly/monthly | 2015-2026 | Lean CLI Docker, **monthly > weekly par 35-40 % Sharpe** |
+| `quantbook.ipynb` cell 25 (T×freq grid) | 0.544 → 1.161 | 8.90 % → 17.83 % | -27.88 % → -22.00 % | T30→T60 × W/2W/M | 2015-2026 | Lean CLI Docker, **T60/Monthly Sharpe 1.161 ≈ main.py T75** |
 | **Production cloud backtest (one-shot, fa122ae7e)** | **1.155** | **27.4 %** | **27.7 %** | T75 / AW25 (v1.4d) | 2015-2026 | **NON PERSISTÉ dans le dépôt** — claim original du commit initial |
 
 **Lecture honnête — SUSPECT « SWEEP-COMMENT MISATTRIBUTION » (c.1284-L1 ★★)** : un Sharpe de **1.155** revendiqué sur 11 ans (2015-2026) avec **allocation T75/AW25**, cité depuis un **bloc commentaire dans `main.py:8-13`** (`Allocation sweep results`) **sans backtest cloud traçable dans le dépôt**, est exposé à **3 sources méthodologiques de surestimation** distinctes des library clones (c.1281-L2/82-L2/83-L2) :
 
 1. **Sweep-comment overfitting structurel** : le `main.py:8-13` docstring cite 5 tranches (T60/T65/T70/**T75**/T80) qui varient **monotonement** (Sharpe 1.130→1.141→1.149→**1.155**→1.163, CAGR 23.8 %→25.0 %→26.2 %→**27.4 %**→28.7 %, MaxDD 24.5 %→25.6 %→26.6 %→**27.7 %**→28.7 %) — **+0.033 Sharpe entre T70 et T75 sur 11 ans = 0.003/an, dans le bruit statistique**. Le choix « T75/AW25 selected » est un **milieu de grid monotone** (pas un optimum discriminant), avec un commentaire « best risk/return balance before beta exceeds 0.80 and MaxDD approaches 29 % » qui n'est étayé par aucune mesure de beta dans le dépôt. La grille est **régulière** (T60→T65→T70→T75→T80, step 5), **pas discriminante**.
 
-2. **`quantbook.ipynb` 50/50 ≠ `main.py` T75/AW25** : la recherche locale du dépôt utilise un **défaut 50/50** (cf. `quantbook.ipynb:11-12` : « TrendStocks (50 %) + AllWeather (50 %) ») **différent du T75/AW25 production**. La grille d'allocation `quantbook.ipynb` cell 8 montre **T70/T30 = Sharpe 0.728** et **T80/T20 = Sharpe 0.737** — donc **interpolation vers T75 ≈ Sharpe 0.732**, **pas 1.155**. L'écart **1.155 - 0.732 = +0.42** ne s'explique pas par le seul changement d'allocation ; il vient probablement de **différences méthodologiques substantielles** (frais Interactive Brokers dans `main.py:45` `INTERACTIVE_BROKERS_BROKERAGE` vs simulation 0 frais dans `quantbook.ipynb:155-160`, périmètre univers TrendStocks `main.py:36-50` 15 noms vs 15 noms identiques OK, **MAIS** momentum-weighted `main.py:36-37` `TrendStocksAlpha` vs equal-weight dans `quantbook.ipynb:131-148`, **ET** période warmup + rééquilibrage mensuel 31j dans `main.py:54` vs weekly default dans `quantbook.ipynb` cell 11 sweep). Sans **rétro-engineering complet**, l'écart reste non-attribué.
+2. **`quantbook.ipynb` 50/50 ≠ `main.py` T75/AW25** : la recherche locale du dépôt utilise un **défaut 50/50** (cf. `quantbook.ipynb` cellule 10 : « TrendStocks (50 %) + AllWeather (50 %) ») **différent du T75/AW25 production**. La grille d'allocation `quantbook.ipynb` cell 8 montre **T70/T30 = Sharpe 0.728** et **T80/T20 = Sharpe 0.737** — donc **interpolation vers T75 ≈ Sharpe 0.732**, **pas 1.155**. L'écart **1.155 - 0.732 = +0.42** ne s'explique pas par le seul changement d'allocation ; il vient probablement de **différences méthodologiques substantielles** (frais Interactive Brokers dans `main.py:45` `INTERACTIVE_BROKERS_BROKERAGE` vs simulation 0 frais dans `quantbook.ipynb:155-160`, périmètre univers TrendStocks `main.py:36-50` 15 noms vs 15 noms identiques OK, **MAIS** momentum-weighted `main.py:36-37` `TrendStocksAlpha` vs equal-weight dans `quantbook.ipynb:131-148`, **ET** période warmup + rééquilibrage mensuel 31j dans `main.py:54` vs weekly default dans `quantbook.ipynb` cell 11 sweep). Sans **rétro-engineering complet**, l'écart reste non-attribué.
 
 3. **`iter4_research.py` AVERTIT 2-3× overstate** : le script de recherche locale affiche explicitement (ligne 176) « Simulation Sharpe is typically 2-3× cloud Sharpe ». Donc la **simulated Sharpe 0.732 (cell 8, T70)** pourrait masquer une **cloud Sharpe ≈ 0.24-0.37**, **pas 1.155**. Inversement, le **cloud Sharpe 1.155** pourrait correspondre à une **simulation ≈ 2.3-3.5** (jamais observée dans le grid du quantbook, où max = 2.124 sur Stop 5 % — mais ce 2.124 est lui-même SUSPECT). **L'écart entre 1.155 (production) et 0.732 (local sim 50/50) reste non-résolu**.
 
@@ -48,7 +48,7 @@ Cf. **c.1281-L3 / c.1282-L3 / c.1283-L3 ★★** (library clones) : le pattern 
 **Lean CLI (backtest production T75/AW25) :** identique, `main.py` fixe `alpha_allocations={"TrendStocks": 0.75, "AllWeather": 0.25}` ligne 53. **Mais attendre une variation ~±30-50 % sur Sharpe** vs le 1.155 docstring à cause de (a) `INTERACTIVE_BROKERS_BROKERAGE` ligne 45 vs 0 frais dans recherche, (b) périmètre univers TrendStocks `main.py:36-50` (15 noms) vs 15 noms identiques OK, (c) momentum-weighted TrendStocks vs equal-weight, (d) mensuel 31j vs weekly par défaut.
 **QC Cloud :** non déployé. Copier `main.py + alpha_models.py + portfolio_construction.py` dans un nouveau projet QC Cloud pour exécuter et préserver les outputs dans `lean-workspace/<project>/backtests/<timestamp>/`. **Recommandation anti-SUSPECT** : **re-exécuter** le backtest cloud avec le T75/AW25 exact, **préserver le JSON output** dans le worktree, et **comparer** au 1.155 docstring — l'écart attendu (cf. `iter4_research.py:176` 2-3× overstate) devrait ramener le Sharpe à ~0.4-0.6 dans le pire cas (surestimation locale) ou confirmer le 1.155 (backtest one-shot originel correct).
 
-**Note variations Docker Lean** : `quantbook.ipynb` cell 12 montre que la même stratégie exécutée en **monthly vs weekly** donne Sharpe **1.064** vs **0.674** (cell 11) — c'est l'effet « less-frequent-rebalance » qui réduit le turnover et préserve les trends. Le `main.py` ligne 54 utilise `rebalance=timedelta(days=31)` (monthly) — donc **dans la même veine que les 1.064**, **pas 0.674**.
+**Note variations Docker Lean** : `quantbook.ipynb` cell 23 montre que la même stratégie exécutée en **monthly vs weekly** donne Sharpe **1.064** vs **0.674** (cell 11) — c'est l'effet « less-frequent-rebalance » qui réduit le turnover et préserve les trends. Le `main.py` ligne 54 utilise `rebalance=timedelta(days=31)` (monthly) — donc **dans la même veine que les 1.064**, **pas 0.674**.
 
 ## Fichiers
 

MyIA.AI.Notebooks/QuantConnect/projects/Gaussian-Direction-Classifier/README.md

@@ -5,7 +5,7 @@
 
 ## Description
 
-GaussianNB direction classifier on 8 tech stocks. Uses lagged returns, RSI, volume, and volatility features to predict next-day direction.
+GaussianNB direction classifier on 8 tech stocks. Utilise des rendements retardés sur fenêtres de 2, 5, 10 et 21 jours pour prédire la direction du lendemain.
 
 ## How to Run
 

MyIA.AI.Notebooks/QuantConnect/projects/HAR-RV-Kelly/research.ipynb

@@ -6,7 +6,7 @@
    "source": [
     "# Research: Partner-HAR-RV-Kelly\n",
     "\n",
-    "HAR-RV (Heterogeneous Autoregressive Realized Volatility) avec critere de Kelly sur un portefeuille multi-actifs.\n",
+    "HAR-RV (Heterogeneous Autoregressive Realized Variance) avec critere de Kelly sur un portefeuille multi-actifs.\n",
     "\n",
     "Cette stratégie utilise le modèle HAR de Corsi (2009) pour prevoir la variance realisee\n",
     "a 5 jours a partir de la RV quotidienne, puis applique le critere de Kelly a la fraction 1/4\n",

MyIA.AI.Notebooks/QuantConnect/projects/LSTM-Forecasting/README.md

@@ -25,3 +25,4 @@ MLPClassifier (not actual LSTM) return prediction. Uses sklearn MLPClassifier wi
 ## Files
 
 - main.py - Strategy (v2.1, MLP forecasting)
+- research.ipynb - Carnet exploratoire (Ex07) : parcours pédagogique du LSTM (portes, propagation avant manuelle, backtest simple sur données téléchargées)