Logo ÉTS
Session
Cours
Responsable(s)

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours :


PLAN DE COURS

Hiver 2024
GES824 : Algorithmiques et intelligence artificielle en ingénierie financi(3 crédits)





Préalables
Aucun préalable requis




Descriptif du cours

Ce cours vise à transmettre les notions essentielles d’algorithmie et les applications de l’intelligence artificielle dans le domaine finacier.

Au terme de ce cours, l’étudiant ou l'étudiante sera en mesure :

  • d’expliquer le rôle des programmes analytiques de données d’entreprise et de leurs liens avec la dimension financière et de contrôle de risques opérationnels;
  • de distinguer les nouvelles tendances algorithmiques en ingénierie financière;
  • d’utiliser les applications d’intelligence artificielle en l'ingénierie financière.

Approche pratique pour le développement d’applications d’intelligence artificielle en l'ingénierie financière. Applications numériques de haute performance et avec une interface graphique. Intelligence artificielle comme analytique d’affaires : risques opérationnels et d’entreprise, exploration, analyse et interprétation de données aux fins de gouvernance et stratégies; suivi continu de la composition du carnet de commandes en modèle calendaire; contrôle de progression de l’ensemble des projets sous gestion en matière de risques; recension continue par type d’arrangements contractuels et/ou de maîtrise d’ouvrage/oeuvre. Intelligence artificielle comme outil de paramétrage financier; simulation de l'évolution du cours des actions, évaluation et optimisation d'un portefeuille d'actions.




Objectifs du cours

Ce cours vise à transmettre les notions essentielles d’algorithmie et les applications de l’intelligence artificielle dans le domaine finacier

Au terme du cours, l'étudiant devrait:

  • être capable de développer un algorithme de trading
  • comprendre la différence entre en algorithme et l'intelligence artificielle
  • utiliser des approches d'intelligence artificielle pour le trading.



Stratégies pédagogiques

Utilisation d'exemple pratique 

Présence d'expert afin de présenter des réelles applications




Utilisation d’appareils électroniques

Nécessaire




Horaire
Groupe Jour Heure Activité
01 Vendredi 13:30 - 21:30 Activité de cours
Samedi 09:00 - 17:30 Deuxième activité de cours



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Rafael Brunet Activité de cours cc-rafael.brunet@etsmtl.ca



Cours
Plan de cours
Cours Date Titre Contenu
1 23 mars 2024 Introduction à la finance algorithmique Objectifs du cours
Définition des termes
Historique des approches algoritmique
Taxonomie des approhes algorithmique appliqué à la négociation
Taxonomie des approches d'intelligence artificielle (IA) appliqué à la négociation
Comparaison des approches algorithmique / IA
2 23 mars 2024 Développement d'un algorithme Revue des méthodes algorithmiques (Momentum, Mean Reversion, Marché Neutre, Risk-Neutral, Equity market-neutral, Statistical arbitrage)
Processus de développement d'un algo
1. Data access/cleaning
2. Pre-trade Analysis
3. Trade Signal Generation
4. Trade Execution
5. Post-trade Analysis
3 24 mars 2024 Application d'algorithmes Survol des applications des algorithmes (High frequency trading, Ultra high frequency trading, ...)
Comment construire une stratégie algorithimique?
Exemple Pair trading (python)
Back-testing Excel
Démonstration de la construction d'un robot de trading
4 24 mars 2024 Présentation d'un expert Présentation d'un expert (1h30)
Présentation des travaux
5 5 avril 2024 Techniques Algoritmiques avancées Présentation d'outils (Tensorflow, Pytorch, …)
Exemples d'application ( Data mining, risk factor, alpha, signal aggregation, testing, …)
6 5 avril 2024 Introduction à l'intelligence artificielle Définition et Explication de l'intelligence artificielle
Fonctionnement d'un système d'intelligence artificiel
Taxonomie des approches et techniques AI
  - Artificial Intelligence vs Machine Learning vs Deep Learning
  - Type d'architecture
  - Type d'approches (supervisé, non-supervisé, renforcement)
7 6 avril 2024 Développement d'une AI Structure d'un système AI en finance
  1. Design, data and modelling phase
  2. Verification and validation phase
  3. Deployment phase
  4. Operation and monitoring phase
8

6 avril 2024

Application Intelligence artificielle Revue des applications et des techniques associé, revue de la performance
9 14 avril 2024 Techniques AI avancées Deep Learning
  - Trading Agent
  - Traitement de données
  - Exemple d'exemple d'application
10 14 avril 2024 Présentation d'un expert Présentation d'un expert
11 15 avril 2024 Présentations Étude des articles
12 15 avril 2024 Présentations Étude des articles

 




Évaluation
  • Mini tests (10%)
  • Présentation (25%)
  • Résumé d'un article (25%)
  • Travail de synthèse (40%)



Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.



Absence à un examen
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur de département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note (0).



Infractions de nature académique
À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et les étudiants sont invités à consulter la page "Citer, pas plagier !" (https://www.etsmtl.ca/Etudes/citer-pas-plagier). Les clauses du règlement sur les infractions de nature académique de l’ÉTS (« Règlement ») s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le règlement sur les infractions de nature académique (https://www.etsmtl.ca/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique) pour identifier les actes qui constituent des infractions de nature académique au sens du Règlement ainsi que prendre connaissance des sanctions prévues à cet effet.

Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par l’enseignant(e) du cours.



Documentation obligatoire

Note de cours (fourni en classe)




Ouvrages de références
  • Veloso, M., Balch, T., Borrajo, D., Reddy, P. & Shah, S. Artificial intelligence research in finance: discussion and examples. Oxf. Rev. Econ. Polic. 37, 564–584 (2021)

  • Narang, R. K. Inside the Black Box. 11–18 (2011) doi:10.1002/9781118267738.ch2

  • Algorithmic trading & DMA: An introduction to direct access trading strategies

  • Subrahmanyam, A. Algorithmic trading, the Flash Crash, and coordinated circuit breakers. Borsa Istanb. Rev. 13, 4–9 (2013)

  • Chakravarty, S. R. & Sarkar, P. An Introduction to Algorithmic Finance, Algorithmic Trading and Blockchain. 63–65 (2020) doi:10.1108/978-1-78973-893-320201010

  • Liu, P. Quantitative Trading Strategies Using Python, Technical Analysis, Statistical Testing, and Machine Learning. (2023) doi:10.1007/978-1-4842-9675-2

  • OECD. Machine Learning and Big Data in Finance: Opportunities, Challenges, and Implications for Policy Makers. (2021)

  • Jansen, S. Machine Learning for Algorithmic Trading: Predictive models to extract signals from market and alternative data for systematic trading strategies with Python. (Packt)

     

     

     

     

     

     

     

     

     

     

     

     

     



     



Adresse internet du site de cours et autres liens utiles

-