LSTM Top Mistake In Price Movement Predictions For Trading

Summary

Dans cette vidéo, l'auteur explique comment utiliser les réseaux neuronaux récurrents (RNN) et les réseaux de mémoire à long terme (LSTM) pour prédire les mouvements des prix sur les marchés boursiers, le forex ou les cryptomonnaies. Bien que la prédiction du prix de clôture suivant semble prometteuse, la prédiction des mouvements réels de prix entre deux jours révèle des défis importants. L'auteur met en évidence les complexités de la prévision en temps réel et souligne l'importance de l'amélioration des modèles, des indicateurs techniques et des paramètres d'entraînement pour obtenir des résultats plus précis dans des conditions réelles de trading.

Takeaways

• 😀 Les réseaux de neurones, en particulier les LSTM, sont utilisés pour prédire les prix des actions, du forex ou des cryptomonnaies.
• 😀 Le modèle LSTM tente de prédire le prix de clôture de la bougie suivante ou le mouvement du prix entre deux bougies consécutives.
• 😀 Les résultats initiaux semblaient bons car le modèle prédisait des valeurs proches du prix actuel, mais cela ne reflète pas la réalité du trading.
• 😀 L'ajout d'indicateurs techniques (comme RSI, moyennes mobiles, etc.) dans les données permet au modèle de faire des prédictions plus éclairées.
• 😀 Lors de la prédiction du prix de clôture de la bougie suivante, les résultats sont souvent proches du prix actuel, ce qui donne une fausse impression de précision.
• 😀 Lorsque le modèle essaie de prédire les mouvements réels des prix (en pips), les résultats montrent un écart important par rapport aux données réelles.
• 😀 La principale difficulté avec les LSTM pour la prévision des prix réside dans la complexité de prévoir les mouvements réels du marché.
• 😀 Le code Python utilisé dans la vidéo divise les données en 80% pour l'entraînement et 20% pour tester la précision des prédictions.
• 😀 LSTM peut fonctionner avec des fenêtres de temps variables, en utilisant des données de plusieurs jours pour faire une prédiction sur le prochain jour.
• 😀 Pour améliorer la précision du modèle, il est nécessaire d'optimiser les hyperparamètres du modèle (nombre de bougies, couches et nœuds dans le réseau).
• 😀 Le modèle prédisant les mouvements des prix en pips (au lieu du prix exact) pourrait être plus réaliste et applicable à la réalité du marché.

Q & A

Qu'est-ce qu'un réseau de neurones LSTM et comment est-il utilisé pour prédire les prix sur les marchés financiers ?

Un réseau de neurones LSTM (Long Short-Term Memory) est un type de réseau de neurones récurrent qui peut apprendre des dépendances à long terme dans des séries temporelles. Il est utilisé pour prédire les prix futurs en se basant sur les données historiques des marchés financiers, comme les prix d'ouverture, de fermeture, ainsi que des indicateurs techniques comme le RSI ou les moyennes mobiles.

Quelle est la différence entre prédire les prix de clôture et prédire les mouvements de prix en pips ?

Prédire les prix de clôture revient à estimer le prix exact de la prochaine bougie, tandis que prédire les mouvements en pips cherche à estimer combien de pips la paire de devises ou l'actif va monter ou descendre. La prédiction des mouvements en pips est plus difficile, car elle ne se contente pas d'un simple déplacement de prix prévisible.

Pourquoi les résultats de prédiction peuvent sembler bons, mais ne sont pas utiles pour le trading réel ?

Les résultats peuvent sembler bons lorsque le modèle prédit des prix proches de ceux des bougies précédentes, car il apprend que les prix de clôture ne changent pas beaucoup d'une bougie à l'autre. Toutefois, ces prédictions sont souvent peu fiables dans des situations de trading réelles, où les mouvements de prix sont plus volatils.

Quels sont les défis associés à l’utilisation d’un modèle LSTM pour prédire les marchés financiers ?

Les défis incluent la difficulté à prédire les mouvements de prix réels, car le modèle peut simplement apprendre à répéter les tendances passées sans prendre en compte la volatilité des marchés. De plus, il faut ajuster finement les hyperparamètres du modèle, comme le nombre de bougies passées utilisées ou les indicateurs techniques ajoutés.

Comment les indicateurs techniques peuvent-ils améliorer les prédictions du modèle LSTM ?

Les indicateurs techniques comme le RSI, les moyennes mobiles et d'autres personnalisés fournissent des signaux supplémentaires au modèle, lui permettant de mieux comprendre la dynamique du marché et d'améliorer ses prédictions en capturant des motifs complexes dans les données.

Qu'est-ce que la colonne 'target' et comment est-elle utilisée pour entraîner le modèle ?

La colonne 'target' représente la différence entre le prix de clôture actuel et celui de la bougie suivante. Cette colonne permet au modèle d'apprendre non seulement à prédire les prix de clôture, mais aussi à anticiper le mouvement de prix, ce qui est crucial pour la prédiction des tendances de marché.

Pourquoi le modèle est-il entraîné sur 80 % des données et testé sur 20 % restantes ?

Cette division des données permet d’entraîner le modèle sur une grande partie des données historiques, tout en testant sa capacité à généraliser sur des données nouvelles et non vues. Cela aide à évaluer si le modèle peut faire des prédictions fiables sur des données futures.

Quels ajustements peuvent être faits pour améliorer la précision des prédictions du modèle LSTM ?

Il est possible d'ajuster le nombre de bougies passées utilisées comme entrée du modèle, d'ajouter plus d'indicateurs techniques pertinents, ou d'optimiser les hyperparamètres du modèle, comme le nombre de couches et de nœuds dans chaque couche, pour améliorer les performances et les prédictions.

Quel est le problème avec la courbe verte dans le graphique des prédictions ?

La courbe verte, qui représente les prédictions du modèle, semble suivre de près la courbe noire des prix réels, mais cela est trompeur car le modèle apprend essentiellement à prédire des valeurs proches de celles de la bougie précédente. Cela crée une illusion de précision alors que, en réalité, les prédictions ne correspondent pas aux mouvements réels du marché.

Quelles modifications pourraient être apportées au modèle pour mieux prédire les mouvements de prix ?

Le modèle pourrait bénéficier d'un réajustement des indicateurs techniques utilisés, d’une meilleure sélection des paramètres d’entrée, et d’une analyse plus fine des mouvements de prix au lieu de simplement prédire le prix de clôture. De plus, l'amélioration des hyperparamètres du modèle pourrait améliorer sa capacité à capter les tendances sous-jacentes du marché.