C’est pas très clair pour moi ce que tu utilises, mais je posais la question au cas où tu utilises des LLMs ou autres modèles qui sont déjà entraîné et pourraient utiliser (/connaître) les données de ta période de validation.
Exactement. Si tu choisi ton modèle parce qu’il donne les meilleurs résultats alors tes résultats ici ne sont pas étonnant. Tu dois fixer un modèle basé sur les données de validation uniquement. Les données de tests ne servent que pour un seul modèle, sinon c’est biaisé.
Le problème est le même, si tu testes plein de modèles la validation croisée va choisir un modèle qui overfit.
Le k-fold sur le modèle qu’il a sélectionné.
Juste pour voir comment il gère les autres périodes avec d’autres données d’entraînement.
Après oui, s’il utilise le k-fold sur plein de modèles pour sélectionner le meilleur, ça sera pas forcément beaucoup mieux
On avait déjà eu Momentum-Invest en dec.
J en arrive à penser que Mounir nous joue des tours pour tester la communauté. 
Et il y a autre chose qui m’est venu en tête c’est est ce que le modèle a le « choix » des entreprises à sélectionner ? si le modèle n’a le choix qu’entre les 21 entreprises le benchmark de comparaison n’a plus de sens.
Merci pour tous vos retours @Eppo, @Aurelien285, @ZakZak, @Marc61
A défaut de vous convaincre, l’échange m’aide à déterminer mes pistes à explorer 
est ce que le modèle a le « choix » des entreprises à sélectionner ?
Les entreprises (assets) constituant le modèle sont un des paramètres à choisir lors de l’apprentissage du modèle. « La comparaison n’a plus de sens » : oui et non, je compare également la perf du modèle avec un portefeuille fictif constitué des assets du modèle (et cette perf est globalement la même que les indices (à -10/+10% près); je peux éventuellement poster le graphique si tu es intéressé).
L’idée de mes modèles n’est pas de faire du stock picking, mais bel et bien d’optimiser un portefeuille d’asset statique.
Si tu es quant tu connais les tests de signifiance statistique
Je ne suis pas quant, donc je vais essayer de me rapprocher de certain pour valider les hypothèses. En revanche, j’utilise des libs qui me permettent de calculer beaucoup d’indicateur et stats sur les modèles; je n’ai pas toutes les compétences pour les interpréter à date (sauf ce qu’on voit partout comme sharpe ratio & sharpe probab par exemple - ça doit pas trop parler aux adeptes du DCA 
), mais une part de la vérité doit se cacher là dedans !
Tous les quants de la planète moulinent nuit et jour des modèles IA.
La nuance que je veux apporter c’est qu’il y a une différence entre utiliser de l’IA (73% des entreprises américaines en utilisent par exemple) et déléguer la gestion d’un fonds ou d’un instrument à une IA de a à z (comme le fait le fonds du créateur de Deepseek par exemple).
Egalement, j’imagine que déléguer la gestion d’un fonds/instrument à une IA n’est pas évident d’un point de vue régulation ?
Dans mon secteur d’activité, beaucoup de choses sont estampilées avec IA, dans un but commercial / de fund raising. La réalité derrière, c’est autre chose 
.
Mounir tu peux faire des réguleS stp ?
Parce que les personnes qui échangent des screenshots de compte au lieu de faire des posts en lien avec le sujet Finance de ce forum…
Ça vaut un ban non ?
Et donc oui j’ai créé ce compte pour creuser ce topic.
Avec les maths, et l’IA, la bourse ce sont justes des chiffres.
Certes les perfos du model sont dingues, mais l’important c’est le fond.
Je suis dev et faire ce qu’il a fait, ce sont des heures de taff. Donc respect et je m’intéresse 
Ahahah
Oui alors que là tu ne nous prends clairement pas du tout pour des abrutis finis.
Avec un investissement de 1000$ et ton rendement de 70%/an défendu fièrement, tu dépasses la capitalisation boursière du S&P500 (50 000 milliards) en 46 ans, pas de problème
Petit conseil pour ton prochain scam sur un forum d’investissement, essaye de faire un petit effort pour être un minimum réaliste ?
@RogerRabbit Tu as définitivement discréditer l affaire.
Et pour finir voici un exemple de ce que font les hedges funds avec l A.
Title: [Do Machine Learning Models Need to Be Sector Experts.
To test these approaches, the researchers use a comprehensive dataset of U.S. stock returns from 1957 to 2023, enriched with 153 firm-level characteristics. They employ several machine learning algorithms—elastic nets, gradient-boosted trees, neural networks, and an ensemble learner—to evaluate out-of-sample predictive power.