Cours gratuits » Cours finance » Cours Forex » Apprendre le trading boursier support de formation

Apprendre le trading boursier support de formation

Problème à signaler:

Télécharger



★★★★★★★★★★3.5 étoiles sur 5 basé sur 1 votes.
Votez ce document:

SYSTEMES de TRADING BOURSIER

et

RESEAUX NEUROMIMETIQUES

Fabrice LEBEL

RESUME

Cet article aborde le thème des systèmes de trading automatiques utilisant les réseaux neuronaux et les indicateurs de l’analyse technique. Après une introduction précisant le cadre de cette étude nous présentons dans une seconde section quelques principes de base de l’analyse technique. Dans une troisième section nous présentons quelques nouvelles approches actuelles et abordons le cadre théorique et méthodologique des réseaux neuronaux artificiels. Nous y exposons ensuite la procédure mise en place pour réaliser les diverses simulations et tests numériques portant sur le « pisteur » (« tracker ») CAC40 « Master Unit » ainsi que les résultats très intéressants obtenus dans le cadre du management boursier. Dans une qua

trième section nous concluons cette étude et apportons quelques perspectives.

MOTS CLES

Systèmes de trading, investissement boursier, réseaux neuromimétiques, réseaux neuronaux, analyse technique, automatisation des investissements, prévision boursière, connexionisme, automate de trading.

1. INTRODUCTION

Le problème que nous nous proposons d'aborder ici est celui de l'investissement en bourse, dans le cadre d'opérations de court terme n'ayant pas toutes de rentabilités positives, mais permettant sur le long terme d'en obtenir, et ceci de façon automatisée. Il faut rappeler que dans le cadre de l'investissement boursier, de nombreux praticiens utilisent, entre autres outils, l'analyse technique (cf. CHANDE (2001), ACHELIS (2002), BECHU, BERTRAND (2002), SEBAN (2004), ORPHELIN (2004)) afin de décider quand investir ou désinvestir. Cette technique cherche à trouver des régularités, des motifs récurrents, dans les historiques de cours des valeurs boursières, apparemment erratiques. Si ces régularités existent, alors il s'avérera possible d'en tirer parti afin d'obtenir, systématiquement, des rentabilités positives.

Nous présenterons ce travail en deux temps :

- L’analyse technique en tant qu’outil de loin le plus utilisé en finance.  - Les nouvelles approches de type neuronale et le modèle proposé ici.

Nous terminerons en donnant des renseignements sur les logiciels et les systèmes internet.

2. ANALYSE TECHNIQUE

L'engouement pour l'analyse technique, bien qu'elle ait débuté avec les théories de DOW au début des années 1900 et d' ELLIOT dans les années 1930 (cf. BECHU, BERTRAND (2002)), a pris de l'essor avec l'arrivée d'ordinateurs de plus en plus puissants et performants.

L'analyse technique utilise deux approches :

-  l'analyse graphique, visuelle, des cours de bourse : le chartisme ou « analyse technique traditionnelle » - la recherche et l'application de divers filtres numériques : la création d'indicateurs techniques ou « analyse technique moderne ».

Les chartistes cherchent à identifier des figures de base telles que

-  les supports et résistances (Fig. 1)

-  les canaux haussiers et baissiers (Fig. 2) - les « têtes et épaules » (Fig. 3) - etc.

 

Fig. 1: Exemple d'un motif de support et de résistance.

 

Fig. 2: Exemple d'un canal haussier.

 

Fig. 3: Motif en tête et épaules.

Les analystes techniques « modernes » appliquent des filtres numériques aux historiques de prix et de volume générant des signaux d'achat/vente. La Figure 4 présente une stratégie de trading basée sur le croisement de 2 moyennes mobiles simples, l'une courte et calculée sur 3 jours, l'autre longue et calculée sur 10 jours. Cette stratégie consiste à

acheter la valeur quand la moyenne mobile courte franchit à la hausse la moyenne mobile longue. - vendre quand la moyenne mobile courte franchit à la baisse la moyenne mobile longue.

Fig. 4: Stratégie de croisement de moyennes mobiles d'ordre 3 et 10 sur la valeur Alcatel.

Aujourd'hui, l'élaboration manuelle de graphiques et de calculs est révolue. En effet, de nombreux logiciels commerciaux et du domaine libre existent et permettent l'application automatique et quasi instantanée de ces méthodes (cf. DEMPSTER, JONES (1999a, 1999b)). C’est aussi le cas dans de nombreuses bases de données (FININFO, , Dafsa…)

Notons que de nombreuses écoles, notamment aux Etats Unis, proposent dans leurs programmes de formation en finance des initiations aux méthodes de l'analyse technique ; peut être faut-il prendre en compte ce fait si l'on considère les comportements mimétiques observés sur les marchés financiers et les prophéties auto-réalisatrices qui en découlent? Notons en outre que ces phénomènes mimétiques sont plus visibles en « trading intraday » où les opérateurs disposent de très peu de temps pour prendre leurs décisions ; ceci est semble-t-il à l'origine du qualificatif de comportements « moutonnier » de certains opérateurs boursiers (cf. ORLEAN (1998, 1999), MOSCHETTO (1998)).

3. NOUVELLES APPROCHES

Certaines des approches actuelles tentent de modéliser l'évolution des cours de bourse à partir des outils couramment utilisés par les ‘traders ‘, dans le cadre de stratégies d'investissement à court terme, ainsi qu'en ‘collant’ plus aux comportements de ceux-ci. Parmi ces techniques nous trouvons - les réseaux neuronaux

-  les réseaux neuro-flous (« fuzzy neural networks ») (cf. ROJAS (1996)) (cf. ORPHELIN (2004))

-  la programmation génétique (cf. MITCHELL (1999)) qui permet de faire évoluer diverses stratégies d'investissement et d'en sélectionner les meilleures (cf. DEMPSTER, JONES (2001))

-  les algorithmes génétiques (cf. MITCHELL (1999)) qui permettent, par exemple, de trouver des paramètres optimaux pour les indicateurs techniques en faisant ‘évoluer’, par combinaisons et mutations, une population d'un modèle donné ayant initialement des paramètres différents (cf. PARDO (1992)).

-  Notons tout de même que la plupart de ces approches, notamment dans les sociétés financières, et on le comprendra aisément, demeurent confidentielles et qu'il est difficile d'obtenir des informations fiables et claires sur ces sujets.

3.1. CONSIDERATIONS THEORIQUES et METHODOLOGIQUES

Les réseaux neuronaux artificiels sont composés d'un ensemble d'unités de calcul, appelées « neurones formels », connectées plus ou moins complètement entre elles part des liaisons permettant à chaque neurone de recevoir des signaux d'autres neurones ainsi que d'en émettre lui même.

Le neurone formel (Fig. 5) proposé par McCULLOCH et PITT (1953) modélise de façon simplifiée le fonctionnement d'un neurone biologique.

 

Fig. 5: Neurone formel.

Ici, le neurone j reçoit des signaux, oi , i =1..M , en provenance des neurones . Le i niveau d'activation du neurone j , ? , est la somme des signaux oi pondérés par les poids synaptiques wij . Un signal oj est émis par le neurone j si le résultat de sa fonction d'activation F(?) est supérieur au seuil d'activation ?.

L'organisation des neurones entre eux, l'architecture neuronale, a donné lieu à divers modèles parmi lesquels on peut citer les réseaux multi-couches (Fig. 6), les cartes auto-organisatrices de KOHONEN, les réseaux récurrents (Fig. 7), etc.

 

                                Couche d'entrée                     Couches cachées                      Couche de sortie

Fig. 6: Réseau neuronal multi-couches avec propagation vers l'avant des signaux, appelé aussi réseau « feed-forward ».

 

Fig. 7: Réseau récurrent complètement connecté.

L'apprentissage du réseau neuromimétique consiste à ajuster les poids synaptiques des connexions de façon incrémentale à partir d'exemples proposés en entrée au réseau. Selon le modèle neuronal considéré, cet apprentissage fait appel à 2 lois

augmenter la force de connexion entre 2 neurones qui sont simultanément excités, c'est la loi de HEBB (1949) qui est d'origine biologique

optimiser (généralement minimiser) une fonction de coût calculée à partir des erreurs commises par le réseau comme, par exemple, dans l'algorithme de rétropropagation du gradient d'erreur utilisé dans les réseaux neuronaux multicouches.

La méthodologie généralement utilisée dans le cadre de modélisations de séries boursières avec des réseaux neuromimétiques consiste généralement en 3 phases qui sont

Phase 1. Le retraitement des données qui consiste principalement à scinder les données disponibles en

3 échantillons

•  échantillon d'apprentissage ou d'« entraînement »

•  échantillon de validation qui sera présenté régulièrement au réseau pendant l'apprentissage afin

d'éviter le phénomène de sur-optimisation

• échantillon de test qui n'est utilisé qu'après la phase d'apprentissage afin de tester les capacités de généralisation du réseaux neuronal.

Dans le cadre de cette phase, les données utilisées peuvent être normalisées ou mise à l'échelle afin d'améliorer la stabilité du réseau neuromimétique.

Phase 2. La sélection des architectures neurales qui consiste à construire et tester différentes architectures et à en sélectionner les mieux adaptées au problème à traiter. Les critères de sélection se basent généralement sur une mesure de l'erreur commise par le réseau neuronal.

Phase 3. Le post-traitement où diverses stratégies de trading sont testées sur les prédictions réalisées à partir des réseaux neuronaux sélectionnés et des mesures de performance sont réalisées. Certaines de ces mesures de performance peuvent être des rentabilités ou des ratios de type gain/risque.

3.2. MISE en PLACE

Dans un premier temps, nous avons réalisé des simulations à partir des indicateurs de l'analyse technique afin de sélectionner les meilleurs paramètres pour chacun.

Marché haussier

Marché baissier

Marché mixte

Stratégies

R (%)

RB&H (%)

R (%)

RB&H (%)

R (%)

RB&H (%)

SMA (3,10)

-1.07

17.48

4.55

-28.32

-6.22

-10.16

SMA(20,50)

-17.37

14.26

-6.82

-30.38

-1.14

-10.92

CCI(14)

1.33

21.04

-22.82

-26.80

-12.51

-9.96

CCI(20)

9.26

16.68

-17.14

-24.70

-12.51

-9.96

RSI(5)

3.91

24.70

-9.27

-29.53

-4.98

-10.79

RSI(9)

0.16

19.94

-24.08

-26.90

-14.06

-10.65

RSI(15)

-4.26

15.96

-25.98

-29.53

-13.34

-11.36

STOCH(5,3)

-1.64

20.14

-19.24

-28.35

-9.31

-10.70

STOCH(9,3)

4.42

18.84

-17.11

-26.60

-9.36

-11.72

STOCH(14,3)

-5.54

17.34

-12.17

-26.00

-9.31

-10.70

STOCH(21,3)

-2.53

17.05

-5.21

-26.35

-9.31

-10.70

MACD(12,26)

-9.93

16.49

11.35

-26.28

-1.47

-7.90

Tab. 1: Rentabilités annuelles de stratégies basées sur des indicateurs techniques.

RB&H est la rentabilité annuelle d'une stratégie « Buy and Hold » qui est un investissement passif et qui consiste à constituer un portefeuille et à le conserver tel quel jusqu'au terme de la période d'investissement.

Sigles : SMA (n,p) : stratégie croisement de moyennes mobiles d'ordres n et p, n < p ; CCI(n) : stratégie

« Commodity Channel Index » d'ordre n ; RSI(n) : stratégie « Relative Strength Index d'ordre n ; STOCH(n,p) : stratégie basée su les indicateurs « stochastiques », %K(n) %D(p) ; MACD(n,p) : stratégie « Moving Average Convergence Divergence » d'ordre n et p.

Dans un second temps, dans le cadre des simulations neuronales, nous avons utilisé un réseau multicouches avec propagation des signaux vers l'avant ou réseau « feed-forward » (Fig. 8).

Les entrées ou « inputs » de ce réseau sont les cours de bourse, P , pris aux dates t et t ?1 ainsi que les indicateurs de l'analyse technique suivants

-  2 moyennes mobiles simples d'ordre 3 et 10, SMA(3) et SMA(10)

-  2 indicateurs « Commodity Channel Index » d'ordre 14 et 20, CCI(14) et CCI(20)

-  2 indicateurs « Relative Strengh Index » d'ordre 5 et 9, RSI (5) et RSI(9)

-  les indicateurs « stochastiques » %K d'ordre 9 et %D d'ordre 3

-  l'indicateur « Moving Average Convergence Divergence » d'ordres 12 et 26, MACD(12,26).

Le lecteur désirant connaître les formulations mathématiques de ces indicateurs peut se référer à ACHELIS (2002) , BECHU, BERTRAND (2002), LEBEL (2005).

En sortie, le réseau doit prévoir le cours de la valeur pour la date t +1. A partir de cette prévision, l'erreur de prévision est calculée et l'algorithme de rétropropagation du gradient d'erreur ajuste les forces des connexions entre les unités neurales.

 

Fig. 8: Architecture neurale de base utilisée lors des simulations.

Sigles : Pt : prix à la date t, Pt?1 : Prix à la date t ?1, SMA(n) : moyenne mobile simple d’ordre n , CCI(n) : « Commodity Channel Index » d’ordre n , RSI(n) : « Relative Strength Index » d’ordre n , %K(m) et %D(n) : « Stochastique » rapide et lente, respectivement d’ordre m et n , MACD(m,n) : « Moving Average Convergence Divergence » d’ordre m et n.

En outre, pour chaque modèle testé nous avons procédé à deux simulations : l'une avec coûts de transaction et l'autre sans. La formule utilisée pour prendre en compte des coûts de transaction tels que les frais de courtage et les coûts liés au « slippage » est la suivante :

P    =          prix du titre ? =          sens de la transaction

=

?+1 pour un achat

? ??1 pour une vente

?courtage

=

taux des frais de courtage = 0.3%

?slippage

=

taux des frais de slippage = 2%

C

=

coût unitaire

=

P*[1+?*(?courtage +?slippage )].

Le terme de « slippage » regroupe l'ensemble des coûts de transaction autres que les frais de courtages, les taxes boursières, les droits de garde, etc que l'on regroupe généralement sous le terme de coûts explicites. On estime généralement qu'il se situe entre 1% et 3% du montant de la transaction.

Pour évaluer les performances de ces simulations nous avons utilisé les mesures suivantes (cf. PARDO

(1992), AMENC, LE SOURD (2002))

 n

=

nombre de jours d’investissement

R

=

rentabilité durant la période de longueur n

Ran

=

rentabilité annuelle

Pdébut

=

prix d’achat (de vente) au début de la période de durée n

Pfin

=

prix de vente (d’achat) à la fin de la période de durée n

RB&H

=

rentabilité annuelle de la stratégie d’investissement passive « Buy and Hold »

%MDD

=

« Maximum DrawDown » exprimé en pourcentage du capital initial

Ster*

=

ratio de Sterling modifié,

-  la rentabilité annuelle :

Ran = +(1 R)360 / n ?1

-  la rentabilité « Buy and Hold » :

360/ n

                        ? Pfin ???        ?1

RB&H =??Pdébut ?

?

-  le ratio de Sterling modifié (cf. DEMPSTER, JONES (2001))

    Ster* =???1+ %MDDsi R ? 0

?     100 ?    R          si R < 0.

La rentabilité « Buy and Hold » est la rentabilité d'une stratégie d'investissement passif qui consiste à constituer un portefeuille et à le conservé tel quel jusqu'au terme de la période d'investissement.

Le « maximum drawdown » est une mesure de risques extrêmes largement utilisée par les praticiens afin d'évaluer les pertes en capital pouvant survenir sur une période d'investissement. Elle se définit comme étant la plus grande perte enregistrée par rapport au niveau le plus haut atteint par un portefeuille sur la période d'investissement considérée (cf. ORPHELIN (2004), AMENC et al (2004)).

Il existe d'autres mesures de risques parmi lesquelles nous pouvons citer

-  le « maximum initerrupted loss » qui fait partie des mesures de risques extrêmes et qui est la plus grande suite de pertes consécutives enregistrées par le portefeuille

-  la « Value at Risk » (VaR) qui mesure les pertes potentielles qui surviennent de manière régulières dans le portefeuille.

Fig. 9: Illustration du concept de « Maximum DrawDown » (MDD) sur une courbe de gain (« equity curve »). Ici, le MDD est égal au cumul des pertes entre les points A et B.

3.3. RESULTATS

Les « prévisions » de cours de bourse obtenues avec les simulations neuronales sont présentées dans les  Figures 10 à 12 qui suivent.

Fig. 10: Modèle 11*7*1.

Fig. 11: Modèle 11*9*1.

Fig. 12: Modèle 11*11*1.

Les performances obtenues avec les divers modèles testés sont résumées au Tableau 2 ci-dessous.

Sans coûts de transaction

Avec coûts de transaction

Modèles

R (%)

RB&H (%)

Ster*

R (%)

RB&H (%)

Ster*

11*7*1

15.69

8.21

1.6965

-30.87

10.99

-0.3087

11*9*1

13.21

8.21

1.2824

-43.28

8.21

-0.4328

11*11*1

27.35

6.87

2.0429

-78.40

6.87

-0.7840

SMA(5,10)

-8.63

15.80

-0.0853

-52.69

13.04

-0.5269

CCI(14)

-1.13

15.32

-0.0113

-37.02

12.57

-0.3702

CCI(20)

4.01

16.12

0.4244

-28.84

13.30

-0.2884

RSI(5)

-4.33

9.77

-0.0433

-58.03

9.77

-0.5803

RSI(9)

-2.32

15.41

-0.0232

-37.72

12.50

-0.3772

STOCH(9,3)

-0.20

12.25

-0.0020

-33.45

12.25

-0.3345

MACD(12,26)

-11.65

20.86

-0.1165

-49.38

23.89

-0.4938

Tab. 2 : Résumé des performances des simulations.

Nous constatons 

-  de fortes rentabilités annuelles de modèles neuronaux en absence de coûts de transaction (de 13% à 27%)

-  un seul modèle de l'analyse technique, le CCI(20), a obtenu une rentabilité annuelle positive que tous les modèles étudiés ont eu des rentabilités annuelles négatives lors de l'intégration des coûts de transaction.

4. CONCLUSION

Nous présentons ici les apports et limites de notre étude et tentons d'indiquer quelques perspectives pour des travaux à venir.

APPORTS

Dans ce travail nous avons confirmé, comme certains théoriciens et praticiens l'indiquent, que

-  les indicateurs techniques, utilises seuls, sont rarement efficaces

-  les conditions de marché, haussier, baissier ou stable, ont une influence sur le type d'indicateurs à privilégier

-  la combinaison d'indicateurs de l'analyse techniques est une solution permettant d'optimiser l'efficacité opérationnelle de ceux-ci

-  l'impact des coûts de transaction sur les performances de stratégies de trading est non négligeable.

Nous avons aussi montré que

-  les réseaux neuromimétiques peuvent permettent de trouver des liens entre indicateurs de l'analyse technique, en privilégiant certains au détriment d'autres, selon les configurations de marchés

-  les l'utilisation des réseaux neuromimétiques, dans le cadre du trading basé sur des indicateurs de l'analyse technique, offrent un avantage non négligeable en terme de nombre d'indicateurs qu'il est possible d'utiliser. En effet, l'analyste technique utilise en général, simultanément, 4 ou 5 indicateurs lors de ses analyses. Dans notre travail, nous en avons utilisé 11 et ce nombre n'est pas un plafond.

Ce travail a aussi permis la création d'une plateforme logicielle de trading boursier, d'environ 46000 lignes de code informatique, et composée de librairies et d'une interface graphique.

LIMITES

-  Nous nous sommes limités à quelques indicateurs de l'analyse technique alors qu'il en existe un nombre important

-  nous n'avons considéré, dans le champ de l'analyse technique, que les indicateurs techniques. Il aurait été intéressant, comme le font de nombreux investisseurs, d'intégrer l'analyse graphique ou chartisme et de la combiner avec ces indicateurs techniques

-  introduire de meilleures mesures des coûts de transaction comme le font actuellement certaines sociétés d'investissement.

PERSPECTIVES

Dans l'avenir, il serait intéressant de renforcer les approches neuronales en utilisant des méthodes complémentaires comme les algorithmes génétiques qui pourraient permettre, par exemple, d'automatiser les phases de sélection

-  des meilleurs indicateurs à utiliser

-  des architectures neurales les plus aptes à solutionner un problème donné.

En outre l'utilisation de systèmes hybrides mélangeant les capacités de diverses méthodes de l'intelligence artificielle (IA) comme l'IA symbolique, connexionniste et statistique (cf. CLOETE, ZURADA (2000)) pourrait permettre de

reproduire plus fidèlement la complexité du processus d'investissement boursier. On pourrait par exemple imaginer un système global combinant des sous-systèmes tel que des systèmes experts chargés de proposer des investissement possibles basés sur l'analyse financière, sur des raisonnements économiques plus proches de ceux des financiers et qui viendraient compléter et affiner les prévisions des réseaux neuromimétiques

comprendre les règles décisionnelles générées par le processus d'optimisation numérique par réseaux neuronaux qui sont souvent qualifiés de « boîtes noires ». On pourrait, par exemple, confirmer que le réseau neuronal été optimisé de façon à utiliser les indicateurs techniques les plus adaptés à certaines conditions de marché (marché haussier, baissier et plat).

REMERCIEMENTS : Le présent travail doit beaucoup à notre Directeur de thèse avec lequel nous avons publié une version proche (cf.. LEBEL, TREMOLIERES (2005)) insistant plus sur l’aspect neuronal en matière de prévision.

REFERENCES

ACHELIS, S (2002) L'analyse technique de A à Z.Valor Editions, Hendaye.

AMENC, N., LE SOURD, V. (2002) Théorie du Portefeuille et Analyse de sa Performance. Economica, Paris.

AMENC, N., BONNET, S., HENRY, G., MARTELLINI, L., WEYTENS, A. (2004) La gestion alternative,.Economica, Paris.

BECHU, T., BERTRAND, E. (2002) L'Analyse Technique (Pratiques et méthodes), 5e édition, Economica, Paris.

CHANDE, T. S. (2001) Beyond Technical Analysis (How to Develop and Implement a Winning Trading System). Second edition, John Wiley & Sons, Inc., USA.

CLOETE, I., ZURADA, J. M., ed. (2000) Knowledge-Based Neurocomputing, The MIT Press, Cambridge, Massachusetts, London, England.

DEMPSTER, M. A. H., JONES, C. M. (1999a)  Can technical pattern trading be profitably automated? 1.

The channel , Working Paper 11/99, Judge Institute of Management, University of Cambridge.

DEMPSTER, M. A. H., JONES, C. M. (1999b) Can technical pattern trading be profitably automated? 2. The head an shoulders. Working Paper 12/99, Judge Institute of Management, University of Cambridge.

DEMPSTER, M. A. H., JONES, C. M. (2000)  The profitability of intra-day FX trading using technicalindicators. Working Paper 35/00, Judge Institute of Management, University of Cambridge.

DEMPSTER, M. A. H., JONES, C. M. (2001) A real-time adaptative trading system using genetic programming. Quantitative Finance, v. 1, n.4, p. 397-413.

HARRIS, L. (2003) Trading and Exchanges (Market Microstructure for Practitioners). Oxford University Press, New York.

JODOUIN, J.-F. (1994) Les réseaux neuromimétiques. Hermes, Paris.

KISSEL, R., GLANTZ, M. (2003) Optimal Trading Strategies (Quantitative Approaches for Managing Market Impact and Trading Risk). Amacom, USA.

LEBEL, F. (2005) Systèmes de Trading Boursiers et Réseaux Neuromimétiques (apports, limites, propositions). Thèse de doctorat, Université Aix-Marseille 3, Paul CEZANNE.

LEBEL, F., TREMOLIERES, R. (2005) Modélisation neuronale et trading boursier. W.P. CETFI,  Université Aix-Marseille 3, Paul Cézanne.

MITCHELL, M. (1999) An Introduction to Genetic Algorithms. The MIT Press, Cambridge, Masachusetts.

MOSCHETTO, B.-L. (1998) Mimétisme et marchés financiers. Economica. Paris.

ORLEAN, A. (1998) Le poids de croyances . Sciences Humaines. Hors série (L'économie repensée),

(22):24-26.

ORLEAN, A. (1999) L'imitation en finance est-elle efficace?  Dossier Pour la Science (Les mathématiques sociales), (24):120-125.

ORPHELIN, P. (2004) Les systèmes de trading et quelques controverses sur l'analyse technique des marchés financiers). Gualino éditeur, Paris.

PARDO, R. (1992) Design, Testing and Optimization of Trading Systems.John Wiley & Sons, Inc., USA.

ROJAS, R. (1996) Neural Networks (A Systematic Introduction). Springer Verlag, Berlin Heidelberg New York.

SEBAN, O. (2004) Techniques de day trading et de swing trading. Maxima, Paris.

TREMOLIERES, R., HOANG, E. (1999) A new neuronal algorithm for classification of groups.

Conférence pour le 70ème anniversaire du Professeur J.L. Lions. Aussi cahiers du CEROM.

ANNEXE 

A1-INFORMATIONS et DONNÉES BOURSIÈRES

Euronext, site d'informations officiel de la bourse paneuropéenne. Offre la possibilité de télécharger de la documentation technique et juridique, des didacticiels ainsi que de données boursière.

ABC Bourse, site d'informations boursières permettant le téléchargement gratuit de données (cours, volumes). Des historiques de cours payants sont aussi disponibles. 

A2-LOGICIELS de TRADING BOURSIERS 'CLASSIQUES'

TradeStation, plateforme de trading permettant de créer et d'exécuter des stratégies de trading. 

ProRealTime, plateforme de trading pour traders professionnels et indépendants. Possibilité d'utiliser gratuitement une version limitée en fonctionnalités.

 

Axial Finance, logiciel de gestion de portefeuilles, d'analyse technique et fondamentale.

-  suite logicielle GL Trade, plateformes de trading pour professionnels, indépendants et particuliers. Fourniture de données boursières et financières en temps réel. 

Boursitel Expert, logiciel de gestion de portefeuilles et d'analyse technique pour particuliers.

AltiStock, logiciel gratuit d'analyse technique et de gestion de portefeuilles.

 

A3-LOGICIELS de TRADING BOURSIERS avec RÉSEAUX NEURONAUX - NeuroGen

 

- Jurik Research, modules pour Microsoft Excel, TradeStation et librairie pour la programmation.

 

- TradingSolutions

 

SAFIR-Xs et Xp, module pour TradeStation utilisant la logique floue et les réseaux neuronaux. 

RÉSEAUX NEURONAUX APPLIQUÉS au TRADING BOURSIER

- MJ Futures

 - Brain Trader

 

A4-LOGICIELS SCIENTIFIQUES pour RÉSEAUX NEURONAUX

Stuttgart Neural Network Simulator (SNNS), logiciel gratuit pour système Unix et Microsoft Windows. La version JavaNNS, succédant à SNNS, est plus facile d'installation et d'utilisation.

Fast Artificial Neural Network Library (FANN), librairie de fonctions gratuite, écrite en langage C, pour programmer des réseaux neuromimétiques. Elle possède des extensions pour les langages C++, PHP ainsi que pour les logiciels scientifiques Mathematica et Octave. 

Fast Artificial Neural Network Explorer, logiciel gratuit pour entraîner et tester des réseaux neuronaux. Il es basé sur la librairie FANN.

 

GNU Octave, logiciel gratuit de calcul numérique, clone du logiciel MatLab. Il contient un langage de programmation de haut niveau qui rend possible la création de modules consacrés au réseaux neuromimétiques. 

Mathematica, logiciel de calcul numérique et symbolique. Un module dédié aux réseaux neuromimétiques peut être intégré à ce logiciel.

 

 

Matlab, logiciel de calcul numérique et symbolique. Un module dédié aux réseaux neuromimétiques, Neural Network Toolbox, peut être intégré à ce logiciel.

 

 



International Finance Conference, AFFI, 2006, IAE Poitiers, CEREGE.

Chercheur, CETFI, Centre d’Etudes des Techniques du Financement et d’Ingénierie, 350 av. Club Hippique, 13090 Aix en Provence, et CEROM, Université Paris 2.


4