Quand plusieurs IA se mettent d'accord — la puissance du vote collectif
Ioannis E. Livieris, Emmanuel Pintelas, Stavros Stavroyiannis & Panagiotis Pintelas
? Le problème
Prédire le prix du Bitcoin, c'est un peu comme prédire la météo en plein océan : même les meilleurs modèles se trompent souvent. Un seul réseau de neurones, aussi sophistiqué soit-il, peut se tromper de manière spectaculaire à cause du bruit dans les données. Et les méthodes statistiques classiques (AutoRegressive Integrated Moving Average, Generalized Autoregressive Conditional Heteroskedasticity) ne captent pas la nature chaotique des cryptos. Comment construire un modèle fiable quand chaque modèle individuel est peu fiable ?
M La méthode
Au lieu de faire confiance à un seul modèle, les chercheurs ont utilisé le principe de la « sagesse des foules » appliqué à l'IA. Ils ont combiné trois stratégies d'ensemble — averaging, bagging et stacking — avec des architectures deep learning de pointe : CNN-LSTM et CNN-BiLSTM. C'est comme avoir un jury d'experts plutôt qu'un seul juge. Ils ont testé sur les prix horaires de Bitcoin, Ethereum et Ripple pendant plus d'un an.
! L'idée clé
Un seul modèle de deep learning est instable et peu fiable pour prédire les cryptos. Mais en faisant « voter » plusieurs modèles ensemble, on obtient des prédictions beaucoup plus stables et robustes — particulièrement pour détecter la direction du marché.
# Résultats
Le bagging a obtenu la meilleure précision de classification. Le stacking avec kNN a montré les prédictions les plus fiables statistiquement : l'analyse des résidus a confirmé l'absence d'autocorrélation. Les auteurs concluent que le stacking avec kNN comme méta-modèle est le meilleur compromis entre précision et fiabilité.
Comment byzance utilise cette recherche
Notre système de prédiction ne repose jamais sur un seul modèle. En nous inspirant de cette recherche, nous utilisons un ensemble de modèles qui « votent » pour déterminer la direction probable du marché. Cette approche réduit drastiquement le risque de faux signaux. Quand plusieurs modèles indépendants disent la même chose, la probabilité d'avoir raison augmente significativement.
Référence
Livieris, I. E., Pintelas, E., Stavroyiannis, S., & Pintelas, P. (2020). Ensemble Deep Learning Models for Forecasting Cryptocurrency Time-Series. Algorithms, 13(5), 121.
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