📈 economics

Historical Coefficient Fields: A Controlled Evaluation of Geometric Market-Memory Representations for Financial Forecasting

Cet article présente une évaluation contrôlée du Champ de Coefficient Historique (HCF), une représentation géométrique de l'histoire du marché, et conclut que malgré son fondement théorique dans la reconstruction par coordonnées de retard et l'analyse topologique, il ne parvient pas à améliorer la précision de la prévision directionnelle par rapport à des modèles de base simples sur divers instruments financiers, démontrant ainsi qu'une telle organisation géométrique ne porte aucun signal prédictif au-delà des statistiques simples existantes.

Auteurs originaux : Said El Qotbi, Rajaa Filali

Publié 2026-08-10

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Said El Qotbi, Rajaa Filali

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez de prédire la météo. Depuis des siècles, les météorologues consultent le calendrier, vérifiant s'il est mardi ou s'il a plu pendant trois jours consécutifs. C'est ainsi que la plupart des gens tentent de deviner l'avenir : en regardant ce qui s'est passé juste avant, selon une ligne droite dans le temps. Mais et si la météo ne se souciait pas du calendrier ? Et si une tempête un mardi de juillet ressemblait exactement à une tempête un vendredi d'octobre, même si elles sont séparées par des mois ? Les scientifiques qui étudient les marchés financiers — des endroits où les gens achètent et vendent des choses comme des actions, de l'or et des monnaies numériques — ont commencé à poser une question similaire. Au lieu de regarder simplement le prix d'hier, ils se sont demandé : pourrions-nous organiser l'histoire par « forme » plutôt que par « date » ? Si deux jours se ressemblent géométriquement, même s'ils sont éloignés dans le temps, peut-être se comporteront-ils de la même manière demain. Cette idée est appelée « mémoire de marché géométrique », et cela ressemble à un super-pouvoir pour prédire l'avenir.

Ce document, écrit par Said El Qotbi et Rajaa Filali, décide de mettre ce super-pouvoir à l'épreuve. Ils ont construit une nouvelle façon de regarder l'histoire financière appelée le « Champ de Coefficient Historique ». Imaginez prendre les mouvements de prix quotidiens des derniers mois d'une action et les transformer en un nuage de points dans l'espace. Au lieu de les aligner en une rangée comme des perles sur un fil, ils les ont dispersés en fonction de leur similitude visuelle. Ensuite, ils ont ajouté quelques « descripteurs » — comme mesurer à quel point le nuage est dense, à quel point les points sont dispersés ou la stabilité de la forme. Ils ont injecté ce nuage géométrique sophistiqué dans des programmes informatiques (comme la régression logistique et les forêts aléatoires) pour voir s'il pouvait prédire si une action monterait ou descendrait demain.

Le résultat ? Le nuage géométrique est resté silencieux.

Malgré cette configuration ingénieuse, la nouvelle méthode n'a pas fonctionné mieux que la supposition la plus simple possible. En fait, elle était légèrement moins performante. Lorsque les auteurs ont testé cette idée sur quatre instruments financiers très différents — l'or, l'indice S&P 500, le taux de change Euro/Dollar et le Bitcoin — la nouvelle approche « géométrique » n'a pas réussi à battre le « taux de base de la classe majoritaire ». C'est une façon élégante de dire que si vous aviez simplement prédit « hausse » à chaque fois parce que les actions montent plus souvent qu'elles ne descendent, vous auriez fait aussi bien que le modèle géométrique complexe. Les modèles informatiques utilisant les nouvelles données géométriques ont obtenu une précision d'environ 51 % à 52 %, ce qui revient pratiquement à pile ou face.

Les auteurs ont été très prudents pour s'assurer qu'il ne s'agissait pas d'une erreur. Ils ont testé l'idée avec différentes fenêtres temporelles (en regardant 6 mois, 1 an ou 2 ans en arrière) et avec différents apprenants informatiques, et le résultat a été le même à chaque fois. Ils ont même essayé la méthode sur une cible différente : prédire quand le marché deviendrait « agité » (volatilité). Même là, là où les signaux sont plus faciles à trouver, la méthode géométrique a été battue par les mathématiques simples et traditionnelles qui regardent simplement les moyennes récentes.

Alors, qu'est-ce que cela signifie ? Le document conclut que le simple fait de réorganiser l'histoire du marché en une forme géométrique ne révèle pas magiquement des motifs cachés que les méthodes simples manquent. Cela suggère que pour prédire la direction quotidienne des prix, la « forme » du passé ne porte aucune information secrète supplémentaire au-delà de ce que nous savons déjà. Les auteurs présentent cela comme un résultat négatif précieux : cela nous empêche de construire des théories complexes sur une fondation qui s'avère être vide. Bien que l'idée géométrique soit créative et mathématiquement belle, dans le monde réel du trading, elle ne les a pas aidés à voir l'avenir plus clairement qu'un simple regard sur la tendance majoritaire.

Résumé Technique : Champs de Coefficients Historiques et Mémoire de Marché Géométrique

Énoncé du Problème
La prévision financière repose généralement sur des représentations chronologiques de l'histoire, telles que les prix décalés (lags), les statistiques mobiles ou les séquences latentes apprises par des modèles d'apprentissage profond. Cependant, des états de marché distants dans le temps peuvent être structurellement similaires, tandis que des sessions consécutives peuvent différer considérablement. Cette observation motive l'hypothèse selon laquelle l'organisation des données historiques par similarité structurelle dans un espace de caractéristiques, plutôt que par temps calendaire, pourrait améliorer la prévision directionnelle. L'article examine si la représentation de l'histoire récente d'un instrument financier sous la forme d'un champ géométrique de vecteurs de coefficients normalisés apporte des avantages prédictifs par rapport aux références chronologiques standards.

Méthodologie
Les auteurs proposent le Champ de Coefficients Historiques (HCF - Historical Coefficient Field), une représentation géométrique de la mémoire du marché. La méthodologie est définie comme suit :

Représentation d'Entrée : Chaque session de trading est encodée sous la forme d'un vecteur de coefficients relatifs à l'ouverture ( $C_t$ ), composé de ratios géométriques normalisés (excursions supérieures, inférieures et verticales par rapport au prix d'ouverture). Cela garantit l'invariance d'échelle.
Construction du Champ : Le HCF est défini comme un nuage de points $F_t^{(N)} = (H_t^{(N)}, d)$ , où $H_t^{(N)}$ est l'ensemble des $N$ vecteurs de coefficients les plus récents et $d$ est une métrique euclidienne. L'organisation de ce nuage, plutôt que son indice chronologique, est l'objet de l'étude.
Descripteurs Géométriques : Pour résumer la structure du nuage, un ensemble de sept descripteurs causaux est calculé sur une fenêtre glissante strictement passée :
- Densité locale ( $\rho$ )
- Persistance ( $P$ )
- Dispersion ( $D$ )
- Stabilité de trajectoire ( $S$ )
- Distance de l'analogue le plus proche ( $\eta$ )
- Entropie de partition ( $H$ )
- Énergie géométrique ( $E$ )
- Note : Les auteurs précisent explicitement que l'énergie géométrique est algébriquement redondante ( $E = D^2$ ) et que la dispersion, la stabilité et l'énergie forment un groupe hautement corrélé.
Protocole d'Évaluation : Un protocole strictement contrôlé, de type « représentation uniquement », est employé pour isoler l'effet de la représentation d'entrée.
- Variables Fixes : Les algorithmes d'apprentissage (Régression Logistique, Forêt Aléatoire, Gradient Boosting), les découpages de données en fenêtre glissante (fenêtre extensible, minimum 750 sessions, réajustement tous les 252) et les variables cibles sont maintenus constants.
- Variable : Seule la représentation d'entrée change. Quatre représentations sont testées :
  - R1 : Rendements décalés (10 lags).
  - R2 : Statistiques mobiles (rendement multi-horizon, volatilité, momentum).
  - R3 : Vecteur de coefficient relatif à l'ouverture brut ( $C_t$ ).
  - R4 : HCF ( $C_t$ + descripteurs géométriques).
- Actifs : Quatre instruments publics avec des échelles de prix variables : Or (GC=F), S&P 500 (^GSPC), EUR/USD (6E=F) et Bitcoin (BTC-USD).
- Cibles : (1) Le signe du rendement de la session suivante (prévision directionnelle) ; (2) L'expansion de la volatilité (si la plage normalisée de la session suivante dépasse sa médiane sur 21 sessions).
- Référence (Baseline) : La performance est mesurée par rapport au taux de base de la classe majoritaire (la précision de la prédiction systématique de la direction la plus fréquente) afin d'éviter l'inflation de la précision par les tendances.

Résultats Clés
L'évaluation empirique produit un résultat négatif robuste :

Prévision Directionnelle : Aucune représentation, à travers les trois modèles ou les quatre instruments, ne dépasse de manière significative le taux de base de la classe majoritaire (moyenné à 52,0 %). Tous les chiffres de précision se situent dans la plage 50,9–52,4 %, ce qui est cohérent avec un bruit aléatoire.
Impact des Descripteurs Géométriques : La représentation HCF proposée (R4) n'améliore pas le vecteur de coefficient brut (R3). En fait, l'ajout des descripteurs géométriques dégrade légèrement la précision directionnelle (par exemple, 51,6 % contre 52,4 % pour la Régression Logistique en moyenne).
Redondance des Descripteurs : L'analyse de corrélation révèle que l'ensemble des descripteurs proposés n'est pas indépendant. La dispersion, la stabilité de trajectoire et l'énergie géométrique sont mutuellement corrélées à 0,95–0,98, ce qui réduit effectivement trois descripteurs en une seule quantité de « l'étendue globale ».
Cible d'Expansion de la Volatilité : Sur la cible plus prévisible de l'expansion de la volatilité (où un signal existe et où toutes les représentations battent le taux de base de 51,4 %), les représentations géométriques (R3 et R4) sont inférieures aux statistiques mobiles simples (R2), qui atteignent environ 57 % de précision. L'organisation géométrique n'est pas seulement redondante, elle est aussi activement moins performante que les caractéristiques standards là où un signal est présent.
Robustesse : Les résultats négatifs se maintiennent à travers différentes longueurs de fenêtre d'historique ( $N \in \{126, 252, 504\}$ sessions).

Principales Contributions
L'article cadre ses contributions non pas comme une nouvelle théorie prédictive, mais comme une correction empirique rigoureuse et un modèle méthodologique :

Définition de l'HCF : Une définition formelle du Champ de Coefficients Historiques et un ensemble compact de descripteurs géométriques, explicitement positionnés par rapport aux concepts établis tels que l'encastrement de coordonnées retardées (delay-coordinate embedding), la prévision par analogie et l'estimation de la densité par noyau.
Protocole d'Évaluation Contrôlé : Un design expérimental de type « représentation uniquement » qui maintient fixes les modèles et les découpages de données, garantissant que toute différence de performance est attribuable uniquement à la représentation d'entrée.
Résultat Négatif Démontré : Le rapport honnête que, sur les actifs et le protocole testés, l'organisation géométrique de la mémoire du marché ne porte aucune information directionnelle au-delà des bases simples. L'article soutient qu'une comptabilité géométrique plus élaborée d'une représentation sans signal ne crée pas de signal.

Signification et Revendications
Les auteurs affirment leur importance principalement par la rigueur du résultat négatif et la discipline méthodologique appliquée :

Prévention des Théories Non Vérifiées : L'étude empêche la construction de « théories » géométriques invérifiables basées sur des représentations qui ne portent aucun signal directionnel. Elle établit que la réorganisation géométrique de la mémoire du marché n'est pas un raccourci vers la prévisibilité.
Standard d'Évaluation : L'article fournit un modèle réutilisable, contrôlé, référencé par rapport au taux de base et indépendant du modèle pour évaluer les futures représentations de l'histoire financière.
Portée Modeste : Les auteurs déclarent explicitement que leur résultat est une déclaration concernant cette famille spécifique de représentations sur ces tâches spécifiques. Ils ne prétendent pas à une impossibilité universelle de la prévision géométrique, mais soutiennent que toute future représentation géométrique doit d'abord passer par ce même standard contrôlé avant que des structures plus riches ne soient construites dessus.

En résumé, l'article conclut que bien que l'organisation géométrique de la mémoire du marché soit un cadre conceptuel valide, elle ne parvient pas à fournir de valeur prédictive pour la prévision directionnelle ou l'expansion de la volatilité par rapport aux bases chronologiques simples et aux statistiques mobiles.

Articles similaires