Apprentissage de systèmes de trading sur données semi synthétiques La suite de l'expérience sur les données aléatoires. On peut faire mieux, en exploitant cette liberté nouvelle, tout en restant proche des données de marchés, et c'est rassurant.
L’histoire en bref
L’expérience sur les données aléatoires utilisées en apprentissage ( mais sélectionnées par le logiciel Safir-Xp sous forme de trends établis parmi ces données) montre que les tendances de marchés peuvent être approximativement modélisées à partir de ces données. Ceci est une preuve indirecte que les marchés ne sont pas aléatoires, et que la logique floue est capable d’effectuer cette modélisation dans ces conditions hors normes, du moins partiellement.
Rien ne prouve que cette approche soit meilleure que celle classique consistant d’apprendre sur de vrais cours dont on réserve une partie pour les tests, mais les résultats significatifs obtenus permettent d’envisager des données hybrides, qui pourraient améliorer la fiabilité des systèmes de trading et de diminuer le risque d’overfitting, classique dans le cas de l’apprentissage normal sur de vraies données. ET dans tous les cas cela préserve jusqu’à la fin le caractère non vu des données de marché.
C’est ce qu’on se propose de tester ici avec TROIS séries chronologiques synthétiques en apprentissage et test
1-Une première approche consiste à utiliser pour l’apprentissage les données de marché en inversant les trends. Ainsi les données de marché retraitées sont quasiment non vues ( les hausses et baisses sont permutées) et le bruit du marché est globalement conservé. Cette approche-là, plus classique devrait convenir au plus grand nombre. On peut de plus rajouter un biais inverse sur les trends inversés, voir même une composante aléatoire sur ce biais, ce qui fait que les données de marché ainsi retravaillées augmentent sérieusement le nombre de données non vues pour l’apprentissage. L’expérience est faite en vidéo sur cette page.
2- En second , un compromis acceptable en utilisant cette fois pour l’apprentissage des données aléatoires biaisées – c’est-à-dire avec des trends générés aléatoirement- mais renforcés aléatoirement à la hausse ou à la baisse. Bien évidemment, le bruit du marché synthétique n’est pas le même que celui du marché cible. C’est à double tranchant, cela défavorise l’overfitting, mais permet de trouver des solutions plus audacieuses. De toute façon, vous jugerez en dernier ressort sur les données de marché. L’expérience sera faite également en vidéo das les mêmes conditions que la première.
3-Un troisième compromis proposé consiste cette fois à utiliser pour l’apprentissage des trends aléatoires alternés ( donc des zigzags d’amplitude aléatoire) auxquels on superpose le bruit résiduel réel du marché que l’on veut modéliser.
L’expérience est présentée à chaque fois en vidéo complète avec test sur données non vues.