Etudiant : ISSALHI YASSINE

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. ELABDERRAHMANI ABDELLATIF

Annèe : 2025

Résumé : Ce projet de fin d’études consiste à concevoir et implémenter un agent de trading boursier automatisé basé sur l’apprentissage par renforcement profond (Deep Reinforcement Learning - DRL). L’objectif principal est de développer un système intelligent capable d’apprendre à trader efficacement sur les marchés financiers, en simulant des interactions entre un agent et un environnement personnalisé de trading, intégrant des données historiques réelles du Dow Jones 30, des indicateurs techniques (RSI, MACD, ADX, CCI) et une gestion réaliste du portefeuille. Le système repose sur une architecture modulaire utilisant Python comme langage central, avec des bibliothèques spécialisées telles que yfinance pour la récupération des données, Stable Baselines3 pour l’implémentation des agents DRL (PPO, A2C, DDPG, SAC, TD3) et Streamlit pour l’interface utilisateur interactive. Un agent composite (Ensemble Agent) a également été développé pour améliorer la stabilité et la rentabilité globale en combinant les forces des différents agents. L’application vise à transformer les méthodes classiques de prédiction financière en introduisant une approche dynamique où l’agent apprend à travers des épisodes de marché simulés à optimiser ses décisions d’achat, de vente ou de non-action, en maximisant une récompense financière (ROI) tout en gérant le risque via des métriques comme le Sharpe Ratio et le Max Drawdown. Ce projet met en lumière le potentiel de l’intelligence artificielle dans le domaine financier, en proposant une solution reproductible, extensible et facilement déployable. Il ouvre la voie à des applications futures intégrant l’analyse de sentiment (à partir d’actualités ou de tweets), la gestion multi-actifs, ou encore le déploiement en temps réel via une AP