Comment aborder les prévisions de prix en crypto avec le machine learning (sans se tromper sur le risque)

La crypto attire les data scientists pour une raison simple : il y a toujours un nouvel indicateur à tester, toujours plus de données à extraire, et toujours un modèle qui promet “de meilleurs signaux”. Le hic, c’est que les marchés crypto peuvent changer de comportement très vite. Quand le caractère du marché se modifie, une prévision qui avait l’air logique en backtests peut cesser de fonctionner en trading réel.

L’objectif ici n’est pas de jeter le machine learning. C’est de l’utiliser d’une façon plus difficile à “se raconter” — en faisant correspondre les prévisions à ce que vous pouvez réellement trader, et en ancrant le risque à R (votre unité), pas à des montants en dollars.

Pourquoi les “prévisions de prix” déçoivent souvent en crypto

Les déceptions viennent de quelques causes assez prévisibles.

• Les modèles arrivent mal à distinguer le bruit du signal dans des marchés rapides et changeants.
• Une prédiction n’est pas un plan de trading. Même si le modèle estime une direction, il faut encore des entrées, des stops et une logique de gestion du risque.
• Beaucoup d’approches ML sortent une direction ou une probabilité, mais l’exécution dépend aussi de la structure du marché (niveaux, “fair value”, positionnement) et de votre modèle de risque.

Une façon claire de cadrer : la prévision sert à estimer une probabilité. Le trading, lui, vous oblige à décider ce que vous ferez si le marché bouge — et combien vous pouvez perdre si vous vous trompez.

Qu’est-ce qu’un modèle devrait prévoir en crypto ?

Si vous voulez que la sortie d’un modèle ML s’intègre vraiment au trading, concentrez-vous sur des cibles mesurables et exploitables.

Prévoyez le tradable, pas le fantasme

Misez sur des éléments que vous pouvez utiliser directement :

• Régime probable : tendance, range, ou chop
• Probabilité de continuation (ou probabilité d’un retournement)
• Conditions autour de la “fair value” (les traders paient-ils plus cher que la moyenne, ou sont-ils remplis moins cher ?)

Rendre la cible mesurable

Au lieu de viser “le prochain prix”, utilisez quelque chose de vérifiable et tradable, par exemple :

• probabilité que le prix bouge en votre faveur d’un montant défini avant que votre stop ne soit touché

Cette formulation oblige le modèle à apprendre un comportement aligné avec l’exécution.

Tagger le régime à l’entrée

Dans la pratique, les différences de régime comptent souvent plus que les variations fines de réglages d’indicateurs. Votre modèle doit donc vous aider à choisir le “playbook” le plus adapté à l’instant.

Données d’entrée de modèle qui se transfèrent souvent entre symboles et horizons

Une erreur fréquente consiste à construire des variables qui ne marchent que sur un seul actif, un seul timeframe, ou un seul environnement de volatilité. Les entrées qui décrivent le comportement du marché ont en général plus de chances d’être transférables.

Ancrer la notion de “fairness” avec le VWAP

Incluez :

• session VWAP (ancré à UTC 00:00)
• VWAP roulant sur les N dernières bougies

Le VWAP (Volume-Weighted Average Price) représente le prix moyen pondéré par le volume échangé. Sur les futures crypto, c’est un bon repère de “valeur juste” :

• prix au-dessus du session VWAP → les acheteurs paient en moyenne plus cher
• prix sous le session VWAP → les vendeurs sont “remplis” à un niveau supérieur à la moyenne payée

Lire le funding comme un signal de coût / positionnement

Les perp futures utilisent un funding rate pour garder le prix de la perp proche du spot.

• funding positif signifie que les longs payent les shorts
• funding négatif signifie que les shorts payent les longs

Ne traitez pas le niveau comme un simple “sentiment”. Considérez-le comme un signal de coût. Ce qui a le plus de valeur, c’est souvent l’évolution du funding :

• négatif de façon persistante → shorts “bondés” qui paient
• positif de façon persistante → longs “bondés” qui paient
• autour de zéro et qui revient vers la moyenne → conditions plus équilibrées

Utiliser le carnet d’ordres pour cadrer l’entrée — avec prudence

Les déséquilibres du carnet (volume bid vs ask proche du prix) et la profondeur pondérée peuvent aider à caler les entrées autour de niveaux.

Mais il faut recouper avec les transactions réellement exécutées. Le “spoofing” existe : des murs factices peuvent disparaître instantanément. Si le déséquilibre montre des bids solides mais que les prints continuent de vendre, les bids peuvent être illusoires.

Ajouter de la volatilité et de la conscience de la structure

Des variables basées sur l’ATR aident le modèle à comprendre à quel point le marché est disposé à bouger. C’est crucial parce que le même schéma peut se comporter très différemment selon le régime de volatilité.

Transformer des signaux crypto courants en règles “compatibles ML”

Beaucoup de traders utilisent déjà VWAP, funding et des idées issues du carnet d’ordres. Le point clé est de les transformer en règles apprenables par le modèle, pas en interprétations floues.

VWAP comme ancre, pas comme déclencheur isolé

Traitez le VWAP comme un point de référence :

• un prix au-dessus du session VWAP implique que les acheteurs paient en moyenne plus cher

Si vous êtes biaisé à l’achat, le VWAP vous aide à poser une question simple : j’achète au-dessus de ce que le marché a déjà jugé “équitable” ? Si oui, pourquoi ?

Retests du VWAP en régime de tendance

Une structure de continuation assez classique :

• après un mouvement de session propre, surveillez le premier retest du VWAP
• cela peut devenir un spot de continuation à haute probabilité si le régime soutient encore un comportement de tendance

Le mot clé ici, c’est si. Les retests du VWAP ne se jouent pas de la même façon en range qu’en tendance.

Funding : regarder les changements, pas uniquement le signe

Des règles empiriques qui se traduisent bien dans la modélisation :

• négatif de façon persistante = shorts “bondés” qui paient
• positif de façon persistante = longs “bondés” qui paient
• la valeur de trading vient surtout de repérer des changements, pas de fixer un niveau

Carnet d’ordres : timing près des niveaux

Utilisez le déséquilibre pour caler les entrées :

• reconquête d’un niveau avec support côté bids → favorable aux longs
• grosses asks en attente au-dessus du prix actuel → frein pour les tentatives de cassure

Là encore : gardez le carnet comme contexte. Ne laissez pas le carnet devenir à lui seul votre thèse.

Classification des régimes : la base de votre design ML

Le régime est le filtre le plus utile pour choisir le bon “playbook”.

Utilisez trois régimes pratiques : tendance, range, chop.

Tendance

La tendance, c’est une structure directionnelle :

• ADX en hausse
• higher-highs / higher-lows (ou l’inverse pour les shorts)

La tendance fonctionne bien pour les entrées sur momentum et pour les sorties en trailing.

Range

Le range, c’est une oscillation autour de supports/résistances identifiables :

• ATR qui se contracte

Le range convient aux entrées en fade / retour à la moyenne, avec des sorties plus serrées et pré-définies.

Chop

Le chop est plus confus :

• pas de structure claire
• stop-runs fréquents

Par défaut : taillez plus petit ou restez à l’écart. Si vous devez trader, ciblez uniquement les setups les plus convaincants et acceptez des stops plus larges si la structure l’impose.

Taggez chaque trade avec le régime au moment de l’entrée. Avec le temps, la performance par régime taggé sépare souvent mieux que la comparaison “indicateur A vs indicateur B”.

Où le machine learning (et le deep learning) s’insèrent vraiment

Une manière utile de garder le ML “honnête” est d’aligner son rôle sur vos décisions.

Prédire des probabilités et classifier les régimes

Utilisez ML / deep learning pour estimer :

• la probabilité de continuation vs retournement
• la probabilité de la classe de régime actuelle

Pas des trajectoires déterministes “prix d’après”. Les marchés ne vous doivent pas une ligne droite.

Modèles de séquence pour le timing des événements

Les approches de séquence (deep learning) peuvent être utiles si vous voulez apprendre des motifs temporels autour de :

• retests du VWAP
• changements de funding
• bascules du carnet d’ordres

Relier les sorties à l’exécution

Le modèle doit produire des sorties directement intégrables à l’exécution et au risque.

Si le modèle ne fait que dire “à la hausse” ou “à la baisse”, sans traduction possible en timing d’entrée et logique de stop, vous retomberez dans le jugement subjectif.

Gestion du risque : une prévision sans contrôles basés sur R ne sert à rien

Même un bon modèle peut perdre de l’argent si votre logique de risque est incohérente.

Tout ancrer à R

R est votre unité de risque : la distance entre votre prix d’entrée et votre prix de stop.

Toutes les mesures de performance doivent s’exprimer en R :

• expectancy
• MFE (maximum favorable excursion)
• MAE (maximum adverse excursion)

C’est essentiel parce que le PnL en dollars varie fortement selon les environnements de volatilité. Une stratégie qui fait +0.35R par trade gagne +0.35R que le marché soit calme ou nerveux ; les résultats en dollars dépendent ensuite du sizing et de la volatilité.

L’expectancy se généralise quand R est constant

Pour évaluer la performance du modèle, regardez l’expectancy en R. Convertissez en dollars seulement à la fin si vous en avez besoin pour le budget.

La “prédiction” ne remplace pas les stops

Une prévision ne change pas ce que fera votre stop. C’est la distance du stop, le sizing des positions et les règles de sortie qui déterminent la distribution des trades.

Sizer les positions avec l’ATR pour garder des stops cohérents

Si vous fixez une taille de position “en nombre de parts” et que vous laissez la volatilité bouger, la distance implicite du stop dérive. C’est comme ça qu’on finit surpris.

Ajuster la taille pour que 1-ATR contre-suit respecte votre budget de risque

Le sizing doit être ancré à l’ATR :

• définir la distance de stop = k * ATR
• choisir k selon le régime

Plages typiques de k :

• 1.0–1.5 en tendance
• 1.5–2.0 en chop

Ensuite, dimensionnez les positions de sorte que le mouvement défavorable de 1-ATR corresponde à votre budget de risque.

Erreur fréquente : fixer la taille et laisser le stop implicite dériver quand la volatilité explose. Le système ne fonctionne correctement que si la logique de stop et le sizing évoluent ensemble.

Relier les sorties du modèle à des playbooks d’exécution

Une fois que vous avez la probabilité de régime et la probabilité de continuation, transformez-les en playbook.

Biais de tendance + confiance du modèle : entrer par paliers autour du VWAP (sans courir après)

Au lieu d’acheter la bougie de cassure, envisagez des entrées étalées autour du VWAP précédent.

Une structure typique :

• 30% sur la première reconquête du VWAP
• 30% sur un retest confirmé avec un sell-side depth plus fin
• 40% après formation d’un higher-low suite au retest

Annulez les tranches restantes si le prix repasse sous le VWAP sur le timeframe de travail.

Biais range : entrer en retour à la moyenne avec des sorties serrées

En conditions de range, privilégiez :

• des stops serrés
• des sorties proches du bord opposé du range

Ne réutilisez pas la logique de tendance ici. Une reconquête du VWAP peut vouloir dire tout autre chose quand le prix revient vers la moyenne.

Chop : taille plus petite ou abstention

En chop :

• réduisez la taille ou skippez le trading
• si vous tradez, ne prenez que les setups les plus convaincants
• acceptez des stops plus larges si la structure l’impose

Backtester le modèle : mesurer ce qui compte

Les backtests doivent répondre à des questions d’avantage et de risque, pas seulement à la précision.

Évaluer l’expectancy en R

C’est ainsi que vous généralisez entre symboles et régimes de volatilité. Les métriques basées sur R gardent l’évaluation cohérente.

Suivre la distribution des résultats

Ne regardez pas uniquement le taux de réussite.

Suivez aussi :

• MAE/MFE en R pour voir si les signaux arrivent assez tôt par rapport à votre logique de stop

Si le MAE est systématiquement trop grand par rapport au stop, votre “edge” peut être une illusion liée au timing d’exécution.

Stress-tester par régime

Taggez chaque trade au moment de l’entrée (trend/range/chop) et testez si la performance change réellement avec le régime. Si ça marche partout de la même manière, le modèle apprend peut-être surtout… qu’il n’apprend pas vraiment la structure de régime.

Checklist de mise en œuvre (et où surveiller en direct)

Le travail du modèle s’arrête quand l’exécution commence. Pour mieux aligner les choses, gardez votre analyse et votre exécution sur la même plateforme.

XT Exchange est l’endroit où nos flux de marché en direct alimentent les snapshots et les signaux.

Checklist pratique :

• Si vous tradez une perp précise, vérifiez sur XT le session VWAP du pair, le comportement du VWAP roulant, les tendances de funding et le déséquilibre du carnet d’ordres.
• Utilisez les graphiques en direct pour valider vos tags de régime et pour voir si les retests du VWAP se déroulent comme attendu sur la session en cours.

La crypto peut changer de personnalité rapidement. Le suivi en conditions réelles fait partie de la recherche.

Prochaine étape : vérifier vos entrées sur XT et bâtir à partir d’un risque basé sur R

Si vous voulez mettre ce cadre en pratique, commencez simple.

• Ouvrez votre compte XT et tradez un pair BTC (ou votre perp préférée) pour observer en temps réel le session VWAP, le VWAP roulant, les variations du funding et les réactions du carnet d’ordres.
• Ensuite, traduisez la sortie de votre modèle en une logique entrée/stop basée sur R, avec un sizing piloté par l’ATR, pour que le comportement en backtest reste cohérent avec le live.

Commencez par un seul symbole, taggez les trades par régime, puis seulement ensuite augmentez la complexité.