PLAN DE COURS
Été 2026
GES824 : Algorithmiques et intelligence artificielle en ingénierie financi(3 crédits)
Préalables
Aucun préalable requis.
Description du cours
Ce cours vise à transmettre les notions essentielles d’algorithmie et les applications de l’intelligence artificielle dans le domaine financier.
Au terme de ce cours, l’étudiante ou l'étudiant 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/œuvre. Intelligence artificielle comme outil de paramétrage financier; simulation de l'évolution du cours des actions, évaluation et optimisation d'un portefeuille d'actions.
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 du personnel enseignant le cours
Cours
Plan de cours
| Cours |
Date |
Titre |
Contenu |
| 1 |
8 nov 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 |
8 nov 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 |
9 nov 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 |
9 nov 2024 |
Présentation d'un expert |
- Présentation d'un expert (1h30)
- Présentation des travaux
|
| 5 |
20 nov 2024 |
Techniques Algoritmiques avancées |
- Présentation d'outils (Tensorflow, Pytorch, …)
- Exemples d'application ( Data mining, risk factor, alpha, signal aggregation, testing, …)
|
| 6 |
20 nov 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 |
21 nov 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 |
21 nov 2024 |
Application Intelligence artificielle |
Revue des applications et des techniques associé, revue de la performance |
| 9 |
6 dec 2024 |
Techniques AI avancées |
Deep Learning
- Trading Agent
- Traitement de données
- Exemple d'exemple d'application |
|
| 10 |
6 dec 2024 |
Présentation d'un expert |
|
| 11 |
7 dec 2024 |
Présentations |
Étude des articles |
| 12 |
7 dec 2024 |
Présentations |
Étude des articles |
Évaluation
Informations additionnelles :
- Mini tests (10%)
- Participation (10%)
- Présentation (30%)
- Travail de synthèse (50%)
Politique de retard des travaux
Conformément au Règlement des études de premier cycle
(article 7.5.6) et au Règlement des études de cycles supérieurs (article 6.5.6), 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 à l’article 7.5.5.1 dans le Règlement des études de premier cycle et l’article 6.5.2 dans le Règlement des études de cycles supérieurs, se verra attribuer la note zéro, à moins que d’autres dispositions soient communiquées par écrit par la personne enseignante dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.
Dispositions additionnelles
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 une évaluation
Infractions de nature académique
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
-