Page 1 sur 1

Machine learning: ça marche ou pas ?

Publié : 03 oct. 2026, 03:39
par neo-13
Bonjour,
Il y a deux mois, j'expliquais comment j'avais construit et entraîné mon modèle LGBM pour qu'il puisse évaluer les trades de mes stratégies options.
Depuis, le modèle a continué à fonctionner sur les trades du marché, à généré des opportunités et les à noté.

Il est maintenant temps de regarder les résultats.
Dans cette vidéo, je vais d'abord présenter les résultats globaux, puis aller progressivement dans le détail et les segmenter :
🔹 Stratégie
🔹 DTE
🔹 Take Profit
🔹 Risk/Reward

L'objectif est simple : est-ce que la note donnée par le LGBM permet réellement de différencier les trades selon leur probabilité de réussite, et de voir si les probabilités de score s'avèrent exacte sur le marché en réel ?
Les résultats permettent notamment d'observer comment évolue le taux de réussite lorsque la note du modèle augmente.

https://youtu.be/2x4nCsoZecA

Re: Machine learning: ça marche ou pas ?

Publié : 03 oct. 2026, 14:27
par Pascaline1
Sujet intéressant, surtout pour voir si les scores du modèle se confirment réellement sur les trades en conditions de marché.

Re: Machine learning: ça marche ou pas ?

Publié : 08 oct. 2026, 15:42
par jackoneil
Bonjour Patrick,

Merci pour ce suivi, c'est exactement le genre de retour qui manque le plus sur le sujet : on voit beaucoup de modèles présentés au moment de leur construction, beaucoup moins confrontés au marché réel deux mois plus tard.

La question que tu poses est la bonne, et elle se découpe en deux :
  • Le classement : est-ce que les trades les mieux notés réussissent plus souvent que les moins bien notés ? Si le taux de réussite monte de façon régulière quand la note augmente, le modèle apporte de l'information.
  • La calibration : est-ce qu'une note de 70 % correspond vraiment à environ 70 % de trades gagnants ? Un modèle peut très bien classer correctement les trades tout en étant trop optimiste (ou trop prudent) sur les probabilités elles-mêmes.
Quelques points que je regarderais en complément, si tu as les données sous la main :
  • Le nombre de trades par tranche de note : sur deux mois, certaines tranches peuvent ne contenir que quelques dizaines de trades, et là un écart de 10 points de taux de réussite peut encore être du hasard.
  • Le taux de réussite ne fait pas l'espérance : sur des stratégies options, un taux de 85 % peut cacher une espérance négative si les 15 % de pertes coûtent très cher. La vraie question pour un trader, c'est : en ne prenant que les trades au-dessus d'un certain seuil de note, est-ce que le gain moyen par trade s'améliore par rapport à « tout prendre » ?
  • La stabilité selon le contexte : est-ce que la qualité des notes tient sur les phases de marché calmes comme sur les phases plus agitées ? Un modèle entraîné sur une période peut perdre de sa pertinence quand la volatilité change de régime.
Pour l'avoir vécu de mon côté en testant des filtres sur des stratégies d'open : beaucoup de pistes paraissent très prometteuses sur l'historique et s'effondrent dès qu'on les vérifie sur une période qui n'a pas servi à les construire. Le fait que tu présentes des résultats « hors entraînement », en conditions réelles, c'est justement ce qui donne de la valeur à ta démarche.

Je regarde la vidéo en détail, et je reviendrai sûrement avec des questions sur la segmentation par DTE et par risk/reward.

@Pascaline1 : entièrement d'accord, c'est tout l'intérêt de l'exercice. Un score n'a de valeur que s'il se vérifie sur des trades qui n'ont pas servi à entraîner le modèle.