Discussion de l'article "Utilisation des règles d'association dans l'analyse des données Forex"

Nouveau commentaire
 

Un nouvel article Utilisation des règles d'association dans l'analyse des données Forex a été publié :

Comment appliquer les règles prédictives de l'analyse des données de vente au détail en supermarché au marché réel du Forex ? Quel est le lien entre les achats de biscuits, de lait et de pain et les transactions boursières ? Cet article présente une approche novatrice du trading algorithmique basée sur l'utilisation de règles d'association.

Je travaille avec des données depuis longtemps et j'ai constaté que de nombreuses idées fructueuses proviennent de domaines connexes. Aujourd'hui, je souhaite partager mon expérience de l'utilisation des règles d'association dans le trading. Cette méthode a fait ses preuves dans l'analyse des données de vente au détail, nous permettant de trouver des liens entre les achats, les transactions, les variations de prix et l'offre et la demande futures. Et si on l'appliquait au marché des changes ?

L'idée de base est simple : nous recherchons des schémas stables de comportement des prix, des indicateurs et leurs combinaisons. Par exemple, à quelle fréquence une hausse de l'EURUSD fait-elle suite à une baisse de l'USDJPY ? Quelles sont les conditions qui précèdent le plus souvent les mouvements importants ?

Dans cet article, je vais vous présenter le processus complet de création d'un système de trading basé sur cette idée. Nous allons :

  1. Collecter les données historiques en MQL5
  2. Les analyser en Python
  3. Identifier les tendances significatives
  4. Les transformer en signaux de trading

Pourquoi cette liste en particulier ? MQL5 est idéal pour travailler avec les données boursières et automatiser les transactions. Python fournit à son tour de puissants outils d'analyse. D'après mon expérience, je peux affirmer que cette combinaison est très efficace pour développer des systèmes de trading.

La première étape de l'analyse consiste à comprendre la distribution des principales métriques des règles trouvées. Le graphique de distribution du « support », de la « confiance », du « lift » et du « levier » permet d'évaluer la qualité des règles trouvées et, si nécessaire, d'ajuster les paramètres de l'algorithme.


Auteur : Yevgeniy Koshtenko

 

Apparemment, on suppose que le lecteur doit déjà avoir une certaine connaissance de cette méthode, et si ce n'est pas le cas ?

Je ne comprends pas les mesures mentionnées, en particulier :

Lift est devenu mon indicateur préféré. Après des centaines d'heures de tests, j'ai remarqué une tendance : les règles dont le lift est supérieur à 1,5 fonctionnent vraiment sur le marché réel. Cette découverte a sérieusement influencé mon approche du filtrage des signaux.

Si j'ai bien compris la méthode, des signaux corrélés sont recherchés dans les segments quantiques. Mais je ne comprenais pas l'étape suivante. Quel est le segment cible ? Je suppose que les règles résultantes sont comparées à la cible et évaluées par rapport aux mesures.

Si c'est le cas, cela fait écho à ma méthode, et il est intéressant d'évaluer les performances et l'efficacité.

 
Bonjour, Eugène ! S'il vous plaît écrivez-moi (je vous ai envoyé une demande d'ajout en tant qu'ami, il y a un sujet de conversation sérieux (les modèles de promoteurs et leur application pratique). Je vous remercie de votre réponse et vous prie d'agréer, Andrey, l'expression de mes salutations distinguées.
Nouveau commentaire