À propos du projet

# Prévision immédiate de la volatilité à partir des données de marché et des nouvelles Ce projet prédit la volatilité réalisée à court horizon du S&P 500 (H=5 jours de bourse) en combinant des caractéristiques de marché (rendements, volatilités réalisées, amplitudes de prix) avec des signaux d'actualités agrégés quotidiennement (sentiment FinBERT + embeddings). ## Énoncé du problème La prévision de la volatilité à court terme est essentielle à la gestion des risques (VaR, coussins de capital), aux stratégies de trading (arbitrage de volatilité, couverture) et à la tarification des produits dérivés (options, produits structurés). La tâche consiste à estimer la variance réalisée (RV) sur les H prochains jours de bourse en utilisant à la fois les données de marché et le sentiment textuel des nouvelles. Le modèle cible log(1 + RV) pour la stabilité et effectue une transformation inverse en volatilité pour l'interprétation. ## Approche en science des données - **Données** : rendements quotidiens du S&P 500, volatilité réalisée, amplitudes haut-bas, plus le sentiment d'actualités agrégé quotidiennement et les embeddings de FinBERT - **Cible** : variance réalisée sur H=5 jours de bourse, modélisée comme log(1+RV_H) - **Validation** : validation croisée à temps expansif avec embargo pour éviter toute fuite d'information due aux horizons chevauchants - **Métriques** : R² (ajustement à la magnitude), IC (corrélation de rang de Spearman, capacité d'ordonnancement), QLIKE (perte robuste de volatilité) - **Interprétation** : conversion en volatilité quotidienne et annualisée (σ_daily = √(RV_H / H), σ_annual ≈ σ_daily × √252) ## Caractéristiques principales - Ensemble de caractéristiques hybride combinant données de marché et sentiment de nouvelles - Validation croisée robuste à temps expansif avec embargo - Tableau de bord Streamlit interactif montrant la vérité hors échantillon vs la prédiction, la volatilité quotidienne/annualisée dérivée, et l'IC & R² glissants sur 63 jours - Pipeline complet du traitement des données à l'entraînement et l'évaluation du modèle - Dockerfile léger pour des exécutions conteneurisées - Vérifications CI et tests automatisés ## Démo en direct - **Application Streamlit** : disponible via le lien en direct dans le dépôt - **Notebook Colab** : notebook exécutable pour explorer l'ensemble du pipeline ## Aperçu des résultats Exemple de dernière prévision : σ annualisée (H=5) de 17,9 %, RV_H ≈ 0,000637, σ_daily ≈ 1,13 %. ## Comment exécuter localement Clonez le dépôt, installez les dépendances et lancez l'application : ```bash git clone https://github.com/ingo-stallknecht/volatility-nowcasting.git cd volatility-nowcasting pip install -r requirements.txt streamlit run app.py ```