Les réseaux de neurones, avenir du trading ?

Un long chemin reste encore à parcourir aux réseaux de neurones pour être en mesure de permettre d’atteindre des gains conséquents et d’être démocratisés, mais la voie est royale.

Consultant informatique à Londres et auteur d’un site internet consacré au trading, Nicolas Vitale explique que les réseaux de neurones “font partie des méthodes modernes apparues ces dernières années dans le milieu du trading, où certaines méthodes classiques, comme les indicateurs, ou les moyennes mobiles commencent à être un peu démodées. Avant que les ordinateurs se vulgarisent, il fallait faire les choses à la main. Les moyennes mobiles étaient alors une technique assez moderne, mais aujourd’hui tout le monde connaît le principe, tout le monde achèterait globalement la même chose au même moment. Dès lors, il n’y a plus d’avantage à les utiliser. Cela ne veut évidemment pas dire que ça ne marche jamais, car sur du long terme et avec du flair, les moyennes mobiles, en complément d’autres techniques, peuvent être efficaces.
Toujours est-il qu’il existe des méthodes plus modernes, aujourd’hui, que sont notamment les réseaux de neurones ou les algorithmes génétiques.

Comment fonctionne concrètement un réseau de neurones ? Il repose sur une structure de neurones avec un réseau et des données (taux de chômage, évolution des prix des obligations, inflation, cours de bourses, etc...). Chaque neurone reçoit en “entrée” lesdites données qui agissent comme des stimulis, sur le même principe que les neurones biologiques. Ces neurones pondèrent chacune des données par un coefficient et envoient un signal si le stimuli dépasse un certain seuil. Le coefficient est adapté ensuite en fonction de la “sortie”, c’est-à-dire des décisions d’achat ou de vente prises en conséquences, et ainsi de suite, avec un renforcement du coefficient des éléments pertinents, au détriment de ceux qui ne le sont pas. Le réseau de neurones fait le tri lui-même, établit ses propres paramètres en fonction des données testées.

La différence et la confusion parfois faite avec les algorithmes génétiques n’est pas simple à comprendre, d’autant que les deux sont souvent associés. Les algorithmes génétiques comme les réseaux de neurones sont, après tout, basés dans les deux cas sur la théorie de l’évolution, les réseaux de neurones devant trouver les meilleures solutions pour se “survivre à eux-mêmes”. “Les algorithmes génétiques, poursuit Nicolas Vitale, permettent de ne pas passer par la force brut. On part d’une stratégie plus ou moins faite au hasard, puis on fait évoluer les paramètres. Les paramètres produisant de bons résultats survivent et se reproduisent. Les autres disparaissent. C’est vraiment l’évolutionnisme appliqué aux algorithmes.”

Une longue marge existe avant que ces systèmes extrêmement complexes soient répandus, et rejoignent l’automaticité et l’efficacité des algorithmes “traditionnels”. “ Un réseau de neurones ne peut survivre et être efficient sans un travail d’analyse et de suivi important. La “machine” n’est pas autonome. Si vous laissez faire le programme sans intervenir, vous allez forcément perdre de l’argent un jour ou l’autre. Il y a toujours un long travail de recherche à effectuer. Tester et optimiser dans le passé, tester à nouveau sur des données cachées lors de l’optimisation pour la valider et ceci à répétition est indispensable pour obtenir un vrai système à valeur prédictive. Beaucoup de monde parle des réseaux de neurones actuellement, mais ça ne veut pas dire que tout est automatisé, et qu’on peut rentrer chez soi pour siroter un cocktail sans assurer le suivi en temps réel. ”

Les risques systémiques sont en revanche réduits puisque ce type d’algorithmes est essentiellement dédié aux hedge funds, pour l’instant en tout cas.

Pour ce qui est des différents types de réseaux de neurones, les expériences menées en prévisions et trading sur forex indique que les Higher Order Neural Networks (HONN) et les Multilayer Perceptron (MLP), alliés à diverses techniques statistiques ou techniques, réussissent mieux que les autres types de réseaux de neurones, comme le réseau de neurones récurrents.

Selon Christian Dunis, directeur du Centre for International Banking, Economics and Finance, “ le HONN et le MLP réalisent des performances robustes et dépassent de façon patente tous les autres modèles en simulation. Même quand les coûts de transaction et les effets de levier sont appliqués, ces deux types de réseaux s’en sortent mieux que les autres types de réseaux de neurones ou modèles statistiques en termes de rendements annualisés, et en considérant toutes les périodes étudiées ”.