22 ans, 8.5k par mois, je réponds à vos questions

Le 27 mai 2021 à 22:33:35 :

Le 27 mai 2021 à 22:26:54 :

Le 27 mai 2021 à 22:20:14 :

Le 27 mai 2021 à 22:12:31 :

Le 27 mai 2021 à 22:11:47 :

Le 27 mai 2021 à 22:10:20 :

Le 27 mai 2021 à 22:06:36 :

Le 27 mai 2021 à 22:03:32 :

Le 27 mai 2021 à 22:01:42 :
Vous faites quoi de plus que c/c des codes python issu de stackoverflow

From scikit learn import *

En vrais je troll a moitié mais pourquoi les quant sont autant paye ?
Pck vous mettez "juste" en place des modèles de stats utiliser ailleurs non ?

Pour être honnête on est très peu à faire de l'IA en quant, 99% du temps ça se limite à des régression linéaires

régression linéaire en finance quantitative ? Bizarre clé
Perso j'ai créé une stratégie combinant RSI, bollinger utilisant un alpha de 1.7 basé sur un EMA et non un MA standard, le tout en avec nlp quotidien d'actus surtout de twitter le tout passé dans un LSTM, pour le bitcoin/ETH et doge ça marchait du feu de dieu pendant un moment, tesla en début d'année 2020 mais là c'est moins performant

Je te le dis cash khey, ce que tu fais c'est du bidouillage.

N'empêche qu'une heure sur un cours descendant de tesla me rapportait plus avec ma stratégie qu'un an de livret A

Tant mieux pour toi khey.

Tu as combien d'années de backtest sur ta strat?

Alors j'ai plusieurs versions parce que j'ai entraîné un LSTM donc en tout j'ai recueilli tout S&P 500 + les tweets disponibles, donc j'ai filtré les boîtes qui n'avaient pas de tweets quotidiens malgré S&P, j'ai créé une série temporelle par heure au début puis par minute combinant les indicateurs statistiques + sentiment analysis desdits tweets et j'ai entraîné mon LSTM. Ensuite le classifieur, niveau backtest, j'ai paramétré pas mal de trucs à la main, le 1.7 des bolligner c'est littéralement le truc que j'ai trouvé à force de backtest et de voir la plus-value finale. En temps, ce sont des années et des années. Après le gros du taf c'est de trouver les corrélations décalées entre certaines boîtes, météo, actu et... tweets : Airbus baisse-> boeing monte qq secondes après, c'est un exemple grossier mais voilà le truc.

Sur la base de tweets, tu ne peux pas expliquer la performance par le beta? Quand je m'intéressais au sujet, c'était littéralement uniquement du beta.

+ Un conseil, faut éviter de trop ajuster ta stratégie aux backtests. Le contexte des marchés n'est pas fixe; et en cherchant trop à ajuster ta strat, en particulier si tu fais tes backtests sur des horizons de temps courts (3 ans par exemple), tu es trop sensible au contexte.

j'ai automatiquement créé un LSTM par entreprise puis par crypto c'est pour ça que l'ahuri d'op avec son overfitting me fait rire, un quant aurait compris que j'ai pas littéralement foutu un input de >500 dans un LSTM ayoooo sinon effectivement les backtests dépendent trop des périodes. Vis à vis du contexte temporel c'est intéressant ce que tu dis parce que c'est pile poil la raison pour laquelle dans les modèles statistiques qui marchent le mieux, enfin.. selon moi, ce sont les models qui favorisent les évènements récents (EMA, WMA au lieu de SMA) et les LSTM de toute façon sont entraînés et donc prennent la meilleure décision. Et airbus, pour y avoir travaillé, m'a effectivement donné de meilleurs résultats en entraînant le bot sur des périodes récentes plutôt qu'anciennes même si le covid m'a complètement empêché de mettre mon argent dessus

Comme le disait l'op, tu overfit justement parce que tu prends un LSTM par entreprise

Tu particularises trop

Si une entreprise a un scandale un jour, tout le réseau pour cette entreprise est affecté alors que dans son secteur c'est pas courant du tout. Quitte à spécialiser, fais un réseau par secteur par exemple, mais pas par enrteprise