Glosarium AI
Kamus lengkap Kecerdasan Buatan
Alpha Statistique
Mesure de la performance ajustée au risque d'un portefeuille, représentant le rendement excédentaire généré par le modèle de machine learning par rapport à un benchmark, après avoir neutralisé l'exposition aux facteurs de marché connus.
Backtesting Walk-Forward
Méthodologie de validation robuste où le modèle est entraîné sur une période 'in-sample', testé sur la période suivante 'out-of-sample', puis cette fenêtre est déplacée dans le temps pour simuler des conditions de trading réelles et éviter le surapprentissage.
Cross-Validation par Série Temporelle (Time Series CV)
Technique de validation croisée adaptée aux données financières qui respecte la structure temporelle, en utilisant des plis (folds) basés sur des périodes consécutives plutôt qu'un échantillonnage aléatoire pour prévenir la fuite d'informations du futur vers le passé.
Feature Engineering Financier
Processus de création et de sélection de variables prédictives (features) à partir de données brutes de marché, comme les indicateurs techniques, les ratios macroéconomiques ou les mesures de sentiment, pour optimiser la performance des modèles de prédiction.
Forêts Aléatoires pour Séries Temporelles
Adaptation de l'algorithme Random Forest pour la prédiction de séries temporelles financières, utilisant des retards (lags) de la variable cible et d'autres covariables comme features, capable de capturer des relations non-linéaires complexes.
GARCH (Generalized Autoregressive Conditional Heteroskedasticity)
Modèle statistique de séries temporelles qui capture la volatilité conditionnelle, où la variance des erreurs dépend des variances des périodes précédentes, essentiel pour modéliser et prévoir l'incertitude des marchés financiers.
Gradient Boosting Machine (GBM) pour le Trading
Technique d'ensemble qui construit itérativement des modèles prédictifs faibles (généralement des arbres de décision) pour former un modèle puissant, souvent utilisée pour prédire les rendements ou la direction des prix d'actifs.
Lookahead Bias
Erreur méthodologique dans le backtesting où des informations non disponibles au moment de la prédiction (données futures) sont utilisées, conduisant à une surestimation de la performance du modèle de trading.
Machine Learning à Haute Fréquence (HFT-ML)
Application d'algorithmes de ML pour analyser les données de marché à la microseconde ou milliseconde, afin d'identifier et d'exploiter des inefficacités de prix ultra-courtes via des stratégies de trading automatisées.
Modèle Hybride ARIMA-ML
Approche combinant un modèle ARIMA pour capturer les composantes linéaires et autocorrélées d'une série temporelle financière avec un modèle de machine learning (comme un réseau de neurones) pour modéliser les résidus non-linéaires.
Réseaux de Neurones Récurrents (RNN) pour la Finance
Architecture de deep learning conçue pour traiter des séquences de données, comme les prix historiques, en conservant une mémoire des états précédents, ce qui la rend particulièrement adaptée à la prédiction de séries temporelles financières.
Sharpe Ratio du Modèle
Métrique d'évaluation qui mesure le rendement ajusté au risque d'une stratégie de trading générée par un modèle de machine learning, en calculant l'excédent de rendement par rapport au taux sans risque, divisé par l'écart-type des rendements.
Stationnarité par Cointégration
Concept où une combinaison linéaire de plusieurs séries temporelles financières non-stationnaires (par exemple, les prix de deux actions) est elle-même stationnaire, permettant la création de paires de trading et de stratégies de retour à la moyenne.
Support Vector Machine (SVM) pour la Classification de Tendances
Algorithme supervisé qui trouve un hyperplan optimal pour séparer les données en classes (par exemple, 'hausse', 'baisse', 'latéral'), utilisé pour prédire la direction future des prix d'actifs financiers.
Surapprentissage (Overfitting) en Finance
Phénomène où un modèle de machine learning apprend le bruit spécifique aux données historiques d'entraînement au lieu des signaux sous-jacents, résultant en une excellente performance en backtest mais une performance médiocre en trading réel.
Transformers pour Séries Temporelles Financières
Architecture de deep learning basée sur des mécanismes d'attention, adaptée pour modéliser les dépendances à long terme dans les données de marché, surpassant souvent les RNN et LSTM dans les tâches de prédiction complexes.
Volatilité Stochastique par MCMC
Modélisation de la volatilité comme un processus latent non-observé, dont les paramètres sont estimés à l'aide de méthodes de Monte Carlo par Chaînes de Markov (MCMC), offrant une description plus riche et flexible de l'incertitude du marché.