Chap2_3FR
Chap2_3USx
ETONNANT, DERANGEANT, MAIS FORMATEUR
Apprentissage de systèmes de trading sur données synthétiques générées aléatoirementEt bien entendu, la question principale est : Mais comment cela est - il possible ? La réponse, détaillée, se trouvera dans ces pages, texte et vidéo à l'appui.
L’histoire en bref
En 2004, l’auteur a publié un ouvrage critique sur l’analyse technique, montrant par l’expérience que les marchés ne sont pas aléatoires et peuvent être partiellement modélisés par intelligence artificielle à partir de tendances créées sur des cours fictifs, excluant tout apriori dogmatique.
En 2020, l’auteur a refait ces expériences avec les mêmes outils améliorés, et a publié sur ce site les vidéos complètes de l’expérience.
Les conclusions de 2004 sont confirmées. Il est donc possible de modéliser des systèmes trend following en leur faisant apprendre des trends générés aléatoirement.
L’expérience est présentée à chaque fois en vidéo complète avec test sur données non vues.
L'expérience publiée en 2004 : à lire ou à relire...
L’idée peut paraître saugrenue, déjà que faire des systèmes de trading de façon classique (et qui fonctionnent longtemps), ce n’est pas forcément évident.
Celle-ci provient d’un livre critique sur l’analyse technique (Les systèmes de trading …et quelques controverses sur l’analyse technique des marchés financiers) , publié en 2004 , épuisé et non réédité, où j’y avais montré que le logiciel d’intelligence artificielle Safir-Xp pouvait apprendre sur des cours de bourse fictifs, générés à partir de données certifiées aléatoires (séries de 0 et 1, acquises pour l’occasion), et transformées en cours de bourse par concaténation (en faux tick by tick, donc).
Les systèmes de trading ainsi produits, ne devant pourtant rien à la magie de la Finance et de l’analyse technique réunies pouvaient fonctionner de façon relativement acceptable sur des contrats de futures.
Au choix, l’expérience de 2004 confirmait que les données de marché ne sont pas aléatoires, que le logiciel Safir-Xp fonctionnait et suggérait que l’analyse technique empirique reposait sur une croyance pour partie légitime, mais pas que…
L’expérience originale de 2004 est décrite dans les chapitres 2 et 3 du livre Les systèmes de trading …et quelques controverses sur l’analyse technique des marchés financiers que vous pouvez consulter au format PDF en français et en anglais (traduction machine par DeepL) .
Chapitre 2 ( PDF) : →
Les marchés sont-ils ou non aléatoires ?
Ce chapitre explique la genèse de cette vérification.
Chapitre 3 (PDF) : →
L’analyse technique et le hasard.
Ce chapitre décrit l’expérience de vérification, les résultats et en tire de multiples conclusions
Traduction machine DeepL
L'expérience de 2004, refaite en 2020 et enregistrée intégralement en vidéo 4k
Les données pseudo aléatoires confirment
En 2004, les données aléatoires étaient transformées en barres fictives de x minutes. Les conditions pour que le logiciel trouve des solutions n’étaient pas optimales, et pourtant le résultat était quand même là.
Quelques critiques arguant insidieusement d’un bug logiciel m’ont conduit à refaire l’expérience, cette fois en vidéo et avec les derniers travaux.
On prendra cette fois des données pseudo aléatoires générées à la demande (aucun biais possible, les séries changent à chaque rechargement du fichier) .
Et au lieu d’utiliser des barres de X minutes, ce sont des barres filtrées ( X bars, propriétaires) , mais toujours générées à partir de séries chronologiques pseudo aléatoires.
Depuis, l’approche a été raffinée et avec la version SAFIR-Xp 2020, les résultats sont exploitables plus facilement.
Pour rester au plus près de l’expérience de 2004 et pour avoir des résultats systématiquement positifs, les Xbars sont à un niveau de filtrage minimal. Vous verrez dans l’expérience suivante qu’on peut largement améliorer le système.
Pour l’heure, il s’agit de montrer que l’expérience de 2004 se généralise apprentissage sur des données aléatoires et test sur données non vues de marché, et encore plus facilement et de façon répétitive qu’en 2004.
Le nombre d’expériences réalisées dans ces vidéos à partir de données pseudo aléatoires permet de tirer les mêmes conclusions qu’en 2004.
Des perspectives nouvelles avec les données pseudo aléatoires
Cette section du site vous propose des videos en haute définition (UHD 4K) montrant les différents aspects du concept et son application pratique ( la mise en place des différentes phases lors du fonctionnement filmé de la suite logicielle).
Les avantages sont multiples dès lors que la pratique s’avère robuste :
Plus besoin de choisir les données d’apprentissage : Toutes vos données de marché même les plus anciennes sont des données non vues utilisables en test, l’apprentissage sur données aléatoires ne peut pas les avoir vues, et elles ne sont pas reproductibles.
Pas besoin de version de démonstration du logiciel, les vidéos montrant le fonctionnement du logiciel suffisent.
Il y en aura ici assez et variées.
Le track record, preuve reine de la validité d’un système de trading peut être avantageusement remplacé ou du moins étayé par un track record simulé, y compris sur un passé ancien.
Et donc, pas besoin de publier des résultats en temps réel, les vidéos de développement et de backtest sur données de marché vraiment non vues doivent permettre de se faire une idée de la validité des systèmes beaucoup plus rapide que d’attendre des mois ou des années de mise en production.
Plus d’explications à venir sur ces avantages.
(1)Les systèmes de trading et quelques controverses sur l’analyse technique des marchés financiers . 367 pages Edition: Paris : Gualino, 2004 –Auteur du texte : Pierre Orphelin
Mais attention, tout ceci est conditionné impérativement par des tests exhaustifs sur les données de marché, obligatoires et extrêmement soignés (pas de data snooping).
- Les biais cognitifs habituels ne sont pas évités si vous choisissez des systèmes qui ne généralisent pas suffisamment.
- L’utilisation du money management dynamique du portefeuille atténue cet inconvénient, mais ne le supprimera jamais complètement.
- Nous verrons plus loin deux autres méthodes hybrides encore plus intéressante à partir de données pseudo aléatoires biaisées ou de transfert de bruit réel sur des trends aléatoires.
- Pour l’heure, on vérifiera l’expérience de 2004 avant de passer à la suite.
- Les quatre vidéos suivantes (2020) commentées doivent répondre à la plupart des questionnements de l’expérience de 2004.
1- Apprentissage de systèmes de trading sur données aléatoires par intelligence artificielle et test sur données de marché
Première video sur une série concernant le trading automatique par intelligence artificielle en utilisant des données synthétiques pour l’apprentissage avec SAFIR-Xp 2020.
Ici l’apprentissage est fait non pas sur des données de marché , mais sur des cours synthétiques générés par des fonctions aléatoires.
Les systèmes ainsi obtenus sont ensuite appliqués à des vraies données de marché.
L’expérience est faite en vidéo au format 4k, tous les détails sont bien visibles.
Les enregistrements ont été faits en une seule prise, vous comprendrez pourquoi, cela fait partie de la démonstration et de l’explication de l’approche de la suite logicielle TTSF qui cherche dans sa méthodologie à éviter les problèmes d’optimisation, de data snooping et autres biais cognitifs.
2 -Nouvelles données aléatoires sur portefeuille de test (entraîné sur d'autres données aléatoires) : Vérification de 2- l'impossibilité à obtenir des résultats
Voici une preuve expérimentale que l’inverse ne peut pas fonctionner, sauf par hasard. Il est possible d’apprendre les systèmes de trading à partir de données aléatoires (une fois sélectionnées). Ils pourraient alors fonctionner sur des données réelles du marché, mais pas sur un autre ensemble de données aléatoires.
Ceci est interdit par le Théorème central limite.
Ont été ajoutées à la fin de la vidéo quelques remarques sur la différence indécelable visuellement entre les données aléatoires et les données de marché. Une bonne raison d’être prudent avec l’analyse technique graphique des marchés financiers. Ce que vous voyez sur le graphique n’est peut-être pas ce que vous croyez y voir…
3- Systèmes de trading apprenant sur données aléatoires OU sur données de marché: Comparaison des deux approches (PARTIE 1/2)
La suite logique de la série sur l’apprentissage de systèmes de trading par intelligence artificielle.
La possibilité d’apprendre sur des cours synthétiques est bien réelle et permet d’obtenir des systèmes de trading qui généralisent de façon inattendue (pour nombre de personnes) sur des vraies données de marché.
Mais alors, comment se positionne cette approche par rapport à la démarche classique ? Il suffit de regarder les deux vidéos ( PART 1 et 2, ), enregistrées en direct sans présélection et dans moins de 16 minutes vous aurez plus qu’un embryon de réponse.
4- Systèmes de trading apprenant sur données aléatoires OU sur données de marché: on compare (PARTIE 2/2)
La suite logique de la série sur l’apprentissage de systèmes de trading par intelligence artificielle. La possibilité d’apprendre sur des cours synthétiques est bien réelle et permet d’obtenir des systèmes de trading qui généralisent de façon inattendue ( pour nombre de personnes) sur des vraies données de marché. Mais alors, comment se positionne cette approche par rapport à la démarche classique ? Il suffit de regarder les deux vidéos ( PART 1 et 2, celle ci est la seconde), enregistrées en direct sans présélection et dans moins de 16 minutes vous aurez plus qu’un embryon de réponse.