Loading...
Loading...
Tous les avis, classements, guides, stratégies et documents de confiance.
Méthodologie
Des données de marché brutes au signal publié avec score de confiance — le pipeline exact derrière chaque entrée, stop et objectif.
Dernière mise à jour : 20 mai 2026
Un ensemble LightGBM en gradient boosting dédié par paire (symbole, timeframe) — des modèles dédiés, et non un unique classifieur universel. La couverture complète 10 symboles × 4 timeframes est en cours de déploiement durant la Phase 1b.
Méthode Triple-Barrier (López de Prado) pour la labellisation — trois conditions de sortie au lieu de rendements à horizon fixe. Bien moins de fuite de label que les approches naïves.
Le score de confiance 0-100 % provient directement de la sortie probabiliste du modèle. En dessous de 60 % — aucun signal publié.
Placement des SL/TP mis à l'échelle par ATR(14). R-multiples calibrés par timeframe — cible typique 1,5R à 3,0R. Pas de stops en pips fixes.
Nous affichons le calendrier économique pour que vous puissiez appliquer votre propre filtre d'événements. Le veto algorithmique automatique des signaux à proximité d'événements à fort impact figure sur la feuille de route Phase 2.
Chaque signal publié passe par ces étapes dans cet ordre. Aucun raccourci. Temps total entre la clôture du bar et la publication du signal : généralement 4 à 9 secondes.
Flux de ticks en temps réel depuis notre connexion broker principale (Tier-1 ECN) plus un flux de secours pour la redondance. Les bars sont assemblés aux frontières H1/M15/H4/D1 avec un alignement UTC strict. Les ticks tardifs sont écartés — nous ne repaintons jamais.
~50 features calculés par bar : RSI(14), MACD(12,26,9), Bollinger Bands(20,2), ATR(14), stack EMA 5-21-50-200 + flags de crossover, session du jour et régime de volatilité récent. Le set de features évolue au fil des études d'ablation — tout ce qui ne fait pas bouger le Sharpe out-of-sample est coupé.
Le modèle LightGBM par tuple émet une probabilité pour chaque classe de direction. Latence d'inférence p99 ≈ 6 ms. Le post-traitement de calibration probabiliste (Platt scaling) figure sur la feuille de route Phase 2 — les probabilités actuelles sont la sortie brute du classifieur.
La probabilité du modèle devient directement le score de confiance 0-100 %. Un signal n'est publié que si la confiance dépasse le seuil propre au timeframe (60 % intraday / 55 % daily) ET que le ratio risque-récompense est d'au moins 1,5R. Le scoring composite avec confluence technique + taux de réussite historique figure sur la feuille de route Phase 2.
Le signal est publié avec le payload complet (entrée, SL ajusté à l'ATR, TP ajusté à l'ATR, confiance, version du modèle). Le calendrier économique des devises concernées est affiché à côté sur la page du signal afin que vous puissiez reporter les entrées proches d'événements à fort impact. Le veto automatique d'événements figure sur la feuille de route Phase 2.
Pourquoi LightGBM, pourquoi un par tuple, et à quoi ressemblaient les alternatives.
Chaque paire (symbole, timeframe) reçoit son propre ensemble dédié d'arbres de décision gradient-boosted LightGBM. EURUSD H1 et EURUSD H4 sont des modèles différents — même si le symbole sous-jacent est identique, les dynamiques de bars ne le sont pas, et un modèle optimal sur les bars horaires sur-ajusterait ou sous-ajusterait sur les bars 4 heures.
Nous avons testé les réseaux de neurones profonds (LSTM, Transformer) tôt dans le développement. Ils ont atteint un Sharpe out-of-sample similaire mais avec un coût d'entraînement 10× supérieur, une latence d'inférence 100× supérieure et bien moins d'interprétabilité. Pour les données financières tabulaires avec des échantillons limités (années de bars, pas des millions), les gradient-boosted trees restent à l'état de l'art selon la littérature académique (Grinsztajn 2022, NeurIPS).
Hyperparamètres réglés via Optuna avec des frontières walk-forward — jamais de mélange aléatoire, qui ferait fuiter de l'information future dans l'entraînement. Les modèles sont réentraînés périodiquement à mesure que de nouvelles données de marché s'accumulent ; la couverture complète 10 symboles × 4 timeframes est déployée de manière incrémentale durant la Phase 1b.
Couverture cible
10 × 4
10 symboles × 4 timeframes (M15/H1/H4/D1) — en cours de déploiement durant la Phase 1b
Cadence de réentraînement
Périodique
Réentraîné à mesure que les nouvelles données s'accumulent et que les études d'ablation font émerger des améliorations
Features par modèle
~50
Couvrant le price action, les indicateurs techniques, le contexte de session, le régime de volatilité
Pourquoi nous n'utilisons pas de rendements à horizon fixe — et ce que López de Prado a compris.
Le schéma de labellisation le plus courant dans le ML de trading retail est le « rendement à horizon fixe t+N » — mais c'est mathématiquement incompatible avec la façon dont les traders tradent réellement. Un vrai trade se ferme quand SL ou TP est atteint, et non à un timestamp futur arbitraire.
La méthode Triple-Barrier (López de Prado, Advances in Financial Machine Learning, 2018) labellise chaque bar avec le résultat qui se serait produit depuis cette entrée : barrière TP atteinte (label = +1), barrière SL atteinte (label = -1), ou TTL écoulé sans aucune des deux (label = 0). Les barrières sont dimensionnées en multiples d'ATR pour un risque ajusté au symbole.
Résultat : les labels reflètent le trade que nous aurions réellement pris. Bien moins de fuite de label, corrélation plus faible entre labels adjacents, validation croisée plus honnête. Les signaux notés en confiance reflètent la probabilité d'un trade gagnant, et non l'abstrait « prix en hausse à horizon fixe ».
Chaque feature a une contribution mesurable au Sharpe out-of-sample. Tout ce qui n'a pas survécu à l'ablation a été coupé.
| Indicateur | Paramètres | Rôle |
|---|---|---|
| RSI | 14 périodes | Oscillateur de momentum — les lectures extrêmes indiquent les régimes de surachat/survente |
| MACD | 12 / 26 / 9 | Divergences de tendance & momentum — croisements signal-line + accélération de l'histogramme |
| Bollinger Bands | 20 périodes, 2σ | Enveloppe de volatilité — entrées en mean reversion au contact + filtre de breakout |
| ATR | 14 périodes | Échelle de volatilité — pilote le dimensionnement SL/TP, pas de stops en pips fixes |
| Stack EMA | 5 / 21 / 50 / 200 | Détection du régime de tendance — pente + flags d'alignement multi-timeframe |
| Proximité S/R | Pivots swing 20-bar | Distance au support/résistance le plus proche — utilisée comme poids de confluence |
| Session du jour | Asie / Londres / NY / Overlap | Régime de liquidité — les stratégies varient selon le biais de session |
| Régime de volatilité | Percentile ATR, 90 bars glissants | Bas/normal/haut — les régimes high-vol ont des seuils de confiance plus stricts |
Comment le score que vous voyez sur chaque carte de signal est réellement calculé.
Pipeline actuel (Phase 1b)
confidence = P_ml → publier si confidence ≥ seuil ET risk_reward ≥ 1,5RMathématiques de risque ajustées à l'ATR, pas d'objectifs en pips fixes.
Chaque signal porte un prix d'entrée, un stop-loss et un take-profit — tous calculés au moment de la génération du signal, et non choisis par des humains. Les calculs sont déterministes et identiques pour chaque signal du même timeframe.
Stop-loss = entry ± ATR(14) × stop_multiplier. Stop_multiplier varie selon le timeframe : M15 = 1,0× ATR, H1 = 1,5× ATR, H4 = 2,0× ATR, D1 = 2,5× ATR. Assez serré pour que le bruit aléatoire ne nous sorte pas ; assez large pour que les pullbacks normaux ne nous sortent pas non plus.
Take-profit = entry ± ATR(14) × stop_multiplier × R_target. R_target est le ratio risque-récompense : généralement 1,5-3,0 selon la confiance. Les signaux à confiance plus élevée portent des cibles R plus élevées — parce que nous avons des preuves plus solides qu'ils vont courir.
Résultat : risque-récompense 2,0R. Si nous gagnons 50 % du temps, nous sommes nets profitables. Nous n'avons pas besoin d'avoir raison — nous avons besoin d'être calibrés.
Nous exposons les données ; le veto algorithmique automatique figure sur la feuille de route Phase 2.
Les marchés forex sont dominés par les décisions des banques centrales, les rapports sur l'emploi et les chiffres d'inflation. Un setup technique parfaitement valide est démoli si le NFP tombe 30 minutes plus tard. Nous vous fournissons le calendrier — appliquer le veto reste actuellement votre décision.
Chaque page /signals/{symbol}/{tf} expose les événements à fort/moyen impact à venir pour les devises concernées dans un bloc dédié. Les données proviennent du calendrier économique MT5 via notre service d'ingestion (voir l'endpoint public /api/public/economic-calendar). Rafraîchissement toutes les minutes.
Ce qui est prévu ensuite : veto automatique des nouveaux signaux lorsque des événements à fort/moyen impact tombent dans une event_window. Actuellement, le moteur d'inférence dispose d'un flag `news_blackout_enabled` câblé mais positionné par défaut à false — nous l'activerons une fois la Phase 2 livrée et l'effet net du veto sur le Sharpe testé en rétrospectif.
Pourquoi nous ne faisons pas confiance aux backtests in-sample — et à quoi ressemble une évaluation honnête.
Les splits train/test aléatoires sont la source n° 1 d'allégations de performance gonflées dans le ML de trading retail. Un split aléatoire laisse fuiter l'information du futur dans l'entraînement (le modèle apprend ce qui s'en vient parce que les bars adjacents sont fortement corrélés). Une évaluation honnête exige un ordre temporel.
Nous utilisons la validation walk-forward : entraînement sur une fenêtre passée, validation sur la fenêtre suivante en avant, avancement des deux fenêtres, répétition. Chaque version de modèle est notée sur son walk-forward complet avant la promotion en production.
Seuils d'acceptation actuels (les quatre doivent être atteints avant promotion) : Sharpe ratio ≥ 1,0 (intraday) / Win rate ≥ 0,50 / Profit factor ≥ 1,3 / Max drawdown ≤ 20 %. Les modèles qui échouent à un seuil quelconque ne sont pas promus — la précédente bonne version reste en ligne. Les seuils seront resserrés à mesure que davantage de données historiques s'accumulent et que la baseline se stabilise.
La détection automatique de la dégradation des modèles figure sur la feuille de route. État actuel : supervision humaine + promotion manuelle des modèles.
Les conditions de trading live divergent des backtests historiques. Les spreads s'élargissent, le slippage augmente, le régime de marché change. Même un modèle qui a passé la validation walk-forward peut se dégrader en production. Notre défense de long terme : monitoring continu + rollback automatique. Aujourd'hui, la moitié monitoring est en place ; la moitié auto-revert figure sur la feuille de route Phase 2.
Ce qui est livré aujourd'hui : le résultat de chaque signal publié est journalisé de manière immuable. Le tableau de bord track record sur /signals/track-record expose les métriques glissantes — la dégradation EST donc visible. Nous n'agissons simplement pas dessus automatiquement pour le moment.
Ce qui est prévu pour la Phase 2 : un watchdog qui compare la fenêtre glissante de 30 signaux aux planchers d'acceptation (Sharpe < 0,8 / win rate < 0,45 / profit factor < 1,1). N manquements consécutifs → auto-revert vers la précédente bonne version du modèle + bipage de l'ingénieur d'astreinte. Tant que cela n'est pas livré, la promotion et le rollback des modèles sont des décisions humaines prises au regard du track record live.
Délimitation honnête. Notre méthodologie est robuste à l'intérieur de ces frontières — au-delà, vous faites confiance à l'extrapolation du modèle.
Si nous promettons plus que ce que nous pouvons livrer, nous abîmons la confiance. Voici ce que ces signaux ne sont pas.
Le Sharpe walk-forward passé ne prédit pas les résultats futurs. Les marchés évoluent. Même un signal calibré à 70 % de confiance perd 30 % du temps.
Les signaux sont des sorties algorithmiques. La taille de votre compte, votre broker, votre effet de levier, votre juridiction et votre tolérance au risque déterminent si suivre un signal spécifique vous convient.
FxRobotEasy ne prend pas en garde de fonds. Les signaux sont de l'information — c'est vous qui cliquez sur Buy. Nous sommes un éditeur de logiciel, pas un gestionnaire de fonds.
Les signaux sont valides pour les 1-2 prochains bars du timeframe concerné. Si vous voyez un signal H1 90 minutes après publication, le prix d'entrée peut être loin du prix actuel — sautez-le.
Par définition, les données d'entraînement ne contiennent que les régimes qui se sont déjà produits. Brexit, COVID mars 2020, décrochage du CHF — nos modèles y réagiraient mais n'ont pas été entraînés dessus.
Questions complémentaires fréquentes sur le pipeline des signaux AI.
Pour les données financières tabulaires avec des échantillons limités (années de bars plutôt que millions), les gradient-boosted trees battent les réseaux profonds sur le Sharpe et l'interprétabilité à un coût d'entraînement 10× inférieur. Les réseaux profonds sont à l'état de l'art pour les images, le langage et le RL en contrôle continu — pas pour la prédiction de bars forex.
Périodiquement — piloté par l'accumulation de nouvelles données et les conclusions des ablations plutôt que par un calendrier fixe en Phase 1b. Chaque réentraînement effectue une validation walk-forward complète contre une fenêtre trailing tenue à l'écart. Une nouvelle version n'est promue que si elle bat les seuils d'acceptation ET la version live précédente. Une cadence de réentraînement fixe (la baseline prévue est hebdomadaire) figure sur la feuille de route Phase 2 dès que le pipeline du model registry sera livré.
Ordre temporel strict sur tous les splits — pas de mélange aléatoire. Les features sont dérivés uniquement des données disponibles à la clôture du bar (pas de look-ahead). Les labels triple-barrier se résolvent vers l'avant ; nous n'incluons pas de features calculés depuis la fenêtre de résolution.
La méthodologie est entièrement documentée (cette page). Les poids entraînés, les données d'entraînement et les hyperparamètres ne sont pas open source — c'est notre avantage. Nous publions tous les signaux + résultats afin que chacun puisse vérifier que le pipeline produit ce que nous affirmons.
En validation, nous supposons des spreads Tier-1 ECN (~0,1-0,3 pips sur les majors EURUSD, 0,5-1,5 pips sur les minors, 2-4 pips sur XAUUSD) plus un tampon de slippage. La comptabilisation de la performance live utilise les prix de remplissage réels que la connexion broker enregistre — le track record publié reflète donc l'exécution réelle, et non modélisée. L'écart validation-live est quelque chose que nous exposons sur /signals/track-record une fois que suffisamment de signaux clôturés se sont accumulés.
La méthodologie est la même sur chaque signal que vous verrez. Maintenant, allez les regarder.