Nous sommes le plus souvent enfermés dans nos représentations usuelles d'un objet, ce qui simultanément est très pratique au quotidien car cela nous permet d'avoir des grilles de lecture et compréhension rapides. C'est reposant pour l'esprit...
Tel est le cas en trading manuel, on lit des bougies, des moyennes mobiles, du kagi, du renko, du rsi et macd, un pivot un fibonnacci etc, etc
On notera que toutes ces méthodes de représentation vont chercher à extraire un sens particulier aux cours qui évoluent en fonction du temps.
Je viens de voir dans un cours de deep learning que je suis en train de suivre une illustration graphique spectaculaire de ces affirmations.
Cela permettra peut être d'éclaircir certains de mes anciens posts. Sinon tant pis, le lecteur restera sur ses visions réconfortantes et la conviction ancrée qu'il n'y a là que delirium tremens
Donc... pour un esprit malléable, tel que celui d'un réseau neuronal informatique, la représentation des chiffres à gauche mène à la même qualité de reconnaissance (Taux de classification) que la représentation de droite !
Alors que les images de droite sont construites avec des permutations aléatoires des pixels des images de gauche !
Credit: N Thomme - Cours de Deep learning sur la plateforme Fun Mooc
On admettra facilement, même pour les plus contrariants et rigides , que pour un humain aux neurones usuellement connectés la tache de reconnaissance des chiffres dans la partie droite sera beaucoup plus complexe. (Cela dépasse de loin les devinettes d'Amarantine, qui me posent d'ailleurs parfois quelques difficultés)
Et pourtant...
Pour un "esprit vierge" cette représentation des chiffres est tout aussi lisible.
Dit autrement, il est facile pour nos amis chinois de comprendre et lire le chinois.
Ainsi en trading automatique (et en théorie c'est pareil pour l'homme) n'importe quelle représentation des datas pourrait être utilisée.
Néanmoins certaines seront tout de même plus efficaces que d'autres.
Dit autrement, je le soutiens ici et là, on peut trader avec n'importe quel indicateur ou bidule extrait des datas de base, ou d'ailleurs même sans ces bidules. La question est celle de l'adaptabilité, du remodelage de nos perceptions.
NB: pour celles et ceux connaissant le deep learning, un taux de classification identique dans ces deux cas de figure ne s'obtient qu'avec un réseau dense (pas de réseau convolutif et sparse network)