Année 2014, j’ai décidé de commencer l’année simplement. Mon premier projet a été d’analyser les données macro-économiques pour essayer de prédire les krachs boursiers. J’ai donc récupéré de nombreuses données sur 1 siècle ou plus (lorsque c’était possible), sur une base mensuelle. Dans ces données, j’ai collecté les indices PMI, Ted Spread, Taux de chômage, Phili Fed etc… Pour faire un premier tri j’ai superposé les courbes de ces indices sur le dow jones et le pib us pour ne conserver que les plus parlants. Ensuite j’ai tout entrée dans Excel pour analyser ça, savoir si ces données avaient un impact réel ou non sur la bourse pour le mois suivant (formule de Bayes, pour séparer corrélation ou causalité), malheureusement et aussi surprenant que cela puisse paraitre la réponse a été non. Le hasard marche aussi bien pour prédire les krachs ou des croisements de moyenne mobile longue. Mais je retenterais plus tard avec d’autres technologies plus modernes.

Ensuite, je me suis attaqué aux news, il est difficile pour un algorithme de les lires et les interprétés correctement, j’ai donc choisie des informations simples, upgrade et downgrade d’analyste, profit warning, annonce de résultat. Pour que le trade soit profitable, il faut un empilement de news, une seule et le mouvement n’est pas assez prononcés et donc on risque d’arriver en retard. Les news ont deux effets sur le cour, lorsque la news tombe le cour décale immédiatement et se calme dans la journée, ensuite on a un effet « momentum », la tendance se poursuit quelques semaines (les gros poissons se placent à long terme). La première partie de l’effet est profitable, la seconde absolument pas (peut-être que plus de détail sur la nouvelle permettrait un tri). Donc idem je retenterais plus tard avec d’autres technologies pour mieux interpréter les news.

J’ai décidé de revenir sur le swingtrading avec deux technologies différentes. Deep learning (réseaux de neurones à plus de 2 couches cachées) et une variante des cartes auto-organisatrice de Kohonen. J’ai créé deux nouveaux logiciel Deep Q Learning, qui est un réseau de neurones à 5 couches capable d’apprendre par renforcement ou guider. J’ai fourni des données (cours, indicateur technique classique) sur les cours au logiciel afin de prévoir N+1 à N+5 selon les essais. C’est un échec le logiciel arrête trop vite d’apprendre et les tests sont un fiasco.(la capture d’écran est parlante, 1 = hausse , 0 = baisse ou stagnation)

dql.jpg

 

Ensuite, j’ai testé une approche basée sur les « paterns », voir s’il y a des motifs qui reviennent souvent en bourse. J’ai donc isolé 344 motifs en utilisant une bêta d’Oracle (un logiciel que j’ai créé utilisant les cartes auto-organisatrices de Kohonen) et ils s’avèrent que certains motifs semble très profitable. J’ai donc décidé de mettre cette idée de côté et la reprendre pour plus tard. (le logiciel affiche que les motifs ayant au moins 6 trades et minimum 2% en moyenne des gains)

oracle swing trading.jpg
Enfin, j’ai décidé de perfectionner Oracle pour en faire une version capable de détecter les entreprises ayant le plus de potentiels à long terme.

oracle12f.jpg

Finalement, l’année a été bonne après avoir revu la série Caprica et autres choses (je corrigerai si ça me revient), j’ai eu un déclic. Je me suis dit finalement le souci n’est pas les algorithmes, j’ai les meilleurs sous la main, le souci vient des données. Donc je travaillerais surtout avec des données plus pertinentes et massives pour les prochains essaient.

Publicités