Détection de forme par enchainement de régressions linéaires

[scarabee]

Bonjour,

Je n'ai rien trouvé à ce sujet et j'en ai été étonné. Quelqu'un a-t-il déjà développé un algo de pseudo reconnaissance de forme qui en fait détecte des successions de régressions linéaires avec une analyse de proba pour savoir si on est dans un cas similaire ou non ?

A l'origine de cette question, j'ai fait un tuto sur un réseau de neurones de reconnaissance de formes, mais en réalité mon ordi n'arrivait pas à le faire tourner dans un temps raisonnable. Je précise j'ai un i7 de 2GHz et en gros il lui a fallu quasi 2 heures pour apprendre sur une bonne série. Ok, c'étaient de vraies images dans le tuto (donc en réduisant les variables ca irait + vite), et le cpu ne tournait qu'à 50%, mais là c'était vraiment trop long. Donc pour faire un apprentissage en temps réel, il faudrait une puissance de calcul x10 ou x100 peut-être même + (je n'en ai aucune idée, mais en tout cas ça ne me semble pas faisable avec mes moyens matériels), et je n'en ai pas les moyens de me payer une ferme de serveurs.

Autre souci, un réseau de neurones reste une boite noire, même si j'ai pu trouver des tutos pour faire du "rétro apprentissage", c'est pas si simple.

Donc pour moi les réseaux de neurones est une mauvaise idée même si j'ai pu lire plusieurs articles de personnes indiquant être intéressés par le sujet.

Seconde part de la question, j'avais fait plusieurs algo de détection d'accélération et de décélération à base de comparaison de MM sur des horizons de temps différents, mais en réalité la seule qu'il faisait c'était identifier les zones de sur-vente.
Précision importante, je n'ai jamais couplé ces algos avec de l'analyse de supports et résistances, donc c'était peut-être ça la solution avec les MM, mais le souci c'est que quand on se lance dans la détection des supports et résistances, on risque assez rapidement de se heurter à la question du support ou de la résistance à prendre en compte à un instant T, et la méthode de choix me semble peu aisée.

J'ai aussi essayé des tonnes d'indicateurs sans succès. Du coup je me tourne vers la détection de formes.

Avez-vous déjà fait des choses similaires (avec des successions de régression linéaire, avec réseaux de neurones ou toute autre méthode) ?

[trappiste73]

J'y connais strictement rien mais reconnaissance de formes, ça ressemble bigrement à l'ananlyse technique donc pourquoi se compliqer atrocement la vie avec toutes les figures chartistes qui existent ?

[Euraed]

Pour l’ia en reconnaissance de forme, c’est une piste intéressante, d’autant plus qu’avec un peu de créativité on peut alimenter l’ia avec des ‘visions’ non conventionnelles la carte n’est pas le territoire...)
Je suis intimement convaincu que l’on peut de cette façon créer des systèmes bien performants.
En revanche c’est très complexe !!
Cela relève quasiment du projet de recherche et comme l’indique swing le niveau requis en maths est très élevé.

C’est marrant j’ai travaillé ce week-end sur un algo avec l’accélération comme idée centrale (support eurusd), on peut sortir de la perf avec uniquement cela. Par exemple sur les 6 dernières années, de 2012 à 2017, j’ai obtenu sur la meilleure version 2138% mais avec un dd d’environ 30% à mi-parcours, en linéaire sans Réinvestissement, donc toujours avec la même taille d’ordre.
En raison du dd c’est tiroir, pas assez stable et pas vraiment scalable.

[Alex44]

J'ai développé sur un système à base de régression linéaire couplé à une IA, toute ma plateforme reposait dessus et j'ai testé cela en long et en travers pendant des mois, cela n'a rien donné au final...
je faisais apprendre à l'IA les tendances par régression, lorsqu'elle arrivait à anticiper suffisamment je la passais en prise de position, et rien, cela pouvait donner de bons résultats sur certains mois mais en moyenne, c'était perdant. J'ai essayé des tas de configurations neuronales, j'ai même couplé deux cerveaux chacun travaillant sur un domaine pour combiner le meilleur des deux et rien, cela ne marche pas :musique:

[scarabee]

Même retour pour moi, peu de résultats franchement positifs, mais par contre proche de certains niveaux ca pourrait donner quelques résultats. A creuser.