Salut, communautĂ© ! đ
Le marché des cryptomonnaies est un chaos, une volatilité et un stress 24/7. Peut-on le maßtriser grùce aux mathématiques et au code ?
DerniĂšrement, je travaille sur un projet personnel â un agent de trading basĂ© sur l'Ensemble Machine Learning. Ce n'est pas juste un "bot sur le RSI", mais une architecture complexe qui combine trois rĂ©seaux neuronaux diffĂ©rents pour prendre des dĂ©cisions.
Je veux partager des détails techniques et l'architecture. C'est un aperçu purement technique de l'expérience, et non un appel à l'action.
đ§ "Cerveau" du systĂšme : Qu'est-ce que l'apprentissage par ensemble ?
Un modĂšle se trompe souvent. C'est pourquoi j'ai utilisĂ© l'approche Ensemble â c'est comme un conseil d'administration, oĂč la dĂ©cision est prise par le vote de trois experts diffĂ©rents.
Mon agent analyse les paires (BTC, ETH, BNB, SOL, XRP) sur différentes périodes, en utilisant trois modÚles :
1. CatBoost (Analyste) :
âą Algorithme de boosting par gradient.
⹠Que fait-il : Cherche des relations non linéaires entre 31 indicateurs (RSI, volumes, volatilité).
⹠Force : La plus haute précision (AUC ~0.75) sur des données tabulaires.
2. Transformateur (Stratégie) :
âą La mĂȘme architecture qui sous-tend ChatGPT, mais pour les chiffres.
⹠Que fait-il : Analyse 512 bougies historiques à travers le mécanisme de Self-Attention.
âą Force : Voit des motifs globaux et des contextes Ă long terme.
3. TCN (Tactique) :
âą RĂ©seau de convolution temporelle.
âą Que fait-il : Se concentre sur les tendances locales.
⹠Force : TrÚs rapide et efficace pour les prévisions à court terme.
đ Comment la dĂ©cision est-elle prise ?
Chaque modĂšle "vote". L'agent prend la moyenne pondĂ©rĂ©e de leurs prĂ©visions. Cela permet de filtrer les faux signaux : si un modĂšle panique, tandis que deux autres restent calmes â la transaction ne s'ouvre pas.
đĄ Gestion des risques > Profit
Le principal problĂšme des bots â ils peuvent "vider" le dĂ©pĂŽt en une nuit. C'est pourquoi j'ai construit un systĂšme de protection avant mĂȘme de l'apprendre Ă trader :
âą Stops dynamiques : Stop-Loss et Take-Profit ne sont pas fixes, mais s'adaptent Ă la volatilitĂ© du marchĂ© (via ATR). Si le marchĂ© fluctue â les stops sont plus larges, si c'est plat â plus Ă©troits.
âą Architecture Ă double vitesse :
âą Cycle lent (5 min) : Pense, choisit les meilleures piĂšces pour la liste de surveillance.
⹠Cycle rapide (1 sec) : Exécute des transactions, surveille les spreads et la liquidité.
⹠Protection contre le "Tilt" : Limitation de la perte quotidienne (max 3%), limitation des positions ouvertes et périodes de cooldown entre les transactions.
đ RĂ©sultats des tests (Chiffres honnĂȘtes)
Sur des données historiques (Backtesting), le systÚme montre une métrique AUC de 0.71-0.73.
Pour rĂ©fĂ©rence : AUC 0.5 â c'est un lancer de piĂšce. AUC 0.7+ â c'est dĂ©jĂ une capacitĂ© statistiquement significative Ă prĂ©dire la direction.
Cela ne signifie pas un bouton "argent", mais cela donne une attente mathématique positive en respectant la gestion des risques (ratio Risque/Récompense 1:2).
đ Feuille de route : Que se passe-t-il ensuite ?
Le projet est en phase de développement actif. Voici ce que je prévois d'ajouter :
1. Analyse du carnet de commandes : Apprendre au réseau neuronal à regarder non seulement le prix, mais aussi le carnet d'ordres (déséquilibre acheteurs/vendeurs).
2. Adaptation au rĂ©gime : L'agent doit comprendre de lui-mĂȘme ce qui se passe actuellement sur le marchĂ© : tendance ou latĂ©ral, et changer automatiquement les poids des modĂšles.
3. Apprentissage par renforcement (RL) : Ajouter un agent qui apprendra à gérer la taille de la position, en se "punissant" pour les pertes et en se "récompensant" pour les bonnes entrées.
đ» Stack technique : Python, Asyncio, PyTorch, CatBoost. MatĂ©riel : NVIDIA RTX 4070.
Il est intéressant d'entendre l'avis d'autres développeurs et traders : quelle est votre opinion sur l'IA dans le trading ? Croyez-vous que les algorithmes peuvent battre le marché sur la distance ?
Ăcrivez dans les commentaires ! đ
