Les Réseaux Neuronaux
Une autre voie attire depuis quelques années d'énormes efforts de recherche à Wall Street. C'est une autre utilisation de l'intelligence artificielle qui est appliquée au trading au moyen d'architectures systèmes appelées des Réseaux Neuronaux (RN) car ils sont destinés à émuler le fonctionnement des neurones des cerveaux humains. Les réseaux neuronaux sont capables de capter les nuances implicites, nous dit Fishman, autrement dit, toutes ces associations que nous faisons intuitivement sans pouvoir les expliquer. Avec es réseaux neuronaux, plus besoin d'experts pour définir les règles de trading. Ce seront des neurones électroniques qui analyseront les données du marché. Les réseaux définiront les pondérations respectives allouées à toute donnée ayant un caractère "prédictif".
En théorie au moins, les RN seront destinés à prendre des décisions de trading tirées d'inférences qu'ils auront décelées à partir de situations apprises. Ils sauront choisir et pondérer la ou les situations passées qui sont les plus proches de la situation courante étudiée. Ces réseaux seront composés de neurones électroniques par le maillage desquels passeront des informations de marché (les entrées) qui seront traitées pour aboutir à des prédictions (les sorties). En général chaque neurone en amont (autrement dit de la couche extérieure) sera lié à tous les neurones de la couche suivante, le tout aura une architecture de réseau similaire au schéma ci-dessous.
Des coquilles vides de RN sont actuellement vendues pour quelques centaines de dollars. Ces coquilles sont des cerveaux vierges qu'il faudra éduquer. En phase d'entraînement, la coquille sera stimulée par des entrées (informations entrées) jusqu'à ce qu'ils tirent des liens suffisamment forts pour sortir des résultats exploitables (les outputs).
Dans cette phase d'entrainement, le système est nourri d'entrées comme la valeur du jour de l'indice, le niveau courant du Fed Fund, le taux d'escompte et de sorties désirées comme la valeur de l'indice boursier dans X jours. Le RN est alors forcé à donner la valeur de sortie désirée. Cette phase permet d'ajuster les pondérations des liaisons inter-neuronales ainsi que les seuils ou paliers déclencheurs des neurones. Par entrainements successifs, le système améliorera ses chances de prévoir correctement sa sortie. Le procédé de backwardisation ou d'ajustement par chaînage arrière, consiste à contraindre les neurones à affiner leurs inter-pondérations à partir de sorties connues au travers d'itérations successives qui remonteront des sorties ou outputs vers les entrées ou inputs. Une fois que le RN aura atteint un résultat satisfaisant, une fois la cartographie du RN établie, le système ainsi autoprogrammé sera testé avec des données historiques qui seront différente3 de celles qui auront été utilisées en phase d'entrainement. Pendant la phase de test, le RN ne peut plus s'ajuster. Si ces essais sont concluants le RN sera utilisée sur les marchés. L'avantage du RN face à un système de trading ou un système expert, c'est qu'il pourra être ré-entrainé et modifié plus tard sur de nouvelles séries de données.
réseau neuronal
Nous imaginons sans mal que la valeur du RN dépendra avant tout du choix des entrées, autrement dit des séries statistiques choisies, ainsi que des sorties exigées. Trop d'entrées fera courir le risque de sur-optimisation, troc peu d'entrées empêchera le RN de trouver des ingérences utiles. Les m~ seront d'autant plus utiles que les entrées choisies seront pertinentes, le concepteur du RN tâchera, par exemple, de ne pas noyer le réseau avec des entrées faisant double emploie. Les RN assimileront aussi plus facilement des données comparatives telles que les valeurs des oscillateurs ou de ratios que des données brutes de prix par exemple. Il est tout aussi important de se fixer des sorties réalistes et qui soient cohérentes avec les données entrées. Lou Mendelsohn un concepteur de RN divise les sorties en quatre types: classement, reconnaissance de structure, nombre précis (par exemple e niveau de clôture du Dow Jones du lendemain) et optimisation. Pour des prévisions en chiffres, les expériences les plus récentes démontrent que si certains RN arrivent à faire des prévisions exploitables de cours ou d'indices ~ très court terme comme des projections du Standard & Poor's à 5 jours Jans le furtur (voir illustration), les prévisions quantitatives à plus long terme paraissent, pour l'heure, hors de portée.
réseau SP500
Un inconvénient des RN, c'est que les associations et ingérences trouvées et exploitées étant définies de façon interne, elles ne sont pas connues du trader. Ainsi, comme nous le dit Fishman si les "règles du jeu" changent brusquement, le RN continuera à fonctionner comme si de rien n'était. C'est comme si un système de pilotage automatique entrai né pour faire atterrir un avion sur la piste de Charles de Gaulle à Roissy, était utilisé pour un atterrissage sur une piste de l'aéroport d'Orly. Le résultat risque d'être hautement imprévisible, pour ne pas dire tragique ...
(Source Mataf)
Cet article est un bon début pour comprendre les bases de ces systèmes, si certains sont plus calés sur le sujet, ils sont les bienvenus...
Une autre voie attire depuis quelques années d'énormes efforts de recherche à Wall Street. C'est une autre utilisation de l'intelligence artificielle qui est appliquée au trading au moyen d'architectures systèmes appelées des Réseaux Neuronaux (RN) car ils sont destinés à émuler le fonctionnement des neurones des cerveaux humains. Les réseaux neuronaux sont capables de capter les nuances implicites, nous dit Fishman, autrement dit, toutes ces associations que nous faisons intuitivement sans pouvoir les expliquer. Avec es réseaux neuronaux, plus besoin d'experts pour définir les règles de trading. Ce seront des neurones électroniques qui analyseront les données du marché. Les réseaux définiront les pondérations respectives allouées à toute donnée ayant un caractère "prédictif".
En théorie au moins, les RN seront destinés à prendre des décisions de trading tirées d'inférences qu'ils auront décelées à partir de situations apprises. Ils sauront choisir et pondérer la ou les situations passées qui sont les plus proches de la situation courante étudiée. Ces réseaux seront composés de neurones électroniques par le maillage desquels passeront des informations de marché (les entrées) qui seront traitées pour aboutir à des prédictions (les sorties). En général chaque neurone en amont (autrement dit de la couche extérieure) sera lié à tous les neurones de la couche suivante, le tout aura une architecture de réseau similaire au schéma ci-dessous.
Des coquilles vides de RN sont actuellement vendues pour quelques centaines de dollars. Ces coquilles sont des cerveaux vierges qu'il faudra éduquer. En phase d'entraînement, la coquille sera stimulée par des entrées (informations entrées) jusqu'à ce qu'ils tirent des liens suffisamment forts pour sortir des résultats exploitables (les outputs).
Dans cette phase d'entrainement, le système est nourri d'entrées comme la valeur du jour de l'indice, le niveau courant du Fed Fund, le taux d'escompte et de sorties désirées comme la valeur de l'indice boursier dans X jours. Le RN est alors forcé à donner la valeur de sortie désirée. Cette phase permet d'ajuster les pondérations des liaisons inter-neuronales ainsi que les seuils ou paliers déclencheurs des neurones. Par entrainements successifs, le système améliorera ses chances de prévoir correctement sa sortie. Le procédé de backwardisation ou d'ajustement par chaînage arrière, consiste à contraindre les neurones à affiner leurs inter-pondérations à partir de sorties connues au travers d'itérations successives qui remonteront des sorties ou outputs vers les entrées ou inputs. Une fois que le RN aura atteint un résultat satisfaisant, une fois la cartographie du RN établie, le système ainsi autoprogrammé sera testé avec des données historiques qui seront différente3 de celles qui auront été utilisées en phase d'entrainement. Pendant la phase de test, le RN ne peut plus s'ajuster. Si ces essais sont concluants le RN sera utilisée sur les marchés. L'avantage du RN face à un système de trading ou un système expert, c'est qu'il pourra être ré-entrainé et modifié plus tard sur de nouvelles séries de données.
réseau neuronal
Nous imaginons sans mal que la valeur du RN dépendra avant tout du choix des entrées, autrement dit des séries statistiques choisies, ainsi que des sorties exigées. Trop d'entrées fera courir le risque de sur-optimisation, troc peu d'entrées empêchera le RN de trouver des ingérences utiles. Les m~ seront d'autant plus utiles que les entrées choisies seront pertinentes, le concepteur du RN tâchera, par exemple, de ne pas noyer le réseau avec des entrées faisant double emploie. Les RN assimileront aussi plus facilement des données comparatives telles que les valeurs des oscillateurs ou de ratios que des données brutes de prix par exemple. Il est tout aussi important de se fixer des sorties réalistes et qui soient cohérentes avec les données entrées. Lou Mendelsohn un concepteur de RN divise les sorties en quatre types: classement, reconnaissance de structure, nombre précis (par exemple e niveau de clôture du Dow Jones du lendemain) et optimisation. Pour des prévisions en chiffres, les expériences les plus récentes démontrent que si certains RN arrivent à faire des prévisions exploitables de cours ou d'indices ~ très court terme comme des projections du Standard & Poor's à 5 jours Jans le furtur (voir illustration), les prévisions quantitatives à plus long terme paraissent, pour l'heure, hors de portée.
réseau SP500
Un inconvénient des RN, c'est que les associations et ingérences trouvées et exploitées étant définies de façon interne, elles ne sont pas connues du trader. Ainsi, comme nous le dit Fishman si les "règles du jeu" changent brusquement, le RN continuera à fonctionner comme si de rien n'était. C'est comme si un système de pilotage automatique entrai né pour faire atterrir un avion sur la piste de Charles de Gaulle à Roissy, était utilisé pour un atterrissage sur une piste de l'aéroport d'Orly. Le résultat risque d'être hautement imprévisible, pour ne pas dire tragique ...
(Source Mataf)
Cet article est un bon début pour comprendre les bases de ces systèmes, si certains sont plus calés sur le sujet, ils sont les bienvenus...
Commentaire