feat(qc,#18962): Chronos re-entraine — portage 06/18/02 + mesure hors echantillon

MyIA.AI.Notebooks/QuantConnect/BOOK_MAPPING.md

@@ -113,7 +113,7 @@ Algorithmes LEAN complets sur données de marché. Les exemples 04, 08, 18 et 19
 | 16 | LLM Summarization of Tiingo News Articles | [ML-LLM-Summarization](projects/ML-LLM-Summarization/), [QC-Py-26-LLM-Trading-Signals](Python/QC-Py-26-LLM-Trading-Signals.ipynb) | PARTIAL | Needs-improvement (tranche 12) | sans clé d'API en paramètre du projet, `ML-LLM-Summarization` classe les articles par mots-clés, sans LLM, et l'actif est SPY, pas TSLA ; le notebook enseigne l'analyse de sentiment par LLM (réponses simulées dans ses sorties), sans résumé d'articles |
 | 17 | Head Shoulders Pattern Matching with CNN | [ML-HeadShoulders-CNN](projects/ML-HeadShoulders-CNN/) | COVERED | Vivant | |
 | 18/01 | Amazon Chronos Model — Base Model | [ML-Chronos-Foundation](projects/ML-Chronos-Foundation/), [Chronos-Foundation-Forecasting](projects/Chronos-Foundation-Forecasting/) | COVERED | Needs-improvement (les deux, tranche 14) | |
-| 18/02 | Amazon Chronos Model — Fine-Tuned Model | — | GAP | — | aucun ré-entraînement de Chronos dans le dépôt |
+| 18/02 | Amazon Chronos Model — Fine-Tuned Model | [ML-Chronos-Foundation](projects/ML-Chronos-Foundation/) (`main_finetuned.py`, `finetune/`) | COVERED | Non déployé (le portage s'exécute hors QC) | ré-entraînement porté et mesuré hors échantillon sur quatre graines ; voir le verdict de la tranche 3 |
 | 19/01 | FinBERT Model — Base Model | [ML-FinBERT-Sentiment](projects/ML-FinBERT-Sentiment/), [QC-Py-Cloud-01-FinBERT-Sentiment](Python/QC-Py-Cloud-01-FinBERT-Sentiment.ipynb) | COVERED | Needs-improvement (tranche 12) | le portage produit désormais ses rebalancements sur QC Cloud (v7, 2022-01/02, deux ordres, Sharpe -1,137) et son verdict `INCONCLUSIVE` est écrit (critère 4, §Métriques du README) ; [#18903](https://github.com/jsboige/CoursIA/issues/18903) se ferme au merge |
 | 19/02 | FinBERT Model — Fine-Tuned Model | [ML-FinBERT-Sentiment](projects/ML-FinBERT-Sentiment/) (`main_finetuned.py`, `finetune/`) | COVERED | Non déployé (le ré-entraînement s'exécute hors QC) | ré-entraînement porté et mesuré hors échantillon sur quatre graines ; verdict **NO BEATS** (écart moyen -0,1054, -2,92 sigma, aucune graine gagnante) |
 

MyIA.AI.Notebooks/QuantConnect/projects/ML-Chronos-Foundation/README.en.md

@@ -22,11 +22,113 @@ Amazon Chronos T5 foundation model for time series forecasting. Biweekly rebalan
 | Model | Chronos T5 (Amazon) |
 | Rebalance | Biweekly |
 
+## Fine-Tuned Variant (Example 18/02)
+
+`main_finetuned.py` is a faithful port of the book (`06 Applied Machine Learning/18
+Amazon Chronos Model/02 Fine-Tuned Model/main.py`, `HandsOnAITradingBook` repository at
+commit `e025f21`): retraining runs **inside the algorithm**, at the first quarterly
+rebalance, then `ChronosPipeline.predict` supplies the forecast curves and SciPy the
+max-Sharpe weights. It is **not CI-runnable** (GPU, `chronos` and `gluonts` required) and
+is not deployed to QC Cloud.
+
+Retraining is therefore also carried **outside** the algorithm, by a harness (`finetune/`)
+that makes it measurable on a local GPU:
+
+- `finetune/run_finetune_chronos.py` — retrains per seed, then compares the base and the
+  retrained model out of sample;
+- `finetune/chronos_training.py` — the `chronos` training module, **vendored** from tag
+  `v2.3.2` (Apache-2.0). The book imports `chronos.scripts.training.train`, a module
+  **absent from the PyPI wheel** (the file lives at the upstream repository root): the
+  vendored copy carries its provenance header, and `main_finetuned.py` falls back to it
+  when the upstream import fails.
+
+### Protocol
+
+- **Universe**: `AAPL, MSFT, NVDA, AMZN, GOOGL` — a fixed basket of five mega-caps.
+- **Training**: 2016-01-01 → 2021-12-31. **Out of sample**: 19 quarterly origins
+  2022-01-03 → 2026-07-01 (first trading day of each quarter from 2022-01-01), each
+  evaluated on its **63-session** forecast horizon (index trading sessions, origin
+  included) — the last evaluated horizon runs from 2026-07-01 to **2026-09-29** (last
+  forecast), and the last strategic rebalancement is valued on **2026-09-30**, the
+  session following the last forecast (harness `index[i+63]`, distinct from the horizon
+  end `index[i+62]`).
+- Book recipe: `context_length` 126 days, `prediction_length` 63 days, `learning_rate`
+  1e-5, `adamw_torch_fused`, batch 32, accumulation 2, `tf32` (Ampere), 20 forecast
+  samples per origin.
+- **Error**: MAE, MASE (step-1 naive over the actual window) and WQL (quantiles
+  0.1 / 0.25 / 0.5 / 0.75 / 0.9), averaged over the five series, per quarterly origin
+  (19 origins).
+- **Significance**: Diebold-Mariano test paired by origin on the MAE loss. Quarterly
+  origins do not overlap: no Newey-West correction. The p-value is the normal
+  approximation one, liberal at 19 origins — the Harvey, Leybourne and Newbold correction
+  would only widen it.
+- **Strategy effect**: the book's SLSQP weights (long-only, sum 1, maximising the Sharpe
+  of the forecast curves), quarterly rebalance, **5 basis points** of cost on turnover.
+  Both arms play **the same** origin, with the same draw seed.
+- **Seeds**: 1, 2, 3 and 42.
+
+### Deviations from the book, assumed
+
+| Deviation | Reason |
+|---|---|
+| `max_steps` = 300 (the book: 3) | 3 steps retrain nothing; 3 is a cloud runtime budget, not a method choice |
+| `torch_compile` = `False` | the book compiles for Linux/Ampere; `torch.compile` is not portable on this workstation |
+| One retraining per seed over 2016-2021, evaluated out of sample | the book retrains every quarter; the harness isolates the retraining effect on a fixed window, which makes the two arms comparable |
+| Fixed five mega-cap universe | the book selects the five most liquid tickers by dollar volume, unavailable outside QC. **This universe is Mag7**: no gain claim is made here (see the verdict) |
+| `yfinance` data (adjusted closes) | the book reads LEAN engine history; the harness runs outside QC |
+
+### Out-of-sample result
+
+| Seed | MAE base | MAE retrained | MASE base | MASE retrained | DM (statistic) | DM (p) | Sharpe base | Sharpe retrained |
+|---|---|---|---|---|---|---|---|---|
+| 1 | 18.40 | 17.61 | 6.24 | 5.99 | 0.83 | 0.409 | 0.746 | 0.603 |
+| 2 | 17.78 | 16.87 | 6.03 | 5.69 | 1.43 | 0.153 | 0.664 | 0.751 |
+| 3 | 19.21 | 17.82 | 6.50 | 6.02 | 1.68 | 0.093 | 0.588 | 0.746 |
+| 42 | 18.31 | 17.30 | 6.27 | 5.83 | 1.14 | 0.256 | 0.559 | 0.675 |
+| **mean** | **18.43** | **17.40** | **6.26** | **5.88** | — | — | **0.639** | **0.694** |
+
+Mean WQL: 0.0745 → 0.0732. Mean CAGR: 17.5% → 18.0%. Mean max drawdown:
+−29.1% → −33.5%. The test's `mean_diff` field is signed `base − retrained`: a positive
+value means the **base** model has the larger error.
+
+**Precision — `NO BEATS`.** The retrained model is more accurate on **all four seeds**
+(mean MAE 18.43 → 17.40, about −5.5%), but **no** seed reaches the 5% threshold (p from
+0.093 to 0.409). The effect is therefore stable in sign and too small to be told apart
+from noise at this sample size (19 origins × 5 series).
+
+**Strategy — unstable effect, no gain claimed.** Mean Sharpe rises (0.639 → 0.694) and so
+does CAGR, but the sign **changes with the seed** (one seed in four sees the retrained
+model fall back) and the worst drawdown deepens on average.
+
+**What these numbers are not.** They do not compare to the 0.277 Sharpe published for
+example 18/01: that one comes from a LEAN backtest over 2015-2026, whereas the
+measurement above comes from a harness outside QC, over another window and another
+universe.
+
+**The disagreement between the two error measurements is worth stating.** The training
+loss does fall over the steps (mean 4.83 over the 300 steps of the last seed, 4.66 at the
+last step), without carrying over out of sample. That is the expected behaviour of a fit
+to the training window, for a model of this size (`chronos-t5-tiny`) and 300 steps.
+
+### Reproducing the measurement
+
+```bash
+# local GPU; the measurement does not need QC Cloud
+python finetune/run_finetune_chronos.py --stage all --seeds 1 2 3 42 \
+    --max-steps 300 --run-dir <output-directory>
+```
+
+The harness writes one file per seed into `<output-directory>/results/`, plus a
+`summary.json` aggregating the seeds. The committed copies live under
+`finetune/measures/`: the QuantConnect tree ignores `results/`, and `measures/` is the
+repository convention for measurements kept in git.
+
 ## Files
 
 - main.py - Strategy (v1.0, Chronos forecasting)
-- research.ipynb - Foundation model evaluation
+- main_finetuned.py - Fine-tuned variant (example 18/02, not CI-runnable)
+- finetune/ - Out-of-sample measurement harness (local, outside QC Cloud)
+
 ## References
 
 - Hands-On AI Trading, Section 06, Example 18
-

MyIA.AI.Notebooks/QuantConnect/projects/ML-Chronos-Foundation/README.md

@@ -22,10 +22,114 @@ Modèle de fondation Chronos T5 d'Amazon pour le forecasting de séries temporel
 | Modèle | Chronos T5 (Amazon) |
 | Rebalance | Biweekly |
 
+## Variante ré-entraînée (exemple 18/02)
+
+`main_finetuned.py` est le port fidèle du livre (section `06 Applied Machine Learning/18
+Amazon Chronos Model/02 Fine-Tuned Model/main.py`, dépôt `HandsOnAITradingBook` au commit
+`e025f21`) : le ré-entraînement tourne **dans l'algorithme**, au premier rebalancement
+trimestriel, puis `ChronosPipeline.predict` fournit les courbes de prévision et SciPy les
+poids de Sharpe maximal. Il n'est **pas exécutable en CI** (GPU, `chronos` et `gluonts`
+requis) et n'est pas déployé sur QC Cloud.
+
+Le ré-entraînement est donc aussi porté **hors** de l'algorithme, par un harnais
+(`finetune/`) qui le rend mesurable sur un GPU local :
+
+- `finetune/run_finetune_chronos.py` — ré-entraîne par graine, puis compare le modèle de
+  base et le modèle ré-entraîné hors échantillon ;
+- `finetune/chronos_training.py` — le module d'entraînement de `chronos`, **vendorisé**
+  depuis le tag `v2.3.2` (Apache-2.0). Le livre importe
+  `chronos.scripts.training.train`, module **absent du wheel PyPI** (le fichier vit à la
+  racine du dépôt amont) : la copie vendorisée porte son en-tête de provenance, et
+  `main_finetuned.py` retombe dessus quand l'import amont échoue.
+
+### Protocole
+
+- **Univers** : `AAPL, MSFT, NVDA, AMZN, GOOGL` — panier fixe de cinq
+  méga-capitalisations.
+- **Entraînement** : 2016-01-01 → 2021-12-31. **Hors échantillon** : 19 origines
+  trimestrielles 2022-01-03 → 2026-07-01 (premier jour de bourse de chaque trimestre
+  depuis 2022-01-01), chacune évaluée sur son horizon de prévision de **63 séances**
+  (séances de bourse de l'index, origine incluse) — le dernier horizon évalué court du
+  2026-07-01 au **2026-09-29** (dernière prévision), et la valorisation du dernier
+  rebalancement stratégique porte sur le **2026-09-30**, la séance qui suit la dernière
+  prévision (`index[i+63]` du harnais, distincte de la fin d'horizon `index[i+62]`).
+- Recette du livre : `context_length` 126 jours, `prediction_length` 63 jours,
+  `learning_rate` 1e-5, `adamw_torch_fused`, lot 32, accumulation 2, `tf32` (Ampere), 20
+  échantillons de prévision par origine.
+- **Erreur** : MAE, MASE (naïf de pas 1 sur la fenêtre réelle) et WQL (quantiles
+  0,1 / 0,25 / 0,5 / 0,75 / 0,9), moyenne des cinq séries, par origine trimestrielle
+  (19 origines).
+- **Significativité** : test de Diebold-Mariano apparié par origine sur la perte MAE. Les
+  origines trimestrielles ne se chevauchent pas : aucune correction de Newey-West. La
+  p-value est celle de l'approximation normale, libérale à 19 origines — la correction de
+  Harvey, Leybourne et Newbold ne ferait que l'élargir.
+- **Effet de stratégie** : poids SLSQP du livre (long-only, somme 1, maximisation du
+  Sharpe des courbes prévues), rebalancement trimestriel, **5 points de base** de frais sur
+  le turnover. Les deux bras jouent **la même** origine, avec la même graine de tirage.
+- **Graines** : 1, 2, 3 et 42.
+
+### Écarts au livre, assumés
+
+| Écart | Motif |
+|---|---|
+| `max_steps` = 300 (le livre : 3) | 3 pas ne ré-entraînent rien ; 3 est un budget de temps d'exécution cloud, pas un choix de méthode |
+| `torch_compile` = `False` | le livre compile pour Linux/Ampere ; `torch.compile` n'est pas portable sur ce poste |
+| Un ré-entraînement par graine sur 2016-2021, évalué hors échantillon | le livre ré-entraîne à chaque trimestre ; le harnais isole l'effet du ré-entraînement sur une fenêtre fixe, ce qui rend les deux bras comparables |
+| Univers fixe de cinq méga-capitalisations | le livre sélectionne les cinq titres les plus liquides au dollar-volume, indisponible hors QC. **Cet univers est Mag7** : aucune revendication de gain n'est portée ici (voir le verdict) |
+| Données `yfinance` (clôtures ajustées) | le livre lit l'historique du moteur LEAN ; le harnais tourne hors QC |
+
+### Résultat hors échantillon
+
+| Graine | MAE base | MAE ré-entraîné | MASE base | MASE ré-entraîné | DM (statistique) | DM (p) | Sharpe base | Sharpe ré-entraîné |
+|---|---|---|---|---|---|---|---|---|
+| 1 | 18,40 | 17,61 | 6,24 | 5,99 | 0,83 | 0,409 | 0,746 | 0,603 |
+| 2 | 17,78 | 16,87 | 6,03 | 5,69 | 1,43 | 0,153 | 0,664 | 0,751 |
+| 3 | 19,21 | 17,82 | 6,50 | 6,02 | 1,68 | 0,093 | 0,588 | 0,746 |
+| 42 | 18,31 | 17,30 | 6,27 | 5,83 | 1,14 | 0,256 | 0,559 | 0,675 |
+| **moyenne** | **18,43** | **17,40** | **6,26** | **5,88** | — | — | **0,639** | **0,694** |
+
+WQL moyen : 0,0745 → 0,0732. CAGR moyen : 17,5 % → 18,0 %. Pire baisse moyenne :
+−29,1 % → −33,5 %. Le champ `mean_diff` du test est signé `base − ré-entraîné` : une
+valeur positive veut dire que le **modèle de base** a la plus grande erreur.
+
+**Précision — `NO BEATS`.** Le modèle ré-entraîné est plus précis sur **les quatre
+graines** (MAE moyenne 18,43 → 17,40, soit environ −5,5 %), mais **aucune** graine
+n'atteint le seuil de 5 % (p de 0,093 à 0,409). L'effet est donc stable dans son signe et
+trop petit pour être distingué du bruit à cette taille d'échantillon (19 origines × 5
+séries).
+
+**Stratégie — effet instable, aucun gain revendiqué.** Le Sharpe moyen monte
+(0,639 → 0,694) et le CAGR aussi, mais le signe **change selon la graine** (une graine sur
+quatre voit le ré-entraîné reculer) et la pire baisse se creuse en moyenne.
+
+**Ce que ces chiffres ne sont pas.** Ils ne se comparent pas au Sharpe 0,277 publié pour
+l'exemple 18/01 : celui-ci vient d'un backtest LEAN sur 2015-2026, quand la mesure
+ci-dessus vient d'un harnais hors QC, sur une autre fenêtre et un autre univers.
+
+**Le désaccord entre les deux mesures d'erreur mérite d'être dit.** La perte
+d'entraînement décroît bien au fil des pas (moyenne 4,83 sur les 300 pas de la dernière
+graine, 4,66 au dernier pas), sans que cela se transporte hors échantillon. C'est le
+comportement attendu d'un ajustement sur la fenêtre d'entraînement, pour un modèle de
+cette taille (`chronos-t5-tiny`) et 300 pas.
+
+### Reproduire la mesure
+
+```bash
+# GPU local ; la mesure n'a pas besoin de QC Cloud
+python finetune/run_finetune_chronos.py --stage all --seeds 1 2 3 42 \
+    --max-steps 300 --run-dir <repertoire-de-sortie>
+```
+
+Le harnais écrit un fichier par graine dans `<repertoire-de-sortie>/results/`, plus un
+`summary.json` agrégeant les graines. Les copies committées vivent sous
+`finetune/measures/` : l'arbre QuantConnect ignore `results/`, et `measures/` est la
+convention du dépôt pour les mesures conservées.
+
 ## Fichiers
 
 - main.py - Stratégie (v1.0, forecasting Chronos)
-- research.ipynb - Évaluation du modèle de fondation
+- main_finetuned.py - Variante ré-entraînée (exemple 18/02, non exécutable en CI)
+- finetune/ - Harnais de mesure hors échantillon (local, hors QC Cloud)
 
 ## Références