Un MONSTRE en MACHINE LEARNING ?

J'ai un dataset avec en colonne l'id du jour, l'id d'une action (finance), et ensuite les rendements des actions, volume d'achat à differents moments d'un jour donné trié de manière chronologique (60 features pour oe rendements et 60 pour le volume)

Je dois prédire le volume d'achat à la fin de la journée de trading.

Dans mon jeu de test, j'ai exactement les mêmes actions et le 1er jour de mon jeu de test suit exactement le dernier jour de mon jeu d'entraînement.

C'est des données très bruitées.

Voilà ce que j'ai fait :
- Feature engineering pour enlever le bruit
- Lasso pour garder que les plus "pertinentes"
- Modèle d'ensemble de plusieurs RNN et je moyenne les résultats. J'ai pris un RNN car il y a une dépendance temporelle des volumes d'achat avec le temps

Qu'est-ce que vous me conseillez ?

Est-ce utile de faire un entraînement sur les résidus avec les mêmes RNN ? Puis ajouter les résidus avec la prédiction initiale ?

Le 18 octobre 2024 à 21:26:59 :
Y'a les LSTM pour les series temporelles sinon.

Dans mon modèle de RNN, il y'a des LSTM, des Transformers aussi

Le 18 octobre 2024 à 21:29:17 :
Regarde du côté des séries temporelles (arima,sarima,...) , modèle within / différence première peut être aussi

D'accord, j'y avais pensé mais j'étais pas sûr que ça donne de blns résultats

Je vais essayer

Le 18 octobre 2024 à 21:32:32 :

Le 18 octobre 2024 à 21:29:17 :
Regarde du côté des séries temporelles (arima,sarima,...) , modèle within / différence première peut être aussi

D'accord, j'y avais pensé mais j'étais pas sûr que ça donne de blns résultats

Je vais essayer

A prendre avec des pincettes ca fait un petit moment que j'ai pas touché des données de panel

Le 18 octobre 2024 à 21:38:36 :
Les résidus t'en penses quoi ?

Comment ça ?

Il n'est pas bon chat gpt, il fait des trucs tres génériques (mais il est pas mal en Feature engineering)

La version 4o1 est un peu mieux, en code c'est bien plus pertinent