Sélection des transactions avec apprentissage supervisé et OCA.

Résumé Ces dernières années, les méthodes de pointe pour l'apprentissage supervisé ont exploité de plus en plus les techniques de boosting du gradient, avec des implémentations efficaces telles que xgboost ou light-gbm. L'un des points clés de la création de méthodes efficaces est la sélection des caractéristiques (FS). Elle consiste à sélectionner les bonnes caractéristiques efficaces et précieuses. Face à des centaines de caractéristiques, il est essentiel de sélectionner les meilleures. Bien que les méthodes de filtrage et d'enveloppement aient atteint une certaine maturité, les méthodes intégrées sont vraiment nécessaires pour trouver le meilleur ensemble de caractéristiques, car il s'agit de méthodes hybrides combinant le filtrage et l'enveloppement des caractéristiques. Dans ce travail, nous nous attaquons au problème de trouver par l'apprentissage automatique les meilleurs métiers a priori d'une stratégie algo-rithmique. Nous dérivons cette nouvelle méthode en utilisant l'optimisation par ascension de coordonnées et en utilisant des variables de bloc. Nous comparons notre méthode à la méthode Recursive Feature Elimination (RFE) et à la méthode Binary Coordinate Ascent (BCA). Nous montrons sur un exemple réel la capacité de cette méthode à sélectionner de bonnes transactions a priori. Non seulement cette méthode surpasse la stratégie de trading initiale en évitant de prendre des trades perdants, mais elle surpasse également les autres méthodes, en ayant à la fois le plus petit ensemble de caractéristiques et le plus haut score. L'intérêt de cette méthode va au-delà de ce simple problème de classification des transactions car il s'agit d'une méthode très générale pour déterminer l'ensemble optimal de caractéristiques en utilisant certaines informations sur la relation entre les caractéristiques ainsi qu'en utilisant l'optimisation par ascension de coordonnées.