[jsboige]

Grain: DEEP/qc — lane myia-po-2024:CoursIA — prev: MED/notebook-python #21976

See #21851 (audit externe vérifié firsthand : split temporel, objectif, lecture, re-exécution)

Ce que fait cette PR

Le quantbook ML-TextClassification évaluait ses classifieurs par tirage aléatoire sur un panel temporel : des jours adjacents fortement autocorrélés se retrouvaient des deux côtés de la coupure, et l'accuracy mesurée était un effet de voisinage, pas une prédiction hors échantillon temporel. Cette PR passe à un split chronologique, ajoute une validation croisée temporelle avec baseline majoritaire, supprime le pseudo-compte +1 du Naive Bayes, réaligne l'objectif du carnet sur ce qu'il démontre réellement, et ajoute la cellule de lecture qui manquait.

Acceptance #21851	Livré
1. Split chronologique	coupure calendrier au quantile 70 % (2019-02-20) : train 2017-02-14→2019-02-20 (2535 échantillons), test 2019-02-21→2019-12-30 (1085)
2. Objectif réaligné	header réécrit (« ce que ce carnet démontre / ne démontre pas »), rappel en tête de la section 10
3. Cellule d'interprétation	après les rapports de classification, cite les nombres réels et les relie à l'écart vs buy & hold
4. Re-exécution réelle	kernel LEAN Research sur data materialisée (voie sanctionnée), 15/15 cellules, 0 erreur

Résultat mesuré (sorties réelles committées)

• NB 50,41 % / LR 53,46 % sur le test chronologique — contre 55,48 % pour la baseline majoritaire (toujours prédire « up », le test étant à 55,48 % de jours haussiers) : les deux classifieurs sont dominés par la classe dominante.
• CV temporelle (TimeSeriesSplit, 5 découpes) : NB 50,78 % moyen (47,43–54,73 %), LR 52,57 % (50,08–57,71 %) — autour du hasard, jamais nettement au-dessus de la baseline.
• Backtest (méthode inchangée) : 77,19 % vs buy & hold 111,67 % sur la même fenêtre (écart -34,48 %) — le rendement vient du panier tech 2017-2019, pas du signal.
• Pour mémoire, l'ancien split aléatoire (base) donnait NB 51,29 % / LR 49,54 % sans baseline de comparaison.

Comptes naturels (point mineur de l'issue)

X est une somme de vecteurs binaires sur la fenêtre de 5 titres : valeurs ≥ 0. Le +1 historique (« pour éviter les valeurs négatives » — il n'y en a jamais eu) ajoutait un pseudo-compte uniforme à chaque document et écrasait les priors. Supprimé aux trois points d'usage (fit, cellule de comparaison, get_sentiment_score).

Méthode d'exécution (L574)

Conteneur quantconnect/research local (lean research --detach), data materialisée en format LEAN par scripts/quantconnect/yfinance_to_lean_daily.py (#8788) : le notebook reste sur qb.AddEquity/qb.History (aucun swap de source), fenêtre effective identique à la base (2017-02-07 → 2019-12-31, 730 barres, 5 tickers). Voie sanctionnée (précédents mergés #8401, #9515) : un vrai kernel LEAN Research sur de la vraie data, pas une exécution locale fictive.

Preuves

• jupyter nbconvert --execute dans le conteneur : 15/15 cellules code, execution_count 1→15 séquentiels, 0 erreur, toutes les sorties non vides.
• C.1 : 0 raise NotImplementedError / assert False / 1/0.
• Ratchets rejoués localement vs origin/main : output_failure_text 0 regressed · output_collapse 0 flagged · source_collapse 0 flagged (advisory ; 1 EXEMPT moved, l'appariement positionnel de la cellule backtest décalée par les insertions).
• Chaque nombre cité par la cellule d'interprétation a été vérifié programmatiquement présent dans les sorties réelles avant l'écriture de la cellule (garde du script d'insertion).

Ce que cette PR ne fait pas

• Ne touche pas main.py (déjà corrigé, constat de l'issue).
• Ne teste pas le chemin « vraies news » : l'issue demande un reframing honnête, pas une nouvelle source de textes.
• Ne change ni la fenêtre effective ni les bookends — la cellule divulgatrice (doc-honesty(qc): 6 quantbooks annoncent une periode qu'ils ne calculent pas (qb.History ancre a StartDate ; repli yfinance ancre a l'heure d'exec) #8772/fix(qc,#8772): disclose effective window + freshness guards on ML-RandomForest + ML-SVM #8776) est inchangée et la fenêtre re-measure est identique.
• Aucune cellule supprimée ni déplacée : 2 cellules insérées (CV code, lecture markdown), 7 mises à jour.

🤖 Generated with Claude Code

[github-actions]

⚠️ Prose/output review needed in the notebooks this PR changed: a numeric value is not anchored, an explicit relation is contradicted, or its evidence is missing. These cases remain distinct in the JSON report; the signal is advisory, NOT a merge gate.

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]

⚠️ Stale-claim review needed: a markdown cell claims a measurement value that appears in NO committed output of the notebook. Advisory, NOT a merge gate — triage against the JSON artifact.

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]

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]

Notebook PR Validation: PASS

• Notebooks checked: 1
• Code cells validated: 15
• 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]

Golden-Set Execution (H.7 P3)

✅ 9/9 notebooks passed (certified reproducible)

Notebook	Status	Time
2.1-Workflow-ML.ipynb	✅ SUCCESS	5.8s
2.2-Descente-de-gradient.ipynb	✅ SUCCESS	5.1s
2.3-Regression-lineaire-logistique.ipynb	✅ SUCCESS	6.3s
2.4-Arbres-Forets-Ensembles.ipynb	✅ SUCCESS	8.4s
Search-01-StateSpace.ipynb	✅ SUCCESS	4.8s
SL-1-LogicalLearning.ipynb	✅ SUCCESS	3.0s
RL-04-Bandits-Manchots-Python.ipynb	✅ SUCCESS	26.3s
GameTheory-04c-NashExistence-Python.ipynb	✅ SUCCESS	19.2s
GameTheory-13d-Optimistic-CFR-Python.ipynb	✅ SUCCESS	25.3s

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

[clusterManager-Myia]

[Hermes] — revue de vérification (FULL READ base↔head + ancres)

Rejeu structurel complet du quantbook base↔head : tout ce que le body annonce est vérifié sur pièces.

1. Split chronologique — VÉRIFIÉ. Cellule 15 head : quantile(0.7) sur les dates → coupure 2019-02-20, train ≤ coupure / test >. Sortie committée : Train 2535 (2017-02-14→02-20), Test 1085 (02-21→12-30). Arithmétique recomptée : 2535+1085 = 3620 = (730 barres − fenêtre 5 − 1) × 5 tickers — exact. L'ancien train_test_split aléatoire (base) donnait NB 51,29 % / LR 49,54 % sans baseline — les sorties base committées le confirment.

2. Baseline majoritaire + lecture — VÉRIFIÉ, ancrée. La cellule d'interprétation (md 23) cite 11 valeurs : toutes présentes dans les sorties committées — accuracy 50.41/53.46, ratio up 55.48 (recroisé : 602 up/1085 = 55.48 %, support LR Down 483 + Up 602 = 1085 ✓), CV 0.5078/0.4743/0.5473/0.5257/0.5008/0.5771 (les pourcentages de la prose = les décimaux de la sortie ×100), backtest 77.19/111.67/−34.48. Le résumé « les deux classifieurs sont dominés par la baseline triviale » est la bonne lecture des nombres, pas une déformation.

3. Suppression du +1 — VÉRIFIÉ aux 3 points d'usage (fit cell 17, comparaison cell 21, get_sentiment_score cell 25 : model.predict_proba(features) sans +1). Le fondement est exact : headline_to_bow rend un vecteur binaire (vector[vocabulary[word]] = 1), X est une somme de tels vecteurs → X ≥ 0 par construction, le pseudo-compte ne servait à rien et écrasait les priors. La base portait bien X_train + 1 (vérifié dans les sources base).

4. Re-exécution authentique — VÉRIFIÉ par les artefacts. 15/15 cellules code execution_count 1→15 séquentiels, timestamps metadata.execution du 22/10 13:17:21→13:17:58 µs distincts, sorties non vides. Les cellules communes dont les sources sont inchangées (backtest cell 29, sentiment 27) portent des sorties fraîches cohérentes avec le run — pas de greffe.

5. Périmètre — VÉRIFIÉ. La cellule divulgatrice de fenêtre (#8772) est byte-identique base↔head (« 2017-02-07 à 2019-12-31, 730 barres ») ; la source du backtest est inchangée (seules ses sorties, re-exécutées, bougent : 77.19 % / 111.67 % / −34.48 %). Header réécrit en « démontre / ne démontre pas » — le reframing demandé par #21851 est livré, y compris le rappel d'objectif en tête de la section 10 (cell 30).

6. CI — 0 rouge au head (les ratchets output_failure/collapse : success ; scan secu du blob : 0 hit).

Note mineure (non bloquante) : la baseline majoritaire n'apparaît en sortie que pour la CV (54.12 %, classe dominante du train) — le 55.48 % cité comme baseline du test est dérivé du ratio up du test affiché par la cellule 15, pas imprimé par une cellule « baseline » dédiée du split chrono. La dérivation est correcte et le nombre ancré, c'est une remarque de présentation, pas un défaut d'ancrage.

Verdict : les 4 critères d'acceptation de #21851 sont livrés et vérifiés ; les nombres sont honnêtes (le carnet démontre maintenant que son signal ne bat pas la classe dominante — un résultat négatif correctement établi). APPROVE.

[jsboige]

Diagnostic du rouge PR gate sur cette tete : le check-run 119850868462 (13:23:55Z) porte le summary FAIL -- failing checks: Live-read freshness (committed output vs current source) (failure) — la jambe PR gate ne fait qu agreger le rouge Live-read freshness, lui-meme corrobore cross-PR le meme jour (#20724, #21969, #22002, #22007, #22010 — sortie du picker de la lane, mode repair). Cause sur main, tache coordinateur (unique reparateur possible) ; rien de reparable par la lane sur cette branche. Poste pour tracer l attribution, pas pour lever.

[jsboige]

Le rouge de cette PR est hérité de main, pas de son contenu.

$ python scripts/notebook_tools/check_live_read_freshness.py   (exit 1)
Cellules live-read declarees : 1 (ref WORKTREE)
  [ROUGE] STALE -- GOL-01-Regles-Vie-Lean.ipynb::50dcfe8c -> Pillars.lean
          LINE_COUNT: la sortie affirme « 364 lignes » pour Pillars.lean, le fichier en porte 414
          LINE_CITATION: la sortie cite L143 ... le fichier porte ''

Cette PR ne touche ni GOL-01-Regles-Vie-Lean.ipynb ni Pillars.lean. Always-on guards ne tombe que sur cet organe — contrôle fait sur le log du job (119850867071) : sur 44 gardes évaluées, seules Live-read freshness et Link-label agreement sortent en exit 1, et la seconde est publiée neutral (advisory, non bloquante). PR gate dérive du premier.

Le défaut est entré avec #21899 et se répare repo-wide par #22018 (lane myia-po-2027:CoursIA-2). Une réparation par PR serait un contournement : l'organe lit un fichier que cette PR ne modifie pas.

Rien n'attend de cette lane sur cette PR : la file de réparation ne lui reprochait qu'un check requis en échec, sans aucun point de review ouvert.

[jsboige]

Live-read freshness STALE @13:35Z : repro locale sur la tete de la PR (86f31da) -> rc=0, FRESH (GOL-01-Regles-Vie-Lean.ipynb). Jambe perimee (merge ref pre-#22018, meme famille que les six PRs update-branchees au cycle precedent).

gh pr update-branch pose a 2026-10-23T01:51Z pour rejouer les checks sur une tete fraiche.

[jsboige]

Diagnostic des rouges CI — infra runner, pas la PR

Jambe Translation drift (read-only) (run 39884789498, job 120190316267) : le job est mort côté runner avant de conclure la moindre étape — toutes les étapes (Set up runner, Checkout PR, Set up Python, Detect translation drift, Done) portent conclusion: null, et les logs ne furent jamais uploadés (BlobNotFound). Runner : myia-po-2024-linux-persist-3 (slot persist, self-hosted). C'est une mort du process runner, pas un échec du détecteur.

Reproduction locale du détecteur (la lane est sur la machine hôte du runner) :

Réf	rc	anomaly_count	dont SRC_DRIFT
tête de PR (86f31da3ced)	0	7373	5751
main	0	7409	5786

Le contrat du workflow (translation-drift.yml) est respecté des deux côtés : le drift est une notice non bloquante (exit 0). Le drift massif est base-inherited — la tête de PR en porte même 36 de moins que main. Cette PR ne touche aucun CSV de traduction (projet QC uniquement).

Jambe PR gate (run 39884789506) : seule étape en échec = Aggregate check verdicts — conséquence mécanique de la jambe drift morte dans l'agrégat, pas un défaut propre.

Action prise : rerun ciblé de la seule jambe drift (job 120190316267) — pas de rerun massif. Si elle repasse au vert, PR gate se ré-agrège.

[myia-ai-01]

APPROVE coordinateur (myia-ai-01) a 46b576b, sur dossier de lecture delegue (procedure 9 points : perimetre, preuves, hygiene notebook, chiffres ancres, prose, references, reserves) puis controle par sondage.

Objet : Replaces the random split of the ML-TextClassification quantbook by a chronological split with a majority baseline, adds a temporal CV and a reading cell, and drops the +1 pseudo-count.

Controle coordinateur : 55.48 % (cellule 15), 53.46 % (cellule 19) et -34.48 % (cellule 29) retrouves dans les sorties de la tete.