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.

Utilisation d'exemple pratique 

Présence d'expert afin de présenter des réelles applications

• Mini tests (10%)
• Participation (10%)
• Présentation (30%)
• Travail de synthèse (50%)

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.

Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou l’étudiant doit utiliser le formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.

Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS pour se rendre à l’activité.

Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du RÉPC et 6.5.2 du RÉCS) entraînera l’attribution de la note zéro (0).

Note de cours (fourni en classe)

• 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)

-