Aperçu

La stratégie de prédiction par onde gaussienne est une stratégie de trading quantitatif basée sur le filtrage gaussien. Elle utilise les propriétés de lissage du filtre gaussien pour filtrer à plusieurs reprises la série de prix, générant ainsi plusieurs séries de prix lissées. En combinant ces séries de prix avec un ajustement polynomial, elle permet de prédire les prix futurs. En fonction des résultats de prédiction, elle émet des recommandations de position longue ou courte.

Principe de la stratégie

Le cœur de cette stratégie est l'algorithme de filtrage gaussien. Le filtre gaussien est un filtre de lissage linéaire qui utilise la fonction gaussienne comme poids. Dans la stratégie, le paramètre p définit la taille de la fenêtre de filtrage. Le coefficient de filtrage alfa est ensuite calculé via des fonctions trigonométriques. Chaque série de prix ret\[i\] représente le résultat après i filtrages gaussiens de la série de prix d'origine.

La stratégie utilise une approche récursive. Tout d'abord, avec alfa et la série de prix d'origine price, on calcule le premier filtrage ret. Ensuite, sur la base de ret, on effectue un deuxième filtrage pour obtenir ret2, et ainsi de suite. Enfin, en combinant plusieurs séries de prix, on ajuste une courbe pour prédire le prix futur ret4. Si le prix prédit est supérieur au prix réel actuel, on prend une position longue ; s'il est inférieur, on prend une position courte.

Ainsi, en filtrant plusieurs fois, on peut lisser et mieux ajuster la tendance. En parallèle, l'ajustement polynomial permet de prédire l'évolution des prix à court terme.

Analyse des avantages

Cette stratégie présente les avantages suivants :

1. Utilisation du filtrage gaussien pour lisser les prix. Cela permet de filtrer efficacement le bruit haute fréquence, rendant la stratégie plus stable.
2. Filtrages récursifs multiples. Cela permet de mieux ajuster la tendance des prix et d'obtenir de meilleures prédictions.
3. Prédiction des prix basée sur un ajustement polynomial. Cela permet de modéliser l'évolution des prix à court terme, générant ainsi des signaux de trading.
4. Décision basée sur la comparaison du prix actuel et du prix prédit. Les signaux de trading sont directement liés à la prédiction de tendance, évitant de manquer des opportunités.
5. Mise en œuvre simple, facile à comprendre et à optimiser. Il peut servir de module de base pour les stratégies haute fréquence et être étendu avec d'autres indicateurs d'analyse.

Analyse des risques

Cette stratégie comporte également les risques suivants :

1. L'effet de lissage du filtre gaussien face à des variations soudaines de prix peut faire manquer des opportunités de trading à court terme.
2. L'ajustement polynomial présente un risque de surajustement. Un changement brutal du modèle de prix peut dégrader la performance des prédictions.
3. La taille de la fenêtre de filtrage et l'ordre du polynôme d'ajustement doivent être définis avec précision. Un réglage inapproprié peut entraîner un échec.
4. La stratégie ne s'appuie que sur le prix d'ouverture pour générer des signaux. Elle ne peut pas être utilisée pour des transactions en cours de séance.

Pistes d'optimisation

Cette stratégie peut être optimisée dans les directions suivantes :

1. Ajouter un mécanisme d'entraînement du modèle et de réentraînement sur fenêtre glissante. Permettre un ajustement dynamique des paramètres de la stratégie pour réduire le risque de surajustement.
2. Intégrer davantage d'indicateurs et de caractéristiques de prix. Enrichir les entrées de la stratégie pour rendre les prédictions plus stables.
3. Ajouter un mécanisme de stop-loss. Fixer un ratio de perte maximale pour éviter des pertes importantes en cas de conditions de marché extrêmes.
4. Optimiser la gestion des positions. Ajuster dynamiquement la taille des positions en fonction de la précision des prédictions et de la volatilité.
5. Tenter des prédictions basées sur des modèles d'apprentissage automatique courants, tels que les modèles d'apprentissage profond comme LSTM, pour améliorer encore la capacité prédictive de la stratégie.

Résumé

Dans l'ensemble, cette stratégie est une stratégie quantitative haute fréquence qui utilise le filtrage gaussien et l'ajustement polynomial pour prédire les prix. Elle présente certains avantages, mais aussi des axes d'amélioration. En intégrant davantage de caractéristiques, en introduisant des mécanismes d'optimisation tels que le réglage dynamique des paramètres et le stop-loss, les performances de la stratégie peuvent être améliorées. Cette stratégie jette les bases des stratégies haute fréquence et mérite d'être étudiée plus avant.