Thomas Paul HOSSEN

La formation machine learning s'adresse aux plus ambitieux qui ont déjà une expérience en bourse, que ce soit par du trading manuel ou par des stratégies automatiques fondées sur des analyses chartistes ou techniques. Vous êtes étudiant en master d'informatique ou de finance quantitative, vous avez un niveau en code, en mathématiques et en statistique très solide et vous souhaitez développer des modèles d'intelligence artificielle pour prédire les cours boursiers ? Vous êtes un trader freelance ou en poste, vous n'avez pas peur de vous frotter à un travail de quant, vous êtes déjà familier avec le langage Python et vous souhaitez créer une stratégie novatrice qui vienne compléter votre gestion de portefeuille ? Alors la formation machine learning peut vous aider à donner une nouvelle impulsion à votre portefeuille : au lieu de vous noyer dans les onéreuses formations théoriques en machine learning, ma formation se veut concrète, efficace et prête à l'emploi. Ici, on ne perd pas de temps à vous donner des formations théoriques (bien que je suis tout à fait à même de vous expliquer les algorithmes théoriques et le fondement mathématique et statistique du machine learning) : mon objectif est de construire avec vous un algorithme de machine learning qui soit connecté à votre broker et qui puisse effectivement passer des ordres.

​

Tout d'abord, pour mettre en place votre stratégie de machine learning, il vous faut ouvrir un compte chez un broker qui mette à disposition une API (application programming interface) qui soit compatible avec le langage Python : c'est indispensable pour ensuite passer des ordres depuis votre ordinateur vers votre plateforme d'achat. À titre personnel, j'utilise le broker IG Market, qui offre une API robuste sur les CFD (contracts for difference, une classe de produits dérivés high risk, high reward) d'indices, de devises et de commodities, mais je m'adapte toujours au broker avec lequel vous travaillez. Une fois votre broker sélectionné, nous créerons ensemble un algorithme qui vous permette de télécharger les données historiques fournies par votre broker des produits financiers qui vous intéressent. Pourquoi se compliquer la tâche et ne pas uniquement télécharger les données historiques sur un site ouvert comme Yahoo Finance ? D'une part, parce que de tels sites ne prennent pas en compte les commissions de votre broker (qui ne sont pas nécessairement fixes ; par exemple, le spread sur IG Market varie selon l'horaire), et d'autre part, car il peut exister de légères variations de cours entre le cours "officiel" de l'actif et le cours de l'un de ses produits dérivés (cette différence peut être de 0,5 point ou 0,5 pip seulement, mais l'effet de cette erreur sur votre performance finale peut se faire ressentir à court ou à moyen terme, surtout en scalping). 

​

Une fois les cours historiques de votre broker sauvegardés, on peut appliquer les modèles de machine learning : forêt aléatoire, k-plus proches voisins, support vector machine, réseaux de neurones, LSTM… Comme dans tout modèle d'apprentissage statistique, plus la taille de votre échantillon de test (c'est-à-dire de votre historique de données) sera grande, plus votre modèle aura un fort pouvoir prédictif sur le régime de cours à venir (c'est-à-dire la réponse à la question "le chandelier suivant sera-t-il rouge ou vert ?"). Bien sûr, ce n'est pas si simple que ça. D'une part, il faut sélectionner de "bonnes" variables explicatives (features) : quels indicateurs techniques choisir, faut-il intégrer les cours d'autres actifs ? D'autre part, il faut veiller à éviter les problèmes de sur-apprentissage (overfitting) qui feraient que votre modèle prédirait parfaitement le passé, mais très mal l'avenir ; ce qui n'aurait aucun intérêt in fine : combien de couches de neurones dois-je ajouter et combien d'epochs faut-il choisir pour mon réseau de neurones, combien de feuilles et d'arbres doit comporter ma forêt aléatoire, faut-il que je choisisse un kernel polynomial et à quel degré pour mon support vector machine  ? Toutes ces considérations théoriques seront traitées ensemble et mises en pratique en construisant un algorithme sous Python basé notamment sur les packages Keras, Scikit-learn et Tensorflow, qui n'auront plus de secrets pour vous.

​

Une fois votre modèle sauvegardé, il s'agira d'étudier comment l'optimiser au fil du temps : quand dois-je réactualiser mon modèle afin qu'il n'y ait pas de phénomène de sur-apprentissage tout en évitant qu'il ne dévie "trop" de son régime de croisière ? C'est à ce moment-là qu'il faudra entamer des tests à blanc sur votre compte. Il sera donc nécessaire de connecter votre bot de machine learning à votre broker via son API. Une phase de test de plusieurs mois s'annonce alors (mais vous n'aurez plus nécessairement besoin de moi pour cela). Cette période d'essai a pour but de roder votre money management : mes stop losses et take profits sont-ils optimaux, dois-je les choisir horizontaux ou obliques, comment gérer mon effet de levier, jusqu'à quel point puis-je mettre en œuvre une martingale tout en garantissant un drawdown minimal ? Une fois cette période de tests et d'ajustements passée, vous pourrez connecter votre programme sur votre compte réel. Vous bénéficierez alors de programmes de trading de haut niveau, quasiment inaccessibles aux particuliers qui n'ont pas reçu une formation élitiste dans une grande école d'ingénieurs et pas toujours accessibles même aux professionnels de part leur complexité théorique et leur difficulté de mise en œuvre !