Le manuel du quant moderne — les fondations du Machine Learning en finance
Marcos López de Prado
? Le problème
Le Machine Learning promet de révolutionner la finance, mais en pratique la majorité des modèles de Machine Learning appliqués aux marchés échouent. Les données financières ne sont pas comme des photos de chats : elles sont non-stationnaires, contaminées par des signaux faibles. Comment appliquer le Machine Learning correctement aux données de marché ?
M La méthode
Marcos López de Prado, l'un des plus célèbres quants au monde, a compilé les meilleures pratiques du Machine Learning en finance : structuration des données en « bars » informationnelles, triple-barrier method, purged cross-validation, et fractional differentiation. C'est à la fois un diagnostic de ce qui ne marche pas et une boîte à outils pour faire les choses correctement.
! L'idée clé
Le Machine Learning appliqué naïvement à la finance produit systématiquement du surapprentissage. Pour que ça marche, il faut repenser l'ensemble du pipeline — de la façon dont on structure les données jusqu'à la façon dont on valide les modèles.
Comment byzance utilise cette recherche
Ce travail est notre bible méthodologique. Nous appliquons systématiquement les techniques de López de Prado : structuration des données en bars informationnels, validation croisée avec purging, et fractional differentiation.
Référence
López de Prado, M. (2018). Advances in Financial Machine Learning: Lecture 4/10. SSRN Working Paper.
Lire l'article original →Ces recherches alimentent vos portefeuilles
Chaque algorithme de byzance est fondé sur des décennies de recherche académique. Essayez gratuitement pendant 30 jours.
Essayer gratuitement