Reconnaissance de cycles répétitifs

Les réseaux de neurones et l'intelligence artificielle

Une importante préoccupation en analyse des marchés boursiers est de détecter des schémas (patterns) dans les données chronologiques. On montre plus loin comment les réseaux de neurones sont
justement capables d'identifier des schémas ou configurations cycliques.
Indépendamment des méthodes neuronales qui peuvent amener à mettre en lumière des schémas (patterns), on doit citer en particulier les méthodes de décompositions récursives ayant pour but d'en extraire des cycles ou schémas non-apparents .
Aussi,est-il intéressant de déterminer si ceci peut être dû au hasard ou non. C'est ce qu'on analyse pour ce qui est de reconnaître des conjonctions d'une même valeur et pour ce qui est d'identifier des mêmes éléments cycliques.

Alors qu'il est devenu bien attrayant de laisser un ordinateur comparer des milliers de données financières en un court laps de temps afin de trouver des schémas cachés qu'un analyste humain ne pourrait pas détecter, de nombreux sceptiques argumentent qu'une analyse informatique sera

toujours vouée à être plus rigide et moins critique qu'une analyse menée par un être humain .

De nombreux néophytes ont tendance à qualifier de telles tâches comme fallacieuses et sujettes au mythe informatique. C'est-à-dire, l'ordinateur restera toujours une machine et l'on ne devrait pas s'attendre à ce que celui-ci fasse preuve de perspicacité humaine dans l'exécution de ces analyses financières. Certains chercheurs ont tendance à espérer que l'ordinateur produira des résultats perspicaces, simplement à cause d'une banque de données de taille impressionnante
impliquée dans ce procédé.

Pour décrire ce point de vue, des sceptiques utilisent une phrase quelque peu cynique mais réaliste: « garbage in,garbage out » .

Ainsi, l'ordinateur restera toujours une machine dont les résultats sont les produits de ce qui a été donné à l'ordinateur. Quelle que soit la quantité de données que l'on fournit à l'ordinateur, la qualité du processus est ce qui compte réellement, et sans celle-ci, on risque d'obtenir avec une vaste quantité de résultats de faible qualité.

Afin d'améliorer la qualité des processus de données financières, les techniques de reconnaissance de schémas (pattern recognition) en informatique se sont graduellement améliorées au cours des dernières
années. L'idée principale à la base de la reconnaissance de schémas f ut en premier lieu de détecter des schémas simples dans les mouvements de prix boursiers, et voir à quelle fréquence ces schémas se répétaient au fil du temps.