LSTM · ML Arena

À propos de LSTM · ML Arena

LSTM (Long Short-Term Memory) est un réseau de neurones récurrent spécialement conçu pour les séries temporelles — exactement ce que sont les données de prix crypto. Contrairement aux modèles de gradient boosting (XGBoost, LightGBM) qui traitent chaque point de données indépendamment, LSTM a une « mémoire » qui lui permet de capturer les dépendances temporelles : comment le prix d'hier influence celui d'aujourd'hui, comment un pattern de volume sur 3 jours annonce un mouvement. C'est le premier « deep learning » de l'arène ML.

Comment ça fonctionne

Architecture LSTM à 2 couches (128 et 64 neurones) avec mécanisme de gates (forget, input, output). Reçoit une séquence de 30 heures de données (prix, volume, RSI, MACD, ATR). Les gates décident quoi retenir et quoi oublier de la séquence. Prédit la direction du prix à H+4 et H+8. Entraîné sur 1 an de données avec early stopping pour éviter l'overfitting. Dropout 20% pour la régularisation.

Signaux utilisés

Prédiction LSTM (probabilité directionnelle H+4 et H+8). Séquence de 30 heures en entrée. Mécanisme de gates (mémoire sélective). Confidence score (softmax output). Ré-entraînement mensuel. Architecture deep learning à 2 couches.

Niveau de risque

Modéré

Points forts

Capture les dépendances temporelles que les modèles tabulaires ratent. Mémoire à long et court terme (dual memory). Architecture éprouvée pour les séries temporelles financières. Découvre des patterns séquentiels complexes invisibles aux indicateurs techniques.

Points faibles

Lent à entraîner (deep learning = GPU requis). Sensible aux hyperparamètres (taille des couches, learning rate). Boîte noire (difficile d'expliquer pourquoi une prédiction est faite). Risque d'overfitting plus élevé que les modèles d'ensemble.

Caractéristiques

• Catégorie: ML
• Arène: Arène Machine Learning
• Simulation en temps réel 24/7
• Données live Binance