Mélange de méthodes

Stupidité et ignorance des prévisions.
La foule comme remède ?

Transcript

1.   •  Trading  systems  innovants   –  Moteur  d’aggréga4on  de  signaux  :  Malgos   –  Crowd  following:  transformer                                en  prédicteur     –  Systèmes  adapta4fs  automa4ques  (1  min  –  daily  –   weekly)   •  Modèles  de  prévisions  de  tendances,  cours…   copyright  Franck  Bardol,  2014   Franck  Bardol  –  Data  scien2st  
2. copyright  Franck  Bardol,  2014   @bardolfranck   www.linkedin.com/in/franckbardol   bardolfranck@gmail.com     Quant  analyst   job    -­‐  Proprietary  trading  /  compte  propre    -­‐  Trend  following  :  “follow  the  leader”    -­‐  Sta4s4cal  arbitrage  :  “follow  the  loser”     Ges2onnaire  ac2f-­‐passif   Job   Run  hundred  scenarii     Contractual  return   Protect  assets     Developer   Job  Implement  complex  formulas   Data  scien2st   Job   Machine  learning    Text  mining    Knowledge  management    Quan4ta4ve  investment     Short  CV  
3.   Stupidité   et  ignorance  des  prévisions   Les  foules  comme  remède  ?     copyright  Franck  Bardol,  2014  
4. Le  problème  de  base   copyright  Franck  Bardol,  2014   Curve-­‐fi_ng   Régression   Prédic4on   Prévision   Les  Images  qui  suivent  sont  extraites  de  C.  Bishop  “Pa`ern  recogni4on  and  machine   learning”  
5. Curve  fi_ng  /  régression   copyright  Franck  Bardol,  2014   ignorance   La  vraie  rela4on  
6. Curve  fi_ng  /  regression   copyright  Franck  Bardol,  2014   Encore  mieux  ?  
7. Un  critère    pour  choisir  la  complexité     copyright  Franck  Bardol,  2014   stupidité   ignorance  
8. Pourquoi  le  pire  est-­‐il  probable  ?   copyright  Franck  Bardol,  2014   Performance  d’appren4ssage  ≠    Performance  en  généralisa4on   La  métrique  u4lisée  par  la   plupart  des  logiciels   De  trading   Machine  learning  (Appren2ssage  automa2que)   Critère  biais  /  variance   Aller  plus  loin  :  mesurer  le  pire   Sur  op4misa4on   Over  fi'ng   Sur  appren4ssage  
9. Mesurer  le  pire   copyright  Franck  Bardol,  2014   Machine  learning  (Appren2ssage  automa2que)   Critère  biais  /  variance  
10. Comment  éviter  le  pire  ?   copyright  Franck  Bardol,  2014   Ajouter  des  données  !   Pas  toujours  possible  en  finance,  de  plus  pas  de  répé44ons.    
11. Comment  éviter  le  pire  ?   La  régularisa4on   copyright  Franck  Bardol,  2014   Limiter  la  complexité  du  modèle  :   Guillaume  d’Ockham  (XIV  ème)   “l’explica4on  la  plus  simple     est  toujours  la  meilleure”   Minimum  de  :     (prévisions  –  modèle)^2  +  (lambda  x  complexité  modèle)  
12. Un  seul  modèle  ?!   copyright  Franck  Bardol,  2014   Ques4on  I:   Variance  de  la  moyenne  de  M  variables  aléatoires  ?   Harry  Markowitz  :  un  ac4f  ne  doit  être  jugé  que  par  sa  capacité  à   diminuer  le  risque    global  du  portefeuille.   Harry  Markowitz  revisité  :  un  modèle  ne  doit  être  jugé  que  par  sa   capacité  à  diminuer  l’erreur  global  du  système   Réponse  :   Ques4on  II:   Variance  de  la  moyenne  de  M  variables  aléatoires  corrélées  ?   Réponse  :  
13. Un  seul  modèle  ?!   copyright  Franck  Bardol,  2014   Harry  Markowitz  revisité  :  un  modèle  ne  doit  être  jugé  que  par  sa   capacité  à  diminuer  l’erreur  global  du  système   Il  faut  augmenter  le  nombre  de  modèles  le  plus  possible  !   L’instabilité  du  système  s’annule  pour  un  grand  nombre  de   Modèles.   Conclusion  :   Conclusion  :   Il  faut  augmenter  le  nombre  de  modèles  le  plus  possible  …   Plus  les  modèles  sont  différents  plus  la  performance     Globale  augmente  
14. Un  seul  modèle  ?!   copyright  Franck  Bardol,  2014  
15.  Mul4ple  ALGOrithms  &  Systems     copyright  Franck  Bardol,  2014   intelligence   collec2ve   décision   algo   model   En  entrée  DES  décisions   En  sor2e,    UNE  décision   ET  décisions  humaines  
16. Demo  4me   copyright  Franck  Bardol,  2014   Prototype  Matlab  ForeX  
17. copyright  Franck  Bardol,  2014   Les  experts  du  panel  :   24  trading  systems  simples (mavg  …)   MALGOS   MALGOS  :     2  fois  mieux  que  le   Meilleur  système  !  
18. copyright  Franck  Bardol,  2014   Collec4ve     Intelligence   line   Même  systèmes  que  pour  EURUSD  
19. copyright  Franck  Bardol,  2014   Même  systèmes  que  pour  EURUSD  
20. MALGOS  :   copyright  Franck  Bardol,  2014   Moteur   d’intelligence   collec4ve   PAS  d’op4misa4on   Seulement  2  paramètres  de  risque   Aggrège  les  décisions  individuelles  (algos  /  hommes  …)    et  fait  bien  mieux  !   Mélangeur  d’opinions  
21. Malgos  c’est  quoi  ?   Un  compilateur  de  signaux  de  trading     à  quoi  ça  sert  ?   Malgos  agrège  les  systèmes  en  entrée  et  décide  une  posi4on  globale     quels  sont  les  résultats  ?   Le  système  global  est  meilleur  que  les  systèmes  en  entrée     Malgos  u2lise  quelle  méthode  ?   Un  algorithme  d’appren4ssage  incrémental  (on  line)  +  intelligence  collec4ve     c’est  une  boîte  noire  ?   Non,  chacun  met  en  entrée  ses  propres  systèmes.  C’est  une  boîte  blanche       comment  être  sûr  que  ce  n’est  pas  over-­‐fiUé  ?   Malgos  n’u4lise  PAS  d’op4misa4on  donc  PAS  d’over-­‐fi_ng  !     Malgos  évite  l’over-­‐fiVng  ?   Oui,  même  si  un  signal  d’entrée  est  sur-­‐op4misé,  il  y  a  peu  de  chance  qu’ils  le  soient  tous.   Le  système  sur-­‐op4misé    est  rapidement  détecté  et  éliminé  par  l’algorithme     Si  j’ai  10  systèmes  de  trading  en  entrée  dans  Malgos,  je  récupère  10  ordres  en  sor2e  ?   Pas  du  tout,  Malgos  est  un  moteur  de  collabora4on.  Donc,  un  SEUL  ordre  en  sor4e   copyright  Franck  Bardol,  2014   FAQ  –  Ques4ons  –  réponses  
22. Take  home  /  à  retenir   •  Prévision  :  2  écueils  majeurs   –  Ignorance  :  modèle  trop  simpliste  (under  fi'ng)   –  Stupidité  :  modèle  trop  complexe  (over  fi'ng)   •  La  mesure  de  l’ignorance  /  stupidité   –  Ou4l  machine  learning  :  biais  –  variance   •  Comment  éviter  ?   –  Rajouter  des  données   –  Limiter  la  complexité  du  modèle  (régulariser)   –  Agréger  des  décisions  très  différentes     •  (hommes  +  algos)   copyright  Franck  Bardol,  2014