Apprentissage automatique appliqué au trading

Définition

L’apprentissage automatique appliqué au trading consiste à ajuster un modèle à partir d’exemples tirés de données passées, afin qu’il produise des estimations pour de nouveaux cas. Parmi les variables possibles figurent les cours, les volumes, la taille de l’ordre et les conditions de marché. Le modèle peut, par exemple, estimer la probabilité qu’un ordre soit exécuté dans des conditions données. Il apprend des relations à partir des données, mais celles-ci peuvent évoluer. Une estimation ne constitue pas une certitude sur les résultats futurs.

Contrairement à une formule fixe, un modèle d’apprentissage automatique possède des paramètres ajustés à partir des données d’entraînement. Cette approche diffère également de l’utilisation d’une figure graphique comme règle de trading. Aucune des deux ne permet d’éliminer l’incertitude des marchés à venir.

Méthode de calcul

Il n’existe pas de formule unique pour l’apprentissage automatique appliqué au trading. Le calcul dépend de la tâche et du modèle choisi. Pour un modèle hypothétique simple estimant si un ordre sera exécuté dans un délai donné, on peut utiliser une régression logistique :

p = 1 / (1 + exp(-(b0 + b1*x1 + b2*x2)))

• p est la probabilité estimée d’exécution, exprimée par un nombre compris entre 0 et 1.
• exp désigne la fonction exponentielle.
• b0 est la constante ajustée ; b1 et b2 sont des coefficients ajustés. Dans cet exemple, ces trois valeurs sont sans unité.
• x1 correspond à la taille de l’ordre divisée par le volume quotidien moyen, exprimée sous forme de fraction ; x2 correspond à l’écart acheteur-vendeur coté divisé par le cours médian, également exprimé sous forme de fraction.

Les coefficients sont ajustés à partir d’observations passées dont les résultats sont connus ; ils ne sont pas choisis parce qu’ils semblent plausibles. L’évaluation du modèle doit s’appuyer sur des données exclues de l’ajustement et respecter l’ordre chronologique : une information devenue disponible après le passage d’un ordre ne peut pas servir de variable d’entrée pour cet ordre.

Exemple détaillé

Supposons qu’un modèle hypothétique ait été ajusté à partir d’ordres historiques. Sa constante est b0 = 0, son coefficient de participation est b1 = -2 et son coefficient d’écart relatif est b2 = -10. Ces valeurs rondes servent à illustrer le calcul ; elles ne correspondent pas à une relation mesurée.

1. Un ordre hypothétique de 10 000 actions porte sur un titre dont le volume quotidien moyen est de 100 000 actions. On obtient donc x1 = 10 000 / 100 000 = 0,10.
2. Supposons que l’écart acheteur-vendeur coté soit de 0,10 \(US et le cours médian de 50\) US. On obtient alors x2 = 0,10 $ US / 50 $ US = 0,002.
3. La valeur combinée des variables du modèle est 0 + (-2 × 0,10) + (-10 × 0,002) = -0,22.
4. Le résultat du modèle est p = 1 / (1 + exp(0,22)), soit environ 0,445 (44,5 %).

Ce chiffre correspondrait à une probabilité estimée d’exécution uniquement pour les conditions d’exécution et la fenêtre temporelle définies dans les données historiques du modèle. À lui seul, il ne renseigne ni sur le rendement ni sur l’adéquation de l’opération envisagée.

Pourquoi c’est important avant de passer un ordre

Une analyse pré-trade peut comparer la taille de l’ordre au volume disponible, examiner l’écart acheteur-vendeur et la volatilité, et tenir compte de l’incidence des conditions d’exécution sur l’incertitude. Les estimations issues de l’apprentissage automatique peuvent aider à organiser ces éléments, mais une probabilité n’a de sens que si le résultat est défini clairement, que les données sont pertinentes et que le modèle est testé sur des observations ultérieures. Un chiffre qui semble précis peut induire en erreur si les conditions de marché diffèrent de celles de la période d’entraînement.

Utilisation par PreTrAIde

PreTrAIde est une plateforme d’analyse pré-trade assistée par l’IA pour les actions. Les informations produit disponibles ne précisent pas l’utilisation d’un algorithme particulier d’apprentissage automatique ajusté à des transactions historiques. Sa couche quantitative produit des estimations et des scores déterministes et reproductibles portant notamment sur l’écart acheteur-vendeur, la participation au volume quotidien, l’impact de marché, la volatilité, la liquidité et la qualité des données. Des agents d’IA analysent ensuite chaque action et le panier à partir de ces scores, de l’actualité et des notations des analystes.

Pour un panier constitué par l’utilisateur, PreTrAIde fournit un verdict GO, NO-GO ou MODIFY, une probabilité de réussite, une évaluation du risque, une stratégie d’exécution suggérée et une explication en langage clair. La probabilité de réussite est une estimation de modèle plafonnée entre 5 % et 95 % ; ce n’est ni une prévision de rendement ni une garantie. Les verdicts sont des outils d’aide à la décision, pas des recommandations. Les utilisateurs passent eux-mêmes leurs ordres auprès de leur propre courtier.

Erreurs courantes

• Traiter une relation apprise par le modèle comme une loi valable dans toutes les conditions de marché.
• Tester le modèle sur des données contenant des informations futures ou l’ajuster à répétition jusqu’à ce qu’il corresponde aux résultats passés.
• Confondre la probabilité d’un événement défini, comme l’exécution d’un ordre, avec la probabilité de réaliser un bénéfice.
• Penser qu’une explication générée par l’IA prouve l’exactitude d’une estimation. Les variables d’entrée, la définition du résultat et la validation restent essentielles.
• Supposer que tous les outils pré-trade assistés par l’IA utilisent la même méthode d’apprentissage automatique.