رتبها

𝗧𝗵𝗿𝗲𝗮𝗱, 𝗘𝘁𝘂𝗱𝗲 𝗱𝗲𝘀 𝗰𝗼𝗻𝗰𝗲𝗽𝘁𝘀 𝗦𝗠𝗖, 𝗲́𝗽𝗶𝘀𝗼𝗱𝗲 𝟭 : 𝗟𝗲𝘀 𝘀𝗲𝘀𝘀𝗶𝗼𝗻𝘀.
↳ 𝗣𝗮𝗿𝘁𝗶𝗲 𝟭 : 𝗦𝗲𝗻𝘀 𝗱𝗲 𝗹𝗮 𝘁𝗲𝗻𝗱𝗮𝗻𝗰𝗲.
Ceci est une étude qui a demander des semaines d'analyse et non pas juste un thread twitter.

Avant de commencer, l'analyse a été effectuer par @vlx_hst. Un lien pour le remercier financièrement et soutenir les prochaines études se trouve en fin de thread.
100% lui son versé, je ne prend aucune part. Bref, commençons se voyage :)

𝗣𝗼𝘂𝗿𝗾𝘂𝗼𝗶 𝗮𝗻𝗮𝗹𝘆𝘀𝗲𝗿 𝗹𝗲𝘀 𝘀𝗲𝘀𝘀𝗶𝗼𝗻𝘀 𝗱𝗲 𝗺𝗮𝗿𝗰𝗵𝗲́ ?
Analyser les sessions de marché nous permettraient de déceler d'éventuel lien entre elles et donc anticiper au mieux le marché pendant celle-ci.

Obtenir toutes les données relatives à cet aspect du trading donne un avantage incommensurable dans l'élaboration de stratégies de trading rentable.

La paire analyser pour mener à bien cette étude a été EUR/USD sur une période de 20 ans, soit 10 000 000 de minutes analyser et plus de 70 000 000 de datas.

𝗤𝘂𝗲𝗹𝗹𝗲 𝗺𝗲́𝘁𝗵𝗼𝗱𝗼𝗹𝗼𝗴𝗶𝗲 𝗱'𝗮𝗻𝗮𝗹𝘆𝘀𝗲 ?
Un arbre de décision est un schéma représentant les résultats possibles d'une série de choix interconnectés. Il permet à une personne ou une organisation d'évaluer différentes actions possibles en fonction de leur coût,

leur probabilité et leurs bénéfices.
Comme vous l'aurez compris, nous allons utiliser une méthode d'arbre de décision. Il nous permettra de créer des chemins logiques afin de trouver les meilleures probabilités menant à un résultat x.

C'est pour moi la meilleure méthode à adopter, car visuelle/performante et accessible à tous.
Pour la méthode, j'ai décidé de diviser le jeu de données en deux parties distinct. Un d'entrainement (70.00 %) et un de vérification (30.00 %).

À savoir que toutes les statistiques obtenues lors du jeu de données test et vérification diffère que très peu et tout écart important entre les deux sera mentionné pour rester le plus transparent possible.

𝗖𝗼𝗺𝗺𝗲𝗻𝘁 𝗮 𝗲́𝘁𝗲́ 𝗱𝗲́𝗳𝗶𝗻𝗶 𝗹𝗮 𝘁𝗲𝗻𝗱𝗮𝗻𝗰𝗲 𝗱𝗲 𝗺𝗮𝗿𝗰𝗵𝗲́ 𝗽𝗼𝘂𝗿 𝗰𝗵𝗮𝗾𝘂𝗲 𝘀𝗲𝘀𝘀𝗶𝗼𝗻 ?
La définition de la tendance a été définie par un algorithme de régression linéaire.

Pourquoi ? tout simplement, car une bougie baissière ne veut pas forcément dire que l'on a affaire à une tendance baissière et inversement.

Effectivement, il se peut que la tendance de fond pendant une session a été globalement haussière, mais qu’une correction de dernières minutes fasse passer la bougie de haussière à baissière.

C’est pourquoi une régression linéaire de tous les points de prix en une minute m’est apparu comme la plus pertinente. Pour récupérer le sens de la tendance, il suffis de récupérer le signe du coefficient directeur de l’équation de droite.

Pour rappel, une droite de régression linéaire est une droite passant au plus proche de tous les points comme ci-dessous.

𝟭. 𝗣𝗿𝗼𝗽𝗼𝗿𝘁𝗶𝗼𝗻𝘀 𝗱𝘂 𝘀𝗲𝗻𝘀 𝗱𝗲 𝗹𝗮 𝘁𝗲𝗻𝗱𝗮𝗻𝗰𝗲 𝗽𝗼𝘂𝗿 𝗰𝗵𝗮𝗾𝘂𝗲 𝘀𝗲𝘀𝘀𝗶𝗼𝗻.
Dans cette section, notre objectif sera de trouver s'il existe un moyen de “prédire” le sens de la session New-Yorkaise à partir des sessions asiatique et européenne.

Pour commencer, nous allons étudier la répartition des sens de tendance selon les différentes sessions.
L'histogramme nous montre que les sessions sont équilibrées :

Vous avez 52% de chance d'avoir une session asiatique haussière, 49% que la session londonienne le soit et 52% de nouveau pour la tendance new-yorkaise.
Je ne recommanderai pas de confluence ici dans mon trading les données étant trop proche du 50/50.

𝟮. 𝗟𝗲𝘀 𝗿𝗲𝗹𝗮𝘁𝗶𝗼𝗻𝘀 𝗶𝗻𝘁𝗲𝗿 𝘀𝗲𝘀𝘀𝗶𝗼𝗻𝘀 𝗽𝗮𝗿 𝗿𝗮𝗽𝗽𝗼𝗿𝘁 𝗮̀ 𝗹𝗲𝘂𝗿 𝘀𝗲𝗻𝘀 𝗱𝗲 𝘁𝗲𝗻𝗱𝗮𝗻𝗰𝗲.
Dans cette section, nous allons observer les relations entre les sessions par rapport à un seul paramètre : le sens des sessions.

Nous allons observer si le sens de la session Asiatique et Européenne permet de prévoir le sens de session New-yorkais.
Mais avant ça, je me dois de vous apprendre un lire un arbre de probabilités au risque de totalement vous perdre...

• La première ligne d’un arbre avance une condition.
• la quatrième ligne correspond à la probabilité haute à ce moment de l'arbre.

• la troisième ligne est le nombre de fois où la condition est rempli et le nombre de fois où elle n'est pas rempli.
• Si la condition est remplie, alors toutes les données remplissant la condition vont à gauche, sinon à droite.

Exemple :
La deuxième case à l'extrémité de la flèche bleu correspond à la condition de la première case, à savoir toutes les fois où la session européenne a eu une tendance négative.

On peut voir que sa classe est négatif, ce qui signifie qu’il y a une majorité de fois où la session New-Yorkaise a été négatif.
On remarque qu'elle a été négative 682 fois et positive 563 fois. À noter que plus une case est foncé et plus la probabilité de la “classe” est élevé.

Voici l'arbre de décision pour prédire le sens de la tendance new-yorkaise selon les 2 sessions précédentes.
On s'intéresse aux cellules foncés qui on des déséquilibres plus importants.

⚠️
Si vous lisez ceci et qu'il n'y a pas d'autres tweets sous ce dernier, c'est qu'ils sont entrain d'être postés. Merci de patienter quelques minutes et de reload le thread.
⚠️

En autre, ici, dans 56% des cas la session new-yorkais suis la tendance européenne.
Ces chances augmentent à 59% si la tendance asiatique était négative.

Nous obtenons également 62% de chance que la tendance new-yorkaise soit positive lorsque l'Asie a été négative et l'Europe positive.
On peu donc chercher plus de risque lorsque l'on se trouve dans ses conditions et que notre biais conflue.

𝟰. 𝗟𝗲𝘀 𝗱𝗶𝘃𝗲𝗿𝗴𝗲𝗻𝗰𝗲𝘀 𝗱𝗲 𝘁𝗲𝗻𝗱𝗮𝗻𝗰𝗲.
Une divergence est lors ce qu'une bougie clôture dans le sens inverse à sa droite de régression. Pour une explication graphique, voir l’image ci-dessous :

Les divergences peuvent traduire plusieurs choses :
• Accompagné d’un coefficient de corrélation trop faible, elle peut signifier un range lors de la session avec une création importante de liquidité.

• Une tendance trop faible, avec un manque important de volatilité.
• Une correction ou une impulsion en fin de session.

On peut se demander si elles peuvent êtres un indicateur efficace pour anticiper la tendance New-Yorkaise.

𝟱. 𝗔𝗿𝗯𝗿𝗲 𝗱𝗲 𝗱𝗲́𝗰𝗶𝘀𝗶𝗼𝗻 𝗽𝗿𝗲𝗻𝗮𝗻𝘁 𝗲𝗻 𝗰𝗼𝗺𝗽𝘁𝗲 𝗹𝗲𝘀 𝗱𝗶𝘃𝗲𝗿𝗴𝗲𝗻𝗰𝗲𝘀 𝗱𝗲 𝘁𝗲𝗻𝗱𝗮𝗻𝗰𝗲.
En imputant cette fois-ci les divergences dans les paramètres, nous pouvons constater un arbre qui ne ressort qu’un modèle de sortie à savoir positif,

cependant on s’aperçoit de quelque données importantes. Les divergences accroissent de manière importante la probabilité d’avoir une tendance new-yorkaise positive.

démontrons à l’aide d’un tableau quelque propriété intéressante de cette arbre :

On s’aperçoit que les divergences augmentent de manière accrue la chance d’avoir une tendance londonienne positive. Cependant, la fréquence d’apparition de celle-ci reste nettement inférieure.

Nous allons maintenant construire un arbre avec les quatre paramètres que nous avons vus jusqu’à maintenant. À savoir, les sens de tendances et les divergences de tendance.

Attention : l'image ci-dessous est en haute définition, n’hésitez pas à “voir l’original” pour avoir + de détails.

Nous obtenons un arbre de décision super intéressant avec deux branches qui sont très intéressantes.
Lorsque que le sens de Londres est négatif et divergente, le sens de New-York a 70% de chance d'être positif.

Par ailleurs, lorsque Londres est positif en divergence et l'Asie en négatif, New-York a 69% de chance d'être négatif.

𝟲. 𝗘𝘁 𝘀𝗶 𝗼𝗻 𝗿𝗮𝗷𝗼𝘂𝘁𝗮𝗶𝘀 𝗹𝗲𝘀 𝗷𝗼𝘂𝗿𝘀 𝗱𝗲 𝗹𝗮 𝘀𝗲𝗺𝗮𝗶𝗻𝗲 𝗱𝗮𝗻𝘀 𝗹’𝗮𝗿𝗯𝗿𝗲 ?
On construit donc un arbre pour voir la répartition du sens de la tendance selon les jours de la semaine.

Je vous épargne l'arbre le seul jour dont les données sont intéressantes est le jeudi avec 55% de tendance positive.
Nous allons maintenant implémenter le paramètre des jours de la semaine aux quatre autres paramètres existant pour afficher les liens éventuel.

J'espère que vous êtes prêt pour se merveilleux bordel.

Plusieurs branches intéressantes, cependant le fait que les jours arrivent en dernier dans l’arbre démontre que cela ne filtre que légèrement les données, mais cela reste une donnée à garder en tête.

Nous allons quand même dresser un tableau avec une branche intéressantes prenant en compte les jours de la semaine.
Le tableau donne des données par ajout, par exemple ligne 2 : il y a 62% de chance que NY soit + quand Londres est positif et ne diverge pas.

𝟳. 𝗹𝗲 𝗰𝗼𝗲𝗳𝗳𝗶𝗰𝗶𝗲𝗻𝘁 𝗱𝗲 𝗰𝗼𝗿𝗿𝗲́𝗹𝗮𝘁𝗶𝗼𝗻.
Un coefficient de corrélation mesure la force de la relation entre deux variables d’une analyse de corrélation, soit ici prix et le temps.

Plus le coefficient de corrélation est élevé, plus la ligne de prix se rapprochera de sa droite d’e régression. Ce coefficient (en valeur absolue) varie entre 0 et 1.

Maintenant, nous allons construire un arbre de décision intégrant ce paramètre. J’ai fait le choix de séparer l’arbre en seulement deux branches pour éviter sur ajuster mon arbre et donc obtenir des données non exploitables.

À partir de cet arbre, on peut observer qu’un coefficient de corrélation ≤ 0.675 aurais tendance à avoir des tendances new-yorkaises majoritairement positive.

Nous allons maintenant ajouter ce paramètre à ceux déjà existant et d’évaluer les différents chemins possibles dans celui-ci.

⚠️
De nouveau, je dois poster les tweet antérieurs pour en rajouter donc si vous en êtes là sans tweet en dessous attendez quelques minutes.
⚠️

Nous démontrons les deux branche les plus efficaces dans deux tableaux différents :

On se rend donc compte que Londres possède les paramètres qui vont le plus influer sur le sens de New-York.

𝟴. 𝗟𝗲𝘀 𝗱𝗶𝗳𝗳𝗲́𝗿𝗲𝗻𝘁𝘀 𝘁𝘆𝗽𝗲𝘀 𝗱𝗲 𝘁𝗲𝗻𝗱𝗮𝗻𝗰𝗲 𝗲𝘁 𝗹𝗲𝘂𝗿 𝗶𝗻𝗳𝗹𝘂𝗲𝗻𝗰𝗲 𝘀𝘂𝗿 𝗹𝗲 𝘀𝗲𝗻𝘀 𝗱𝗲 𝘃𝗮𝗿𝗶𝗮𝘁𝗶𝗼𝗻 𝗻𝗲𝘄-𝘆𝗼𝗿𝗸𝗮𝗶𝘀.
Le graphique ci-dessous est très intéressant, on remarque une disparité entre les différentes sessions.

Surtout de la part de la session européenne qui possède beaucoup + de tendance très forte que le reste.

Nous allons retranscrire ces données dans un tableau :

Maintenant que nous avons les chiffres des différentes tendances qui compose nos sessions, nous allons intégrer les deux paramètre suivant (tendance asiatique, tendance européenne) dans un arbre afin d’évaluer la répartition pour la prédiction de la tendance new-yorkaise.

Il semblerait que seule une tendance asiatique nulle et une tendance européenne forte/très forte permettrait de prédire avec un léger avantage le sens de la session new-yorkaise avec une probabilité de 56.00 % en faveur d’une tendance positive.

Intégrons maintenant cela aux autres paramètres vu jusqu'à maintenant afin de construire un arbre de décision pour voir s’il existe des chemins intéressant prenant en compte le type de tendance.

Classons les deux meilleures branches prenant en compte le type de tendance dans deux tableaux distinct :

𝗖𝗢𝗡𝗖𝗟𝗨𝗦𝗜𝗢𝗡.
Nous avons vu tous les paramètres qui me semblent importants dans une décision lors ce que nous voulons “prédire” le sens de la tendance New-Yorkaise.

À l’aide de toutes ces données, j'ai conclu par un arbre qui regroupe les meilleurs paramètres afin de donner un tri performant. Il s’agira de l’arbre qui interprète au mieux nos données avec une précision générale de 60%.

Cependant, pour notre prochaine section, nous allons retenir l’arbre suivant, car il ne prend pas en compte les tendances de marché. Sa précision est aussi de 60.00 %, il possède toutefois plus de branches.

𝗖𝗢𝗠𝗠𝗘𝗡𝗧 𝗟'𝗔𝗣𝗣𝗟𝗜𝗤𝗨𝗘𝗥 𝗔 𝗦𝗢𝗡 𝗧𝗥𝗔𝗗𝗜𝗡𝗚 ?
C’est très simple, imaginons que nous définissions un biais et que nous voulons savoir le sens de la tendance new-yorkaise pour consolider notre analyse.

Nous prenons l’outil fourni par TradingView appelée “tendance de régression” et nous cochons la case “R de Pearson” dans l’onglet “style” des paramètres.
Nous utilisons ensuite l'outil pour définir une droite de tendance pour la session asiatique et européenne.

Il ne reste plus qu’à suivre l’arbre selon nos paramètres :
• Sens Londres = négatif, car la droite de régression va dans ce sens.
• Div Londres = Non puisque le sens de clôture est le même que celui de la droite.
• Corr_londres = 0.3826 donc < à 0.855

• sens Asie = positif
• corr_ londres < à 0.715
• corr_asie > à 0.565
Donc, il y a 55 % de chance que la tendance sois positive lors de la session New-yorkaise.

Il y aura surement un outil mis à disposition pour que vous puissiez voir d’un coup d’œil la probabilité pour la session new-yorkaise en cours sous la forme d’un compte Twitter/ indicateur ou d'un outil sur un site web.

Voilà pour cette première partie, ça vous donne une idée d'à quel point quand je disais "la meilleurs qualité que l'on ne vous auras jamais proposer sur twitter" je ne rigolais pas.
Si vous avez aimer ce premier thread je vous encourage à RT, fav et partagé ce dernier !

Si vous voulez soutenir le développeur derrière l'analyse de ces datas vous pouvez le faire directement via ce lien :
leetchi.com

leetchi.com/c/ax-ht

التصنيفات

المزيد من هذا الكاتب

مواضيع ذات صلة

الأكثر اعجابا

التصنيفات

المزيد من هذا الكاتب

مواضيع ذات صلة

الأكثر اعجابا

فك الثريد