Exploration approfondie du trading par IA, de l'analyse de marché et de l'avenir de la DeFi.
Browse collections →Nothing found. Try a different query.
Les corrélations crypto ne sont pas constantes — elles bondissent vers 1 à chaque drawdown. DCC-GARCH modélise une matrice de corrélation variable dans le temps, offrant des ratios de couverture dynamiques pour le pairs trading et un risque de portefeuille honnête, variable dans le temps.
Le GARCH(1,1) classique traite les bonnes et les mauvaises nouvelles de la même façon et suppose des chocs gaussiens. EGARCH, GJR-GARCH et les innovations Student-t/skew-t corrigent les deux — et donnent une VaR et une Expected Shortfall honnêtes pour les cryptos.
Comment le modèle GARCH(1,1) capture le regroupement de volatilité (clustering) dans les cryptos, comment l'estimer par maximum de vraisemblance avec la bibliothèque arch, et comment transformer des prévisions de variance conditionnelle en dimensionnement de position et en stops dynamiques.
L'aboutissement de l'arc recherche-et-surapprentissage, et il se termine sur un resultat negatif — le bon. Une recherche mono-actif en double timeframe sur ETHUSDT a trouve une configuration valant +16,35 % en out-of-sample et +2,62 % sur un holdout intact ; le Deflated Sharpe Ratio, tenant compte des ~37 000 essais, l'a deflate a 0,00. Une passe cross-instrument sur cinq majors (ETH/BTC/SOL/BNB/XRP, ~1,18 M de barres 1m chacun), avec selection par la mediane out-of-sample, l'acheve pour de bon : DSR dual 0,24 / PBO 0,264, DSR triple 0,14 / PBO 0,327 — les deux echouent aux seuils. Le champion est profitable sur 1 des 5 symboles et negatif sur les autres. Voila a quoi sert l'appareillage anti-surapprentissage : vous empecher de deployer le meilleur du bruit en le prenant pour de l'alpha.
Les backtests multi-timeframe laissent fuiter le futur à travers une bougie de timeframe supérieur en cours de formation, dont la clôture finale n'existe pas encore. On ne peut pas se contenter d'une revue de code pour en avoir la certitude — il faut le tester. Nous reproduisons exactement la règle de bougie clôturée du bot live, puis prouvons l'absence de fuite avec une sonde à futur perturbé : on perturbe chaque bougie future et on vérifie que chaque signal et chaque trade passés restent identiques bit à bit. 25/25 tests de parité, et la sonde a du mordant.
L'avance du GPU sur le CPU grandit avec la taille de batch — de 54.5x à un combo par appel jusqu'à 359.6x à 61 sur notre précalcul d'indicateurs multi-timeframe — parce qu'un petit sweep ne peut pas amortir le surcoût de lancement des kernels et de transfert. Nous décomposons un 167x d'affiche en un gain algorithmique de 27x qui profite aussi au CPU et un gain matériel de 6.2x, montrons que la vraie avance GPU contre meilleur CPU n'est que de 3.2x en single-timeframe et de 6.2x en multi, et donnons un guide de décision sur la largeur qu'un sweep doit atteindre avant qu'un GPU mérite l'investissement.
Le GPU Metal d'Apple n'a pas de float64. Portez naïvement un backtest vectorisé dessus, et la tentante WMA en somme cumulée déborde en fp32 — erreur relative maximale de 211× — tout en continuant de tourner et de renvoyer des chiffres d'apparence plausible. Le correctif n'est pas plus de précision : c'est une formulation différente — une convolution directe par fenêtre glissante, fiable en fp32 jusqu'à 8×10⁻⁷ et 55.9× plus rapide que numba mono-thread. Le piège, l'arithmétique, et comment prouver qu'on n'y est pas tombé.