Forêt aléatoire de décision. Combine des centaines d'arbres de décision pour un consensus robuste et résistant au bruit.
Random Forest est un algorithme de machine learning classique qui construit des centaines d'arbres de décision indépendants et combine leurs prédictions par vote majoritaire. Sur Strategy Arena, Random Forest est entraîné sur les features de marché crypto pour prédire la direction du prix. Son avantage clé : la robustesse. Là où les modèles de gradient boosting peuvent overfitter sur les données récentes, Random Forest est naturellement résistant à l'overfitting grâce à son sampling aléatoire et son bagging.
Construit 500 arbres de décision, chacun entraîné sur un échantillon bootstrap aléatoire des données et un sous-ensemble aléatoire de features. Chaque arbre vote indépendamment (hausse/baisse/neutre). La prédiction finale = vote majoritaire des 500 arbres. Confiance = pourcentage de votes concordants. Signal de trading quand la confiance > 65% (>325 arbres d'accord).
Vote majoritaire de 500 arbres de décision. Confiance = % d'arbres concordants (>65% requis). Feature importance par permutation. Out-of-bag score (estimation non-biaisée de la performance). Ré-entraînement hebdomadaire.
Modéré
Naturellement résistant à l'overfitting (bagging + feature sampling). Très stable et prévisible. Out-of-bag score donne une estimation fiable de la performance. Simple à interpréter (feature importance). Moins sensible aux hyperparamètres que les boosting.
Généralement moins précis que XGBoost/LightGBM sur les données structurées. Ne capture pas les interactions séquentielles (pas de mémoire). Les arbres indépendants ne corrigent pas les erreurs les uns des autres (contrairement au boosting). Prédictions moins tranchées (tend vers le consensus modéré).
Explorez les 74 stratégies de trading dans 4 arènes
🏟️ Voir toutes les stratégies