Prévision de volatilité EURUSD en 4 lignes de code

Prévision de la volatilité EUR/USD en 4 lignes : comment dquant simplifie le ML pour les traders sans science des données

Les stratégies algorithmiques modernes exigent une évaluation précise et en temps réel du risque. La volatilité est le facteur clé qui influence les ordres stop, le dimensionnement des positions et la gestion du capital. Pourtant, les approches traditionnelles comme GARCH et EWMA peinent souvent à s’adapter aux régimes de marché changeants, tandis que les solutions basées sur l’apprentissage automatique restent hors de portée de la plupart des traders en raison des barrières d’entrée élevées — ingénierie des caractéristiques, validation croisée et réglage des hyperparamètres. La bibliothèque dquant relève ce défi au niveau de l’API : elle encapsule tout le prétraitement, l’entraînement et la validation en seulement trois appels de méthode, éliminant ainsi le besoin de comprendre l’architecture interne de XGBoost ou de concevoir manuellement les caractéristiques.

Comment fonctionne VolClustXGB : des données OHLCV brutes à la prédiction

Le modèle VolClustXGB est un régresseur XGBoost spécialisé conçu spécifiquement pour la prévision de la volatilité. Il ne se contente pas de prédire le prix ou la direction — il renvoie une estimation scalaire de la volatilité attendue (similaire à une métrique de type ATR) pour un nombre spécifié de barres à venir. Sous le capot, il met en œuvre un pipeline rationalisé :

• Génération automatique de caractéristiques techniques à partir des données OHLCV : True Range, rendements logarithmiques, rendements absolus, écarts de prix, rapport corps/étendue, rapport ombre/corps, position de la clôture par rapport à l’étendue, ainsi qu’un ATR mobile sur 14 périodes (roll_atr_14).
• Division de la série temporelle en fenêtres d’entrée (input_bars=70) et en valeurs cibles (horizon=20). La variable cible est la volatilité des 20 prochaines barres, calculée comme la médiane ou la moyenne de l’ATR sur cet horizon.
• Répartition automatisée des ensembles d’entraînement et de validation selon les séries temporelles afin d’éviter toute fuite de données.
• Arrêt anticipé pendant l’entraînement (early_stopping=True) basé sur la diminution de l’erreur de validation (RMSE ou MAE), ce qui prévient le surapprentissage même avec un grand nombre d’arbres (trees_count=200).
• Visualisation du processus d’entraînement : un graphique de convergence montrant l’évolution des erreurs sur les ensembles d’entraînement et de validation, permettant d’évaluer la stabilité du modèle.

Toutes ces étapes sont exécutées en un seul appel .fit(), sans manipulation manuelle des indices, de la normalisation ni des conversions de types de données.

Mise en œuvre pratique : code, interprétation et limites

L’exemple de référence utilise des données horaires EUR/USD provenant de Yahoo Finance. Il est crucial de reconnaître que la source des données influe directement sur la qualité des prévisions : yfinance limite les données intrajournalières à 730 jours, ce qui peut s’avérer insuffisant pour entraîner le modèle sur des cycles de marché variés — des périodes de faible volatilité aux pics provoqués par les réunions du FOMC ou les événements géopolitiques. Une alternative consiste à utiliser MetaTrader 5, qui offre un accès à des historiques plus longs (jusqu’à plus de 1 000 jours) via le terminal local et le compte de courtage.

Les principaux paramètres de l’appel .fit() incluent :

• feature_list : une liste de caractéristiques qui seront calculées automatiquement. Par défaut, elle utilise un ensemble optimisé pour les paires de devises, mais vous pouvez l’étendre ou la remplacer.
• input_bars : la longueur de la fenêtre d’entrée. Une valeur de 70 correspond à environ trois jours sur un cadre horaire — suffisante pour capturer les motifs de volatilité à court terme.
• horizon : l’horizon de prévision. Pour des données horaires, horizon=20 signifie une prévision sur 20 heures, utile pour les stratégies de gestion du risque intrajournalières.
• show_results : affiche le graphique d’entraînement. Recommandé pour les phases de développement afin de diagnostiquer le surapprentissage.

Après l’entraînement, la prévision est générée avec un appel .forecast() utilisant le même nombre de barres que input_bars. Le résultat est un tableau de valeurs de volatilité prédites, compatibles avec n’importe quel module de gestion du risque.

Principales conclusions

• Pas besoin de créer manuellement les caractéristiques : la bibliothèque génère automatiquement le TR, les rendements, le roll_atr_14 et d’autres indicateurs techniques à partir des données OHLCV.
• Robustesse face aux séries temporelles : la division intégrée des séries temporelles garantit que les données de validation se situent toujours dans le futur par rapport aux données d’entraînement.
• Arrêt anticipé par défaut : l’entraînement s’interrompt lorsque l’erreur de validation commence à augmenter, quel que soit le nombre d’arbres spécifié (trees_count).
• Persistance et réutilisation : le modèle peut être sauvegardé sous forme sérialisée grâce à .save() et chargé via .load(), ce qui permet une utilisation en production sans re-entraînement.
• Licence MIT ouverte : le code est disponible pour audit, modification et intégration dans des systèmes propriétaires sans restrictions légales.

Intégration dans le flux de travail d’un trader

Pour une application pratique, nous recommandons le pipeline suivant :

• Mises à jour quotidiennes des données historiques via MT5 (ou yfinance si 730 jours suffisent).
• Recalcul de la prévision de volatilité pour les 20 prochaines barres avant l’ouverture de chaque session de trading.
• Utilisation de la valeur prévue pour calibrer dynamiquement les stops-loss — par exemple, stop_distance = volatilité_prévue * 1,5.
• Sauvegarde du modèle après chaque entraînement réussi et comparaison de ses performances avec les versions précédentes à l’aide du RMSE sur des données de test hors échantillon.

Notez que dquant n’est pas une plateforme de trading complète. C’est un outil destiné à générer des signaux de risque. Ses résultats doivent être intégrés aux stratégies existantes via des interfaces standard (pandas DataFrames, numpy arrays). L’intégration directe avec MT5 est possible grâce à mt5.order_send(), en utilisant la valeur prévue comme paramètre d’entrée pour le calcul du volume.

— Editorial Team