Aperçu

Cette stratégie utilise un réseau de neurones artificiels pour prédire les variations futures des prix, et génère des signaux de trading en fonction des résultats de prédiction. C'est une stratégie de suivi de tendance. Ses avantages sont qu'elle peut identifier des tendances non linéaires complexes et est adaptée au trading à moyen et long terme. Cependant, il existe également un risque que les performances en backtesting soient bonnes mais les performances en trading réel soient médiocres.

Principe de la stratégie

Cette stratégie utilise un réseau de neurones artificiels (ANN) pour prédire la variation en pourcentage du jour suivant.

La couche d'entrée ne contient qu'un seul nœud d'entrée, qui correspond à la variation en pourcentage de la veille.

La couche cachée comprend 2 couches : la première a 5 nœuds, la seconde a 33 nœuds, toutes deux utilisant la tangente hyperbolique (tanh) comme fonction d'activation.

La couche de sortie ne contient qu'un seul nœud de sortie, qui passe par une fonction d'activation linéaire pour donner directement le résultat final de prédiction.

Si le résultat de prédiction est supérieur à la valeur du paramètre threshold, un signal d'achat est généré ; s'il est inférieur à la valeur négative du paramètre threshold, un signal de vente est généré.

Avantages de la stratégie

• Utilise un modèle ANN pour les prédictions, capable de s'adapter à des tendances non linéaires complexes.
• L'entrée n'utilise qu'une journée de données, ne nécessite pas une grande quantité de données historiques.
• Peut identifier des tendances à des échelles temporelles plus longues.
• Utilise plusieurs couches cachées, forte capacité d'adaptation.
• Les fonctions d'activation et les paramètres sont optimisés, ce qui donne de bonnes performances de prédiction.

Risques de la stratégie

• L'algorithme ANN présente un risque de surajustement (overfitting), les performances en trading réel peuvent être inférieures à celles du backtesting.
• Nécessite des données historiques longues pour l'entraînement, inadapté aux actions récemment cotées.
• Les paramètres et la structure nécessitent des optimisations répétées, les résultats sont instables.
• Ne prédit que la variation d'un seul jour, incapable d'évaluer la tendance à long terme.
• Lorsque le marché entre dans une phase de consolidation, les performances peuvent se dégrader.

Directions d'optimisation

• Augmenter les variables d'entrée, comme le volume de transactions, etc.
• Essayer différentes structures d'ANN et fonctions d'activation.
• Optimiser les paramètres de l'ANN pour améliorer la précision d'adaptation.
• Augmenter la taille de l'ensemble d'entraînement pour éviter le surajustement.
• Prédire sur plusieurs échelles de temps pour juger des tendances à court et long terme.
• Combiner avec d'autres modèles, apprentissage ensembliste (ensemble learning).
• Utiliser des indicateurs comme la volatilité pour renforcer le contrôle des risques.

Résumé

Cette stratégie utilise un modèle ANN pour prédire les variations de prix, capable d'identifier des tendances non linéaires complexes, adaptée au trading à moyen et long terme. Cependant, la nature boîte noire du modèle ANN pose également de grands défis en trading réel. Nous devons optimiser les caractéristiques d'entrée, la structure du modèle, les paramètres, l'apprentissage ensembliste (ensemble learning), etc., tout en les complétant par des indicateurs d'analyse technique traditionnels pour renforcer l'efficacité opérationnelle et réduire les risques en trading réel. Les stratégies basées sur l'intelligence artificielle doivent encore être parfaitement combinées avec les stratégies traditionnelles pour obtenir le maximum d'effet.