Tutoriel IA-Compagnon

Voici un tutoriel en plusieurs parties pour expliquer, pas à pas, l'interprétation de chacun des sous-graphes visibles dans l'image, ainsi que les objectifs visés par ce type d'analyses de prédiction (par IA) appliquées vraisemblablement à un marché comme celui du cuivre (Copper 1HR). Les intitulés et légendes étant partiellement visibles, les explications ci-dessous s'appuient à la fois sur les textes discernables et sur la logique habituelle d'un workflow de “Machine Learning”/“Deep Learning” pour la prévision de séries temporelles.

1. Contexte général et objectifs

   
   
   1. Série temporelle et prévisions
      • Nature de la série : D'après l'intitulé “COPPER 1HR”, on devine qu'il s'agit de données horaires du cours du cuivre (ou d'un indice associé). L'objectif de l'IA est de prédire l'évolution de ce cours sur un horizon de temps donné.
      • Pourquoi l'IA ? : Les fluctuations des prix des métaux (comme le cuivre) dépendent de nombreux facteurs : demandes industrielles, conditions macroéconomiques, événements géopolitiques, etc. Un réseau de neurones (ou une méthode d'IA) va tenter d'apprendre des patterns complexes à partir d'historiques de prix et d'indicateurs techniques (voire de données fondamentales).
   2. Organisation des résultats graphiques
      Sur l'image, on distingue quatre graphiques principaux :
      1. En haut à gauche : Un graphique semblant représenter des mesures d'erreur (MSE, RMSE) sur une certaine période ou itération, ou bien la superposition de deux courbes (verte et grise) qui pourraient être des prédictions et des valeurs réelles, avec un remplissage gris indiquant la différence ou l'erreur.
      2. En haut à droite : Un graphique de validation, probablement la comparaison entre les valeurs réelles et les valeurs prédites (ou bien l'évolution de l'erreur sur l'échantillon de validation).
      3. En bas à gauche : Un tracé représentant vraisemblablement l'évolution de l'erreur (MSE ou RMSE) au fil des itérations, des époques (epochs) ou au fur et à mesure que l'on modifie certains paramètres (on voit notamment la mention “Mse 5 Sept & Relu6 – 2026 Input 8 Layers 6 Forced 1924 QbOut 3” qui laisse penser à différentes configurations réseau).
      4. En bas à droite : Un graphique combinant plusieurs indicateurs et/ou signaux (lignes colorées, zones d'incertitude en gris), sans doute pour évaluer le “timing” (moments d'entrée/sortie) et la robustesse des prédictions.
      Dans les sections suivantes, nous allons décrire la lecture et l'interprétation de chacun de ces sous-graphes.

2. Sous-graphe en haut à gauche : “3D Map Mse Rmse… Pred. IA31X15”

   
   
   1. Structure probable du graphe
      • On y voit deux courbes (en vert et en gris) avec un axe vertical (dont les valeurs vont d'environ 0 à 5 ou 6) et un axe horizontal semblant représenter le temps (peut-être de 2020 à 2024, difficile à confirmer).
      • L'intitulé fait référence à un “3D Map” ou à une cartographie en 2D/3D de la MSE/RMSE. Il se peut que le terme “3D Map” signifie qu'il y a un paramètre supplémentaire pris en compte (par exemple, le nombre d'itérations ou un hyperparamètre).
   2. Interprétation possible
      • MSE / RMSE : Ce sont deux indicateurs courants d'erreur de prédiction.
        • MSE (Mean Squared Error) = moyenne des carrés des écarts (Prédit – Réel).
        • RMSE (Root Mean Squared Error) = racine carrée de la MSE.
      • Lorsque la courbe de MSE/RMSE descend, cela indique que le modèle améliore sa capacité à coller à la réalité.
      • Lorsque la courbe monte, cela signale une dégradation ou une difficulté à prédire correctement.
   3. Objectif visé
      • Vérifier si le modèle converge vers un niveau d'erreur acceptable.
      • Repérer les périodes ou zones temporelles où l'erreur est plus élevée (p. ex. volatilité extrême du marché).
      • Ajuster les hyperparamètres (nombre de couches, taille de batch, taux d'apprentissage, etc.) afin de minimiser ces erreurs globales.

3. Sous-graphe en haut à droite : “M(A) - Mse2 26x Validation-Results… CFPTAL COPPER 1H”

   
   
   1. Structure probable du graphe
      • L'axe vertical semble se situer entre ~3.8 et ~4.2 (des valeurs typiques d'un cours du cuivre en dollars par livre, par exemple).
      • Les points ou lignes bleus et blancs indiquent vraisemblablement la valeur réelle vs. la valeur prédite sur la période de validation (ou test).
      • Il est aussi possible qu'une courbe (points bleus) représente la prédiction et une autre courbe (points blancs) représente la cible réelle, avec une légende indiquant l'erreur correspondante.
   2. Interprétation
      • Alignement des courbes : Plus la courbe de prédiction colle à la courbe réelle, meilleure est la performance du modèle sur la fenêtre de validation.
      • Phases d'écart : Identifier les moments où la prédiction diverge nettement de la réalité pour comprendre :
        1. Quelles conditions de marché (sauts, gaps) n'ont pas été bien apprises par le modèle.
        2. S'il y a un “décalage temporel” (lag) dans la prédiction.
      • Tendance générale : Vérifier si le modèle arrive au moins à capturer la tendance (haussière, baissière, stagnante).
   3. Objectif visé
      • Évaluer la généralisation du modèle, c'est-à-dire sa capacité à prédire sur des données qu'il n'a pas vues pendant l'entraînement.
      • Déterminer si des ajustements ou des retouches sur l'architecture (par exemple, ajouter des indicateurs techniques) sont nécessaires pour améliorer la précision.

4. Sous-graphe en bas à gauche : “Pred (IA2) 26(M) Reg Mse 26 - Mse 5 Sept & Relu6 - 2026 Input 8 Layers 6 Forced 1924 QbOut 3”

   
   
   1. Structure du graphe
      • On observe une longue courbe qui part d'une valeur élevée à gauche pour descendre vers la droite, ce qui ressemble à une courbe de loss (MSE) au fur et à mesure des itérations ou des époques d'entraînement.
      • La légende évoque différentes configurations du réseau de neurones :
        • “Relu6” fait référence à la fonction d'activation ReLU (Rectified Linear Unit), éventuellement tronquée à 6.
        • “8 Layers 6 Forced 1924 QbOut 3” pourrait faire référence à la profondeur du réseau (8 couches), un paramètre “forced” ou un batch size, et un paramètre “QbOut 3” (peut-être un nombre de sorties ou un quantile/buckets).
      • Le titre mentionne “Reg Mse 26” et “Mse 5 Sept” : cela peut signaler différents jeux de données ou différentes dates de début/fin d'entraînement.
   2. Interprétation
      • Chute de la courbe : plus la courbe descend, plus l'erreur moyenne diminue → signe que l'optimisation fonctionne.
      • Palier ou stagnation : si la courbe stagne, le modèle a peut-être atteint un minimum local, ou l'apprentissage ne progresse plus (nécessité d'ajuster le learning rate, etc.).
      • Rebonds : parfois, l'erreur peut remonter s'il y a un surapprentissage (overfitting) ou un changement de la dynamique du marché.
   3. Objectif visé
      • Surveiller la convergence du modèle et décider du moment où arrêter l'entraînement (early stopping) ou changer l'architecture.
      • Comparer plusieurs configurations (activation, nombre de couches, etc.) et choisir celle qui donne la meilleure performance tout en évitant le surapprentissage.

5. Sous-graphe en bas à droite : “Pred (IA2) 26 (M) + MJR Step + Indicators - Tempo Calculs (80hFor25)”

   
   
   1. Structure du graphe
      • Ce graphique affiche plusieurs lignes de couleurs différentes (rouge, bleu, etc.) et une zone grisâtre en arrière-plan.
      • Il est probable que l'on y retrouve :
        • Une courbe de prédiction (par exemple, en rouge).
        • Une ou plusieurs courbes d'indicateurs techniques (par exemple, RSI, MACD, Momentum) ou un signal “MJR Step” (peut-être un indicateur maison, un “Major Step” ou un indicateur de rupture de tendance).
        • Une zone d'incertitude (l'enveloppe grisée) montrant la plage de confiance ou l'intervalle prévisionnel.
   2. Interprétation
      • Comparaison de l'indicateur vs. prédiction : On cherche à voir si, lorsque l'IA prédit une hausse, les indicateurs techniques traditionnels confirment ou non ce mouvement.
      • Zone grisée : Souvent, les modèles d'IA peuvent fournir une distribution de prédiction (ex. en sortie d'un réseau bayésien ou par un bootstrap). La zone grise peut être l'intervalle de confiance (par exemple ± 1 écart-type autour de la moyenne).
      • MJR Step : Pourrait être un repère où l'algorithme détecte un changement de régime, un “pas” majeur dans la tendance, etc.
   3. Objectif visé
      • Décisionnel : Aider l'analyste ou le trader à repérer les moments-clés où le marché change de direction.
      • Confiance dans la prédiction : Observer si la zone d'incertitude est large ou étroite. Une zone large signifie que le modèle est moins sûr de sa prédiction.
      • Combinaison IA + Indicateurs : Permettre de confronter la “vision” du réseau de neurones à celle des indicateurs plus classiques et voir si l'un corrobore l'autre pour accroître la fiabilité.

6. Conclusion et bonnes pratiques

   
   
   1. Croiser plusieurs indicateurs : Les quatre graphiques se complètent mutuellement. Il est important de ne pas se fier uniquement au MSE global, mais aussi de regarder la qualité de la prédiction sur des échantillons de validation (graphe du haut à droite) et de vérifier la stabilité ou la convergence de l'apprentissage (graphe du bas à gauche).
   2. Analyser la robustesse : Les marchés financiers ou de matières premières sont volatils. Vérifiez comment votre IA réagit aux pics de volatilité ou aux ruptures de tendance.
   3. Affiner l'architecture : Les références à “IA2”, “IA31X15” ou “8 Layers 6 Forced 1924 QbOut 3” indiquent plusieurs essais de configurations. Documentez rigoureusement les hyperparamètres testés et comparez les résultats (erreur, rapidité de convergence, surapprentissage, etc.).
   4. Surveiller l'overfitting : Si l'erreur en entraînement (graphe MSE qui descend) est très basse mais que l'erreur de validation (graphe de comparaison Réel/Prédit) est élevée, c'est un signe de surapprentissage.
   5. Approche itérative : Le développement d'une IA de trading ou de prédiction de séries temporelles se fait par itérations successives. Chaque graphe (erreur d'apprentissage, validation, comparaisons d'indicateurs) aide à prendre des décisions pour la prochaine itération.