Bienvenue à cette formation "Python pour la Finance" destinée à toutes personnes qui souhaitent apprendre Python pour l'utiliser dans le secteur financier mais plus généralement dans l'analyse de données. Que vous soyez étudiant, professionnel de la finance ou simplement passionné par le domaine, cette formation vous permettra de maîtriser les bases de Python et de l'appliquer à des cas concrets dans le secteur financier.
![Python Finance](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/draze_a_python_in_a_crypto_trading_room_1a54cd54_45a8_4c17_a742_d702c7a77577_bcd044b57f.png)

Nous sommes ravis de vous annoncer que cette formation "Python pour la Finance" est proposée totalement gratuitement par Crypto Robot ! Notre objectif est de rendre l'apprentissage du langage Python et de son application dans le domaine financier accessible à tous. Le meilleur moyen de nous soutenir est de nous suivre sur les différents réseaux sociaux, de vous abonner à notre Newsletter dans laquelle nous vous partagerons notamment les corrections de certains exercices. Enfin vous pouvez partager cette formation au plus grand nombre !
<MAIL_FORM/>

À la fin de chaque session, un exercice pratique sera proposé pour vous permettre de mettre en application les concepts abordés. De plus, chaque session sera accompagnée d'une vidéo explicative pour vous guider pas à pas dans votre apprentissage.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

## **Sommaire**

- **0 - Python et VsCode l'installation** : Apprenez à installer Python et Visual Studio Code, un éditeur de code polyvalent et puissant, pour débuter votre aventure dans l'apprentissage du langage Python.
- **1 - Variables, Opérations et Types** : Familiarisez-vous avec les variables, les opérations mathématiques et les différents types de données en Python.
- **2 - Boucles et Conditions en Python** : Découvrez comment utiliser les structures de contrôle telles que les boucles et les conditions pour réaliser des tâches répétitives ou conditionnelles.
- **3 - Les Listes et les Dictionnaires en Python** : Apprenez à manipuler les listes et les dictionnaires pour stocker et organiser vos données efficacement.
- **4 - Les Fonctions et les Classes en Python** : Découvrez comment créer et utiliser des fonctions et des classes pour structurer votre code et faciliter la réutilisation.
- **5 - La librairie Pandas, la meilleure librairie pour les données financières** : Apprenez à utiliser Pandas, une librairie puissante pour la manipulation et l'analyse de données, spécialement adaptée pour travailler avec des données financières.
- **6 - Visualiser ses données en Python grâce à Matplotlib** : Découvrez comment créer des graphiques et des visualisations interactives de vos données financières en utilisant la librairie Matplotlib.
- **7 - Déverrouiller la puissance de Pandas et éviter les boucles** : Apprenez à tirer le meilleur parti de Pandas en évitant les boucles et en utilisant des techniques avancées pour manipuler et analyser vos données.
- **8 - Maîtriser l'utilisation des dates en Python** : Découvrez comment gérer et manipuler les dates et les heures en Python, un aspect crucial pour travailler avec des données financières.
- **9 - Backtester une stratégie de trading automatisé en Python** : Apprenez à développer et à évaluer des stratégies de trading automatisées en utilisant Python.
- **10 - Analyser le backtest d'un portefeuille de trading en Python grâce à Pandas** : Découvrez comment analyser les performances de votre portefeuille de trading en utilisant Pandas pour tirer des conclusions et optimiser vos stratégies.


<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Il est important de souligner que le meilleur moyen de progresser en Python, c'est de ne pas se contenter de regarder les vidéos et de lire les documents, mais de vous engager activement dans la pratique. Nous vous encourageons à travailler sur des projets personnels, même de petite envergure, afin d'appliquer et de renforcer vos compétences acquises tout au long de cette formation.

Dans cette formation, vous découvrirez le langage de programmation Python et comment l'appliquer le plus rapidement à des concepts financiers.

# **Conclusion de la Formation "Python pour la Finance"**

Nous sommes arrivés à la fin de notre parcours d'apprentissage ensemble, et j'espère que cette formation "Python pour la Finance" vous a fourni les connaissances et les compétences nécessaires pour débuter ou approfondir votre aventure dans le monde passionnant de la finance et de l'analyse de données avec Python.

![PythonFinanceConclusion.jpg](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/Python_Finance_Conclusion_5470619cd7.jpg)

## **Points Clés de la Formation**

Au cours de ces 10 leçons, nous avons couvert une gamme étendue de sujets, y compris :

- Les fondamentaux de Python et l'environnement de développement avec Visual Studio Code.
- La compréhension des variables, opérations, et types en Python.
- Les structures de contrôle telles que les boucles et les conditions.
- La manipulation des listes et dictionnaires.
- La création et utilisation des fonctions et classes.
- L'utilisation avancée de la librairie Pandas pour les données financières.
- La visualisation de données avec Matplotlib.
- La gestion des dates et heures, essentielle dans le secteur financier.
- Le développement et l'évaluation de stratégies de trading automatisées.
- L'analyse de performances d'un portefeuille de trading.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

## **Appliquez Vos Connaissances**

Rappelez-vous, la pratique est la clé de la maîtrise. Nous vous encourageons à continuer à utiliser Python dans vos projets personnels ou professionnels. N'hésitez pas à revisiter les leçons de ce cours pour rafraîchir vos connaissances, et souvenez-vous que chaque projet est une opportunité d'apprendre quelque chose de nouveau.

## **Restez Connecté**

Continuez à nous suivre sur les réseaux sociaux et à vous abonner à notre Newsletter pour plus de conseils, de tutoriels, et d'actualités sur Python dans la finance. Votre feedback est précieux, donc partagez vos réussites, vos défis, et vos idées avec nous et la communauté de Crypto Robot.

<MAIL_FORM/>

## **Un Grand Merci**

Enfin, un grand merci de la part de toute l'équipe de Crypto Robot pour avoir choisi notre formation. Nous espérons que vous avez trouvé ce cours à la fois informatif et enrichissant, et nous sommes impatients de vous voir appliquer ces compétences dans le monde réel.

"Continuez à apprendre, continuez à grandir, et que vos projets financiers prospèrent avec Python !"

---

Bonne chance et bon succès dans vos futures aventures en programmation Python et en finance ! 🚀📈

Python pour la Finance

Le copy trading est une pratique à la mode, surtout dans le domaine des cryptomonnaies. Un moyen très simple de réaliser des **profits rapidement** ? Trois petits clics et vous profitez de l'expertise de traders hors pair ? Ou bien un piège marketing qui a beaucoup plus de chances de vous faire **perdre de l'argent** qu'autre chose ?

Dans cet article, nous vous proposons de décrypter tout cela en détail. Non seulement avec des mots, mais surtout par **une analyse critique** et détaillée des résultats de traders disponibles en copy trading. Le but est de vous armer avec les outils nécessaires pour pouvoir conduire votre propre analyse et déterminer si certains traders valent le coup d'être copiés ou non.

## Qu’est-ce que le Copy Trading et Quels sont ses Risques ?

### Le Copy Trading en Crypto : Un Aperçu

Le copy trading permet aux investisseurs de **reproduire automatiquement** les stratégies et positions de traders dits "expérimentés". En d’autres termes, lorsque le trader que vous suivez ouvre ou ferme une position, la même opération est effectuée sur votre compte. Cela offre une opportunité aux investisseurs de tirer profit des compétences (supposées) des traders suivis.

### Le Copy Trading sur les Plateformes d'Échange Crypto

Sur de nombreuses plateformes d'échange de cryptomonnaies, le copy trading est une fonctionnalité intégrée. Par exemple, des plateformes centralisées comme Bitget proposent une liste de traders pour le copy trading. Ces traders sont souvent classés selon leur performance, mesurée par des indicateurs tels que le **retour sur investissement** (ROI), le taux de réussite des trades, ou encore le nombre de followers. Vous pouvez alors sélectionner un trader à suivre en fonction de ces critères, comme illustré dans l’image ci-dessous.

![1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/1_216daa4e3e.png)

### Le Copy Trading en Cryptomonnaie : Mises en Garde et Pièges

Le copy trading peut sembler être une méthode très simple pour générer rapidement des profits importants. Mais attention à ce type de réflexion, car en réalité, la situation n'est pas aussi idéale et comporte de nombreux risques et pièges :

- **Performances trompeuses** : Certains traders affichent des rendements spectaculaires sur de courtes périodes, avec des pourcentages à quatre ou cinq chiffres. Cependant, ces rendements impressionnants sont souvent dus à des stratégies à haut risque, absolument pas viables sur le long terme.
- **Manque d’historique** : Un trader avec seulement quelques jours ou semaines d’historique de trading n’a pas encore prouvé sa capacité à performer durablement. Il est difficile de juger de la compétence d’un trader sans au moins 3 à 6 mois de données fiables.
- **Taux de réussite irréalistes** : Un taux de réussite proche de > 90 % doit susciter la méfiance. Aucun trader professionnel ne peut maintenir un tel taux de succès sur le long terme. Cela peut indiquer l’utilisation de stratégies risquées, comme la martingale, où des pertes potentielles sont cachées par des rachats successifs, jusqu’à ce qu’une perte majeure survienne avec des conséquences dramatiques (liquidation de compte).
- **Utilisation excessive de levier** : Certains traders utilisent des leviers très élevés (par exemple, x50), augmentant considérablement les risques de liquidation et de pertes importantes, à la fois pour eux et pour ceux qui les suivent.

C’est pourquoi nous pensons qu’il est important de prendre le temps d'examiner en détail les statistiques et performances des traders avant de les suivre. Une analyse minutieuse permet de repérer rapidement les “red flags” ("signaux d'alarme") que nous venons de mentionner. C’est que nous allons faire maintenant, mais pour en savoir plus sur l'analyse des traders en copy trading, n'hésitez pas à consulter notre vidéo YouTube ci-dessous :

<MDX_YT videoId="vVx-QloxkAA"/>

## Comment Trouver des Traders Fiables en Copy Trading Crypto

Après avoir exploré les pièges du copy trading et mis en lumière les caractéristiques des traders à ne surtout pas suivre, il est important de souligner qu’il existe également des traders compétents qui proposent du copy trading et qui méritent potentiellement que l’on leur fasse confiance avec une partie de notre capital. La question à laquelle nous devons tenter de répondre est donc : **comment identifier de tels traders parmi tant d'autres ?**

### Un Code en Python pour Analyser les Copy Traders Crypto

Pour faire une analyse détaillée, rien de tel qu’un peu de programmation. Comme nous avons l’habitude de faire, nous avons développé un petit code en Python disponible gratuitement ici : [https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/copy-trading.ipynb](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/copy-trading.ipynb). 

Si vous êtes intéressé, sachez que ce code utilise l’API (Interface de Programmation d'Applications) de Bitget où il récupère les données détaillées sur tous les traders disponibles en copy trading sur Bitget, telles que :

- **Historique des trades** : Pour examiner les positions prises, les gains et les pertes.
- **Statistiques détaillées** : Taux de réussite, drawdown, retour sur investissement, etc.
- **Comportements de trading** : Fréquence des trades, utilisation des leviers, types d'actifs tradés.

Le but maintenant n’est pas de rentrer davantage dans les détails de ce code, mais de voir les critères qu’il utilise pour classifier les copy traders et les résultats que nous obtenons.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Critères pour Analyser les Copy Traders Crypto

Le code, dans un premier temps, filtre tous les traders sur la plateforme et exclut ceux qui présentent les caractéristiques suivantes :

- **Durée d'inscription trop courte (< 90 jours)** : Pour s’assurer que le trader a un historique suffisant pour que ses statistiques aient un minimum de sens.
- **Nombre de trades trop faible (< 50)** : Un nombre limité de trades ne permet pas d'évaluer correctement les performances d'un trader.
- **Taux de réussite suspect (> 90 %)** : Pour éviter les traders qui ont recours à des stratégies non fiables sur le long terme, comme la martingale.
- **Drawdown trop faible (< 5 %)** : Un drawdown anormalement bas peut indiquer une stratégie risquée qui ne tiendra probablement pas sur le long terme. Un trader expérimenté traverse inévitablement des périodes de drawdown, c'est une composante normale de l'activité. Ne pas en avoir du tout est suspect.

Ces seuils sont ceux qui nous semblent pertinents, mais vous pouvez tout à fait les ajuster dans le code pour mener vos propres analyses. 

Au moment de notre analyse, nous avons trouvé que **1 043 traders** respectaient ces conditions.

### Le Classement des Meilleurs Copy Traders Crypto

Ensuite, le code classe les traders sélectionnés en se basant sur les meilleures performances (ROI) et les meilleurs drawdowns. Voici un aperçu des 10 premiers au moment de notre analyse :

![2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/2_3759c406c8.png)

Grâce à cela, nous pouvons identifier des traders potentiellement intéressants et les sélectionner pour mener une analyse plus poussée grâce à notre code.

## Analyse Détaillée des Traders en Copy Trading de Crypto

### Le #1 “Rich Bugatti”

Nous pouvons récupérer l’historique de ses trades ; en général, l’API rend disponible jusqu'à un an d’historique, ce qui donne **1 914 trades** pour ce trader.

![image.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_dbb8767e94.png)

**Attention**, nous voyons ici un premier red flag : l'utilisation d'un **levier x50**, ce qui suggère une possible stratégie martingale. Poursuivons notre analyse et regardons une autre métrique très importante : l'évolution des PnL cumulatifs (gains et pertes cumulés) en fonction du temps.

![image 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_1_a16c8a0244.png)

Nous sommes face à une courbe inquiétante avec de grandes marches d'escalier, espacées ou non par des périodes de multiples petits trades. Une analyse plus détaillée montre que ce trader ouvre des dizaines de trades en même temps, ce qui est **très dangereux en termes d'exposition** et génère ces fluctuations brutales pour le meilleur et pour le pire. Au final, si nous comparons le PnL de départ et d’arrivée, ce trader n’a pas généré de profits ; sa stratégie n’est pas robuste du tout.

Regardons d'autres métriques, comme le PnL moyen par paire ou par type (long/short) :

![image 2.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_2_e5c9d05e98.png)

![image 3.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_3_cef474661e.png)

Cela nous indique que ce trader a été plus performant sur ETH que sur BTC et que ce sont ses positions long qui ont été profitables plutôt que les positions short. Notez que ceci est une **caractéristique fréquente dans le trading de cryptos** ou d'indices, qui sont des actifs haussiers. Il est donc statistiquement plus probable de faire des gains en **long** qu’en **short**, et on prend plus de risques en entrant en **short**.

Regardons un dernier graphique riche en informations : celui du PnL des trades en fonction de leur durée.

![image 4.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_4_f2b065c411.png)

La distribution obtenue est très bizarre. On constate qu’un seul trade a généré la majorité des profits; hormis celui-ci, tous les trades sont alignés avec un PnL proche de zéro. Une bonne partie de ses trades perdants sont clôturés autour de 8 jours. Il y a une **très faible corrélation entre le temps en position et le PnL**, ce qui n’est pas logique. Le trader ne semble pas tirer parti des tendances du marché ou de ses corrections, mais plutôt placer des trades de façon aléatoire. Ce manque de structure PnL/temps est un autre "red flag".

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Le #10 “Didi Random”

Un rapide coup d’œil à son profil nous indique que, malgré une performance négative sur les derniers 30 jours de **–14,51 %** :

- **Historique solide** : Inscrit depuis **682 jours**, offrant un historique suffisant pour évaluer sa performance sur le long terme.
- **Performance totale positive** : Une performance globale de **+146 %**, indiquant une croissance régulière.
- **Taux de réussite réaliste** : Un taux de réussite de **79 %**, crédible et révélateur d'une bonne gestion du risque.
- **Utilisation de leviers modérés** : Il utilise un **levier x2**, témoignant d'une approche prudente et maîtrisée du risque.
- **Style de trading cohérent** : Il privilégie le **trading de tendance**, en maintenant ses positions gagnantes plus longtemps et en coupant rapidement ses pertes.

Utilisons maintenant les atouts de la programmation pour pousser l’analyse plus loin. Nous avons pu récupérer **242 trades:**  

![image 5.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_5_524ef7906e.png)

et sa courbe de PnL cumulatif est beaucoup plus prometteuse:

![image 6.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_6_0b293e2111.png)

Nous observons une **courbe en hausse**, voire parabolique, probablement grâce au réinvestissement regulier de ses profits. Elle présente des périodes de drawdowns, ce qui est normal, mais ces périodes ne durent pas longtemps, ce qui est bon signe.

En termes de PnL par paire, sur le graphique ci-dessous on remarque que ce trader trade un grand nombre de cryptomonnaies, dont certaines semblent systématiquement générer des pertes.

![image 7.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_7_8ce3219d0c.png)

De même, la différence entre PnL **long** et **short** ci-dessous est symptomatique du trading de tendance.

![image 8.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_8_06969e7080.png)

Enfin, analysons le graphique du PnL des trades en fonction de leur durée :

![image 9.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/image_9_c0ee6a38d5.png)

Ici, on observe la signature du trading de tendance : les trades perdants durent généralement peu de temps, alors que les trades gagnants restent en position beaucoup plus longtemps pour capturer un **maximum de profit** avant que la tendance ne s'inverse.

Au final, que l'on trouve ces performances et cette gestion du risque satisfaisantes ou non, cela reste une question personnelle. Cela dit, il est évident que le profil et les résultats de Didi Random reflètent bien plus ceux d'un **"vrai" trader**, qui fait croître son capital progressivement, en s'adaptant aux aléas du marché. À l'inverse, des résultats trop parfaits, comme ceux de Rich Bugatti, révèlent souvent des signaux d'alerte avec une analyse plus poussée.

Il peut être judicieux de réévaluer régulièrement les traders que vous suivez avec ce genre d’analyse. Les marchés évoluent, et un trader performant aujourd'hui peut ne pas l'être demain. Il est donc important de vérifier si ces traders résistent aux périodes de turbulences et aux conditions de marché défavorables. Tout cela vous permettra d'**optimiser vos investissements**.

Vous disposez désormais d’un cadre d’analyse et d’un code pour faire vos propres évaluations. Les critères que nous avons partagés sont ceux que nous jugeons pertinents, mais chacun a des préférences différentes. Il vous revient donc d’adapter cela à votre style d'investissement et à ce avec quoi vous vous sentez le plus à l’aise. Nous espérons que cet article vous aura aidé à mieux comprendre les pièges et les risques du copy trading, et vous offrira des pistes pour faire des **choix plus éclairés**.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Découvrez le copy trading sur les plateformes d’échange crypto, les pièges à éviter, et comment choisir des traders fiables en s’appuyant sur des outils d’analyse adaptés.

intro.jpg

Le Guide sur le Copy Trading : Réalités, Pièges et Outils d’Analyse pour Trouver des Traders Fiables

## TRIX Strategy, une stratégie de trading basée sur les tendances

Dans cet article, je vais vous présenter notre nouvelle stratégie de trading TRIX qui repose sur le suivi des tendances du marché. Contrairement à d'autres stratégies qui cherchent à capter la volatilité, la stratégie TRIX exploite les mouvements directionnels forts des cryptomonnaies.

Les ressources sont les suivantes :

- [Code TradingView](https://fr.tradingview.com/script/KKRFkFTu/)
- [Code Backtest Python](https://github.com/CryptoRobotFr/Backtest-Tools-V2)
- [Code Installation Live Bitmart](https://github.com/CryptoRobotFr/Live-Tools-V2)

L’automatisation est disponible via la plateforme de trading Bitmart. Si vous n'avez pas encore de compte Bitmart, vous pouvez en créer un en utilisant notre lien d'affiliation pour profiter de bonus spéciaux et de frais réduits. Cliquez sur le bandeau ci-dessous pour vous inscrire maintenant et profiter de réduction de frais de -15% à vie.

<EXCHANGE_CARD image_name="bitmart_fr_1" link="https://bitmart.com/invite/CryptoRobot2/en-US"/>

## Explication de la Stratégie TRIX

Sur notre chaîne YouTube CryptoRobot, nous vous avons présenté de nombreuses stratégies de trading. La plupart de ces stratégies sont conçues pour capter les tendances du marché, et la stratégie TRIX ne fait pas exception. Ce qui la distingue, c'est son utilisation d'un indicateur unique, le TRIX, et d'une méthodologie rigoureuse pour entrer et sortir des positions.

Le TRIX est une triple moyenne exponentielle des prix, qui permet de lisser les fluctuations et de détecter les tendances sous-jacentes. Pour renforcer la pertinence de cette moyenne, nous utilisons également une courbe d'évolution qui mesure le changement relatif de cette triple moyenne. Enfin, une ligne signal est créée en calculant une moyenne simple du TRIX, servant de référence pour les décisions de trading.

## Les indicateurs de la stratégie TRIX

La stratégie TRIX se concentre sur un seul indicateur principal : le TRIX, qui est la moyenne de la moyenne de la moyenne exponentielle des prix. Cette méthode de calcul permet de filtrer les bruits du marché et de se concentrer sur les tendances importantes. Pour optimiser les points d'entrée et de sortie, une ligne signal, basée sur une moyenne simple du TRIX, est utilisée.

Pour filtrer les signaux et améliorer les chances de succès, la stratégie ne prend que des positions longues lorsqu'un actif se trouve au-dessus de sa moyenne mobile long terme, par exemple, celle de 500 périodes. Ce filtre supplémentaire assure que la stratégie ne se positionne que lorsque le marché est favorable à une tendance haussière.

Nous avons choisi de ne faire que des trades en long pour cette stratégie, car les cryptomonnaies, en général, ont montré une tendance haussière sur le long terme. Cela maximise les chances de succès tout en minimisant les risques de pertes sur des retournements de tendance inattendus.

![trix exemple 1.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/trix_exemple_1_90aa67cf79.png)

### Les Paramètres de la Stratégie TRIX

Les paramètres de la stratégie TRIX sont conçus pour optimiser la détection des tendances sur des cryptomonnaies en timeframes de 1h, 2h, et 4h. Voici les réglages utilisés pour le BTC en 4h :

- **Moyenne Mobile Long Terme (Long MA)** : Cette moyenne mobile sert de filtre pour les tendances de fond. Nous utilisons une **EMA (Exponential Moving Average)** de 600 périodes, qui réagit plus rapidement aux changements de prix tout en fournissant une vue d'ensemble sur la direction du marché à long terme.
- **TRIX** : Le TRIX est une triple moyenne exponentielle, configurée ici avec une longueur de 21 périodes, ce qui le rend assez réactif pour capter les mouvements intermédiaires. L'EMA est également choisie pour le TRIX afin d'accentuer sa sensibilité aux fluctuations de prix.
- **Ligne Signal du TRIX** : La ligne signal est une **SMA (Simple Moving Average)** de 9 périodes appliquée au TRIX. Cette moyenne simple agit comme un déclencheur de signal pour les entrées et les sorties en position, fournissant un repère clair pour les décisions de trading.

Ces paramètres sont réglés pour maximiser les performances en capturant les tendances tout en filtrant les signaux potentiellement erronés, notamment en s'assurant que les positions ne sont prises que dans la direction dominante du marché.

![tv parameters trix.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/tv_parameters_trix_fcd8e4a7ac.png)

## Les règles de la stratégie TRIX

Avec un indicateur principal et un filtre basé sur la moyenne mobile long terme, la stratégie TRIX est à la fois simple et efficace.

**Ouvrir un LONG (parier à la hausse) :**

1. Le TRIX croise la ligne signal à la hausse.
2. Le prix de l'actif est au-dessus de la moyenne mobile long terme (par exemple, 500 périodes).

**Fermer un LONG :**

1. Le TRIX croise la ligne signal à la baisse.
2. Le prix retombe en dessous de la moyenne mobile long terme.

Cette stratégie fonctionne particulièrement bien sur des timeframes de 1h, 2h et 4h, ce qui permet de capturer des mouvements significatifs tout en évitant les signaux trop courts qui pourraient générer des faux positifs.

### Les résultats de la Stratégie TRIX

Avant de plonger dans les résultats, rappelons que les performances passées ne garantissent pas les performances futures. L'avantage d'avoir une stratégie avec des règles claires est que nous pouvons la tester rigoureusement sur des données historiques pour évaluer son potentiel.

Nous avons effectué des backtests sur des cryptomonnaies populaires comme le Bitcoin (BTC) et l'Ethereum (ETH), en utilisant des timeframes de 1h, 2h et 4h. Les résultats montrent une performance solide, avec un bon ratio de trades gagnants et une gestion du risque efficace grâce au filtre de la moyenne mobile long terme.

**Bitcoin (BTC) :**

- Timeframe : 4h
- Capital initial : 1 000 USD
- Gains nets : 5300 USD soit +530% sur une période de 4 ans
- Win rate : 48%
- Drawdown maximum : -24%

![trix perf btc 4h.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/trix_perf_btc_4h_d5720cbf8a.png)

**Ethereum (ETH) :**

- Timeframe : 2h
- Capital initial : 1 000 USD
- Gains nets : 11 904 USD soit +1 190% sur une période de 4 ans
- Win rate : 43%
- Drawdown maximum : -29%

![trix perf eth 2h.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/trix_perf_eth_2h_81e51259e0.png)

Ces résultats démontrent la robustesse de la stratégie TRIX, en particulier sur des actifs avec une forte tendance haussière comme les cryptomonnaies.

## Conclusion sur la stratégie de trading TRIX

La stratégie TRIX offre une nouvelle perspective sur le trading de tendance en utilisant un indicateur unique et puissant. En filtrant les positions avec une moyenne mobile long terme, elle parvient à minimiser les risques tout en capturant des mouvements significatifs du marché. C'est une stratégie idéale pour ceux qui cherchent à automatiser leur trading sur les cryptomonnaies tout en se concentrant sur les tendances haussières.

Cet article n’a pas pour but de fournir des conseils financiers, mais plutôt d'exposer une stratégie ayant montré des résultats historiques solides. Cependant, comme toujours, les performances passées ne présagent en rien des résultats futurs.

Nous espérons que cet article vous a plu et que vous avez apprécié la stratégie TRIX. Si vous avez des questions, n'hésitez pas à nous contacter via nos réseaux sociaux. Pour ceux qui souhaitent implémenter cette stratégie, nous vous invitons à rejoindre notre plateforme partenaire Bitmart via le lien ci-dessous.

<EXCHANGE_CARD image_name="bitmart_fr_1" link="https://bitmart.com/invite/CryptoRobot2/en-US"/>

La stratégie TRIX est une stratégie de trading de suivi de tendance qui peut être complètement automatisée. Découvrez comment elle fonctionne et comment l'installer sur la plateforme Bitmart.

trix image.jpg

Stratégie de Trading Automatisée TRIX (Suivi de Tendance)

S'intéresser à l'investissement révèle rapidement l'**immense variété d'actifs modernes disponibles**, ce qui peut être déroutant. Même avec une idée précise des actifs dans lesquels investir, la question demeure : comment répartir notre capital entre ces actifs de manière optimale ? En d'autres termes, comment **construire un portefeuille financier équilibré**, répondant à nos attentes en termes de gains et de tolérance au risque ?

Pour répondre à cette question primordiale, des méthodes quantitatives ont été développées. En se basant sur les performances passées des actifs, elles analysent et optimisent la répartition des actifs dans un portefeuille. Ces méthodes peuvent viser à **maximiser les rendements tout en minimisant le risque**, ou tenter de les équilibrer pour répondre au mieux à nos attentes. Aujourd'hui, nous vous présentons quelques-unes des méthodes les plus pertinentes : des techniques traditionnelles éprouvées et des approches modernes basées sur l'intelligence artificielle et le clustering.

Si vous souhaitez visionner comment nous avons traité ce sujet en vidéo, vous la trouverez ci-dessous.

<MDX_YT videoId="w0iIvS19dyg"/>

## Sélection et Optimisation des Actifs pour un Portefeuille Financier Diversifié

### Meilleurs Actifs Financiers pour un Portefeuille Diversifié

La première étape dans la création et l’**optimisation d’un portefeuille financier** est la sélection d’actifs. Il est crucial de comprendre que l'optimisation de portefeuille ne consiste pas à investir dans des actifs de manière aléatoire ou à rechercher systématiquement ceux qui ont le mieux performé les dernières années. Les performances passées ne garantissent jamais les performances futures.

Pour ces raisons, il est préférable de **sélectionner des actifs diversifiés** qui nous intéressent, en lesquels nous avons confiance ou que nous voyons un potentiel futur. Ensuite, nous appliquons des méthodes d'optimisation pour déterminer les pourcentages à investir dans chaque actif afin de satisfaire nos attentes en termes de risque et de performance. Voici les actifs que nous avons sélectionnés :

**Cryptomonnaies:** 

Les cryptomonnaies sont des actifs récents mais essentiels pour un portefeuille moderne, à condition qu’elles soient proportionnées à leur nature volatile. Nous sélectionnons des cryptomonnaies majeures :

- **Bitcoin (BTC):** La première et la plus connue des cryptomonnaies.
- **Ethereum (ETH):** Une plateforme décentralisée permettant la création de contrats intelligents.
- **Ripple (XRP):** Conçu pour les paiements et les transferts de fonds internationaux.
- **Cardano (ADA):** Une plateforme de blockchain pour les contrats intelligents, axée sur la sécurité et la scalabilité.
- **Dogecoin (DOGE):** Une cryptomonnaie initialement créée comme une blague, mais qui a gagné en popularité.

**ETFs:** 

Les ETFs (Exchange-Traded Funds) sont indispensables dans un portefeuille diversifié. Ils regroupent un panier d’actions classées par secteur ou localité et offrent une exposition à différents marchés. Nous avons choisi :

- **SP 500 (SPY):** Représente les 500 plus grandes entreprises américaines cotées en bourse.
- **MSCI World (VWRD.L):** Inclut des actions de grandes et moyennes entreprises de 23 pays développés.
- **CAC 40:** Regroupe les 40 plus grandes entreprises françaises cotées.
- **DAX 40:** Comprend les 40 plus grandes entreprises allemandes.
- **Nikkei 225:** Index des 225 plus grandes entreprises japonaises.
- **World Ex-US:** Inclut des actions internationales en excluant les États-Unis.
- **Emerging Markets:** Représente des entreprises situées dans des marchés émergents comme l'Inde, la Chine et le Brésil.
- **High Dividend:** Regroupe des actions avec des rendements de dividendes élevés.
- **Real Estate:** Comprend des actions du secteur immobilier, telles que les REITs (Real Estate Investment Trusts).

**Métaux Précieux:** 

Les métaux précieux sont des actifs de refuge. Ils préservent la valeur en période de volatilité du marché ou de forte inflation. Nous sélectionnons :

- **Gold:** Représente l'or, une valeur refuge traditionnelle.
- **Silver:** Représente l'argent, également utilisé comme valeur refuge et dans l'industrie.

**Obligations:** 

Les obligations sont des actifs peu volatils qui offrent une source de revenu fixe et réduisent le risque global du portefeuille. Nous choisissons :

- **US Bond:** Représente un panier d'obligations américaines.
- **World Bond:** Inclut des obligations du monde entier, à l'exception des États-Unis.
- **US Treasury:** Représente les obligations d'État américaines à long terme.

Pour plus de détails sur les différents types d’actifs modernes et la diversification, vous pouvez consulter notre [article](https://crypto-robot.com/blog/diversification-actifs).

### Comment Optimiser un Portefeuille Financier

Comment se déroule l’optimisation de portefeuille en pratique? Tout d’abord, ce ne sont pas des calculs que l’on fait à la main, mais bien **algorithmiquement**. Tous les calculs et les graphiques que nous allons discuter ont été réalisés par notre code Python, disponible en open source [ici](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/riskfolio.ipynb). Vous pouvez l'utiliser facilement pour faire votre propre analyse avec vos choix d’actifs. Pour comprendre son utilisation, nous vous invitons à visionner cette [vidéo](https://www.youtube.com/watch?v=w0iIvS19dyg&ab_channel=CryptoRobot). Ce code utilise Yahoo Finance pour télécharger les données historiques des actifs, et pour effectuer les calculs d’optimisation, une librairie très puissante : [Riskfolio](https://riskfolio-lib.readthedocs.io/en/latest/).

L'optimisation de portefeuille commence par la collecte des **données historiques** des prix des actifs. Ces données sont fondamentales pour calculer les rendements passés, donc l’évolution du prix d’une période à une autre. Nous considérons des rendements journaliers, et les volatilités (risques) passées, mais surtout les corrélations entre les différents actifs. Cet aspect est central pour l’optimisation d’un portefeuille.

### Avantages du Clustering IA et Visualisation des Actifs Financiers

![tree.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/tree_2ac1eff83c.png)

Avec l’IA, et notamment la **méthode de clustering** (apprentissage non supervisé), il est possible de visualiser la nature de ces actifs très simplement. Par exemple, sans décrire à un seul moment à l'algorithme ce que les actifs représentent réellement, il a été capable de les regrouper par type, simplement en analysant les rendements, la volatilité et les corrélations des actifs. Vous pouvez le voir dans le graphique ci-dessous, chaque actif a été regroupé parfaitement avec une région et couleur attribuée à chaque classe d’actifs.

Vous pouvez aussi demander à cet algorithme d’illustrer les **corrélations entre les actifs** sous forme de “heatmap”. Vous pouvez ainsi voir comment les actifs se corrèlent entre eux et notamment comment les actifs de la même classe se regroupent entre eux et forment ces carrés de forte corrélation dans le graphique ci-dessous. Sur les bords, vous pouvez observer les dendogrammes, qui sont les arbres de regroupement d’actifs que la méthode de clustering a générés pour réaliser sa représentation en groupes d’actifs.

![correlations.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/correlations_5afbc25468.png)

## Optimisation Classique de Portefeuille Financier et Théorie de Markowitz

Maintenant que nous avons correctement choisi nos actifs et compris leur nature, entrons dans le vif du sujet. Comment trouver les proportions de chacun pour créer le portefeuille qui **nous satisfait le plus en termes de risques/rendement** ? Pour répondre à cela, nous allons explorer plusieurs méthodes qui mettent en avant des choix différents pour créer le portefeuille, explorant ainsi un bon panel de possibilités.

### Portefeuille Optimal avec le Sharpe Ratio et la Théorie de Markowitz

Le **Sharpe Ratio** est une métrique pour quantifier le rapport rendements/risque très utilisée en finance. Plus le Sharpe Ratio est élevé, meilleur est le rendement ajusté au risque du portefeuille. L'optimisation du portefeuille en utilisant le Sharpe Ratio est une méthode classique (sans IA) et basée sur la théorie moderne du portefeuille de Markowitz. Cette théorie est historiquement le fondement de l’optimisation de portefeuille financier.

En exécutant notre code pour obtenir le portefeuille avec le meilleur Sharpe Ratio, nous obtenons la distribution ci-dessous.

![sharpe_distribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/sharpe_distribution_065d27f3a6.png)

Vous pouvez ainsi voir que la plus grosse partie est prise par l’or avec 36.7%. C’est en effet un actif très stable qui vient faire contrepoids aux autres actifs du portefeuille plus risqués. En opposition, les cryptomonnaies amènent beaucoup de rendement, mais au vu de leur volatilité, leur proportion est très faible. Les autres actifs majeurs sont deux ETF et le World Bond (obligations).

En comparant la contribution de chaque actif au risque total du portefeuille, on se rend compte que cette petite fraction de DOGE contribue beaucoup au risque à cause de la forte volatilité de l’actif, environ 4.5% (voir graphique ci-dessous). Alors que les grosses proportions de gold ou SP500 contribuent chacune à environ 2.5%.

![contribution_sharpe.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/contribution_sharpe_398a22e6d1.png)

Notez aussi que cette optimisation a sélectionné seulement une **partie très réduite de nos actifs** de départ, l'algorithme a jugé que ceux-ci étaient plus avantageux en termes de risque/rendement par rapport à leurs homologues qui sous-performent. Ces derniers sont considérés à un pourcentage quasi nul, tous regroupés dans la rubrique “others”.

### Frontière Efficiente pour des Portefeuilles Financiers Optimaux

Cependant, avec ce portefeuille en main, nous savons qu’il a le meilleur Sharpe Ratio. Mais si nous souhaitons choisir des portefeuilles avec plus ou moins de rendement selon notre tolérance au risque, comment faire?

Nous pouvons utiliser le concept de **frontière efficiente** introduit par Markowitz. Nous générons aléatoirement des centaines de portefeuilles et, pour un risque donné, nous sélectionnons celui qui offre le meilleur rendement, c’est le portefeuille optimal. Le graphique ci-dessous illustre cette courbe des portefeuilles optimaux en fonction du risque. L’étoile symbolise notre portefeuille précédent obtenu en maximisant le Sharpe Ratio.

![efficient_frontier.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/efficient_frontier_58897018c1.png)

Pour en savoir plus sur les méthodes d'optimisation classique et la théorie de Markowitz, consultez notre [article](https://crypto-robot.com/blog/portefeuille-optimisation-methodes) détaillé sur le sujet.

## Optimisation de Portefeuille Financier avec l’Intelligence Artificielle

### Optimisation par Parité de Risque Hiérarchique (HRP) : Une Approche IA pour les Actifs Financiers

La **Parité de Risque Hiérarchique** est une méthode d'optimisation de portefeuille qui utilise le clustering hiérarchique pour trouver les distributions optimales d’actifs dans un portefeuille financier. C’est une méthode d’IA particulièrement efficace pour gérer des actifs avec de fortes corrélations et volatilité, comme les actifs en bourses et les cryptomonnaies, souvent moins bien pris en compte par des méthodes plus classiques (plus de détails [ici](https://crypto-robot.com/blog/portefeuille-optimisation-methodes)).

Un algorithme de Parité de Risque Hiérarchique commence par mesurer à quel point les mouvements de prix de différents actifs se ressemblent, en utilisant leurs corrélations. Ensuite, il regroupe les actifs qui se comportent de manière similaire. Le risque est réparti de manière égale entre ces groupes, puis entre les actifs à l'intérieur de chaque groupe. Enfin, les poids des actifs dans le portefeuille sont calculés en tenant compte de cette structure hiérarchique et de la répartition du risque.

En effectuant l’optimisation avec cette méthode sur nos actifs grâce à notre code, nous obtenons désormais un portefeuille, comme le montre le graphique ci-dessous, qui donne cette fois une part non négligeable à bien plus de nos actifs.

![hpr_distribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/hpr_distribution_3678b57606.png)

Conceptuellement, l’algorithme a cherché les proportions de chaque actif telles que chaque actif contribue de manière égale au risque total du portefeuille et que tous les actifs soient présents dans le portefeuille. Ainsi, si nous regardons la contribution au risque ci-dessous, nous voyons que dans notre cas, les proportions de chaque actif sont telles qu'ils contribuent tous à 0.4% au risque total du portefeuille.

![hpr_contributions.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/hpr_contributions_061d6fad53.png)

De façon logique, avec cette méthode, nous observons que les actifs qui se retrouvent en plus grande proportion sont effectivement les plus stables, tels que les obligations. **Plus l’actif est volatile, plus sa proportion est faible**.

### Méthode Nested Clustered Optimization pour un Portefeuille Financier Optimal

Vous vous demandez peut-être ce qu'il en est si l'on souhaite allier les processus de clustering que nous avons vus avec une optimisation sur le Sharpe Ratio. La Nested Clustered Optimization est justement une **méthode hybride** qui fait exactement cela. Voici ce que cela donne pour notre portefeuille :

![nco_distribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/nco_distribution_4d174724d7.png)

Sans surprise, ce sont des proportions qui ressemblent au premier portefeuille que nous avons présenté, obtenu par la maximisation du Sharpe Ratio. Mais ici, nous voyons que les contributions majeures (>10%) sont moindres au total. L’algorithme a davantage tiré profit des **rendements des cryptomonnaies**. La même analyse se reflète dans la contribution des actifs au risque illustrée ci-dessous. On peut noter aussi que maintenant les contributions sont légèrement plus équilibrées qu’avec la maximisation du Sharpe Ratio simple.

![nco_contribution.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/nco_contribution_87a91d3b10.png)

### Performances Portefeuille Financier Optimisé et Stratégies de Trading

Pour conclure, il est légitime de se demander quelles auraient été les performances d’un tel portefeuille. En d'autres termes, si nous avions acheté ces actifs en respectant ces proportions il y a quelques années, quelles auraient été les **performances au cours du temps** et combien aurions-nous fait en profits aujourd’hui. Voici un graphique qui résume cela.

![nco_performances.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/nco_performances_5067db2c0e.png)

Vous pouvez observer que sur les six dernières années, ce portefeuille aurait généré une performance de +125%, passant de 100% à 225%. Le drawdown, ou perte maximale en valeur, a été légèrement supérieur à 20%, et survient durant la période du crash du COVID.

Ce type d’évolution de performance est **remarquable pour un portefeuille d’investissement passif**, sans méthode de trading appliquée ni rebalancing d’actifs. Le faible drawdown de 20% pendant des périodes de crise démontre l'efficacité de cette approche dans la protection du capital, tout en offrant une croissance substantielle sur le long terme. La composition du portefeuille, incluant une proportion significative d'or et une allocation diversifiée entre actions, obligations et cryptomonnaies, a permis de tirer parti des performances positives de ces actifs tout en minimisant l'impact des fluctuations négatives.

Enfin, nous voulons mentionner que l’utilisation de ce type de méthode d’optimisation **ne se limite pas aux portefeuilles d’investissement**. En effet, si vous utilisez des stratégies de trading ou des bots de trading, vous vous demandez certainement souvent combien de fonds de votre capital total vous devriez attribuer à tel ou tel actif ou cryptomonnaie et pour telle ou telle stratégie. Vous pouvez utiliser ces méthodes dans ce contexte en remplaçant les prix historiques des actifs par les performances passées d’un actif activement tradé avec une stratégie (backtest). Ces méthodes d’optimisation vous donneront une indication de la manière de répartir vos fonds selon vos critères.

Optimisez votre portefeuille financier avec des stratégies basées sur la théorie de Markowitz et l'intelligence artificielle. Découvrez comment diversifier vos actifs, maximiser les rendements et minimiser les risques.

nco_distribution.png

Optimiser Votre Portefeuille Financier en 2024 : ETF, Actions, Cryptomonnaies, Obligations et Métaux Précieux

Dans le trading, les graphiques regroupant les données par unité de temps sont couramment utilisés. Mais saviez-vous qu'il existe des méthodes potentiellement **plus pertinentes pour améliorer vos stratégies de trading** ? Explorons ensemble cette alternative qui transformera votre façon d’analyser les marchés.

Tout d’abord, voici quelques ressources gratuites que nous avons développées dans notre exploration de cette thématique qui pourront vous être utiles :

- **Le code en langage de programmation Python** : [https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb)
- **Notre vidéo** : Si vous préférez nous voir et nous entendre parler de ce sujet, voici notre vidéo :

<MDX_YT videoId="uL3KJ7vBWCw"/>

## Les Bougies Temporelles OHLC et leurs Alternatives pour le Trading

### Pourquoi Utilisons-Nous des Bougies Temporelles en Trading ?

Vous êtes-vous déjà demandé pourquoi, en trading, les données sont regroupées par unités de temps pour créer des bougies ? Par exemple, les graphiques regroupent souvent les données par heure ou par jour. Cette méthode est généralement utilisée pour **sa simplicité et sa familiarité** avec notre perception du temps basée sur le calendrier. Chaque bougie représente une période de temps spécifique avec des informations sur les prix d'ouverture, de clôture, le plus bas et le plus haut (open, high, low, close). 

Vous pouvez voir un exemple ci-dessous d’un graphique en daily (une bougie correspond au prix journalier en dollars du Bitcoin). Les bougies vertes nous indiquent que le prix a augmenté pendant cette journée, tandis que les bougies rouges montrent qu'il a diminué. Les mèches des bougies indiquent les minimums et maximums que le prix a atteints pendant la journée correspondante.

![daily_btc.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/daily_btc_f5bc919ffb.png)

Cependant, cette méthode de représentation en bougie temporelle n'est **pas sans inconvénients**. Elle accorde le même poids à des périodes avec des volumes de trading très différents. Par exemple, une journée avec peu d'activité de trading et une autre avec une activité intense peuvent paraître similaires en termes de représentation graphique, ce qui peut induire en erreur les traders sur la volatilité réelle du marché.

### Alternatives aux Bougies Temporelles en Trading : Les Bougies Basées sur les Transactions, la Volatilite ou le Volume

Pour offrir une vision différente du marché, potentiellement plus pertinente pour comprendre les mouvements et les forces intrinsèques à son évolution, on peut regrouper les données par nombre de transactions, par volatilité ou par volume de trading.

*Bougies Basées sur le Nombre de Transactions*

Une méthode consisterai à regrouper les données par nombre de transactions. Par exemple, une bougie pourrait être créée toutes les 2000 transactions. Chaque bougie représente ainsi un nombre égal de transactions, permettant une analyse homogène du comportement des traders. Les périodes de forte activité produiront plus de bougies, offrant une **vue plus granulaire** des mouvements du marché.

*Bougies Basées sur la Volatilité*

Regrouper les données par volatilité signifie créer une nouvelle bougie chaque fois qu'il y a un changement de prix significatif, par exemple, de 5%. Cette méthode se concentre sur les mouvements de prix importants, en ignorant les fluctuations mineures. Les petites variations de prix affecteront peu la formation de nouvelles bougies, ce qui rend l'**analyse des tendances et des retournements du marché plus claire**.

*Bougies Basées sur le Volume de Trading*

Une autre méthode consiste à regrouper les données par volume de trading, chaque bougie représentant un volume constant de transactions, par exemple, 10 millions de dollars. Cela permet d'obtenir une représentation graphique où chaque bougie indique **une activité de marché caractéristique de l’actif**, le choix du volume par bougie, indépendamment du temps nécessaire pour atteindre ce volume.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

### Avantages des Bougies de Volume Constant pour le Trading

Les bougies à volume constant offrent plusieurs avantages que nous pouvons résumer ainsi :

- **Réflexion plus précise de l'activité du marché :** Les périodes de forte activité (hauts volumes) sont mieux représentées, car chaque bougie contient le même volume de transactions.

- **Réduction des bruits de marché :** Les périodes de faible activité sont condensées, réduisant les bougies non significatives qui peuvent fausser l'analyse.

- **Amélioration des indicateurs techniques :** Les indicateurs basés sur le volume peuvent devenir plus pertinents, car ils sont calculés sur des unités de volume constant.

Nous allons maintenant explorer cette méthode de bougies à volume constant plus en détail. Nous la mettrons en pratique en comparant ses performances possibles avec une stratégie de trading utilisant des bougies temporelles standard.

## Comment Transformer les Données OHLCV en Bougies de Volume Constant pour une Meilleure Analyse de Marché

### Principe et Code pour Transformer les Données OHLCV en Bougies de Volume Constant

Pour transformer les données OHLCV (open, high, low, close, volume) en bougies de volume constant, c’est assez simple. D’abord, il faut télécharger les données OHLCV sur une timeframe la plus basse possible, en 1 minute par exemple. Ensuite, de façon algorithmique, partant de la bougie la plus ancienne, on accumule toutes les bougies d’une minute jusqu'à atteindre un volume total échangé d’un certain nombre. Dans ce paquet, on trouve le low et le high, tandis que l’open de la première bougie en minute est de facto l’open de notre bougie de volume constant, et son close correspond au close de la dernière bougie en minute du paquet. On répète ensuite ce processus itérativement jusqu'à avoir parcouru toutes les bougies.

Vous pouvez trouver gratuitement ici l’algorithme en Python que nous avons développé pour faire cela : [https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb](https://github.com/CryptoRobotFr/Backtest-Tools-V2/blob/main/analytics/ohlcv_resempler.ipynb).

### Differences entre Données OHLCV en Bougies de Temps ou de Volume Constant

![ex_standard_candles.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/ex_standard_candles_c83bb85e13.png)

![ex_volume_candles.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/ex_volume_candles_d4066e1e2c.png)

Si l’on prend comme exemple les données de Binance pour le Bitcoin contre l'USDT, récupérées minute par minute depuis 2017, et que l’on choisit de regrouper les bougies en volumes moyens d’environ 3000 USDT, cela donne le cours représenté dans la deuxième figure ci-dessus. Alors que pour la même période approximativement, les bougies représentées en tranches d’une heure correspondent à la première figure ci-dessus.

Vous pouvez effectivement vérifier que le volume est constant sur le graphique en bougies regroupées par volume. Aussi, ceci implique que l’**échelle de temps n’est plus linéaire**. Cela offre une représentation plus précise de l'activité du marché. En somme, vous pouvez observer que pendant les périodes de forte activité, les bougies se forment plus rapidement, reflétant la hausse de la volatilité et du volume des transactions. En revanche, durant les périodes calmes, les bougies se forment plus lentement.

## Performances Stratégies de Trading: Bougies Temporelles vs Bougies de Volume Constant

### Stratégies de Trading avec les Bandes de Bollinger: Tendance et Retour à la Moyenne

Pour comparer l'efficacité des bougies de volume constant par rapport aux bougies temporelles, prenons un exemple de chaque type principal de stratégie de trading : stratégie de tendance et stratégie de retour à la moyenne. Si vous avez besoin d’en apprendre plus sur les spécificités de chacun de ces types de stratégies, nous avons dédié un article dessus : [https://crypto-robot.com/blog/guide-type-strategie](https://crypto-robot.com/blog/guide-type-strategie).

Pour construire un exemple de chaque type, utilisons un indicateur versatile et très utilisé dans le trading, les bandes de Bollinger. Vous pouvez les voir représentées sur le chart ci-dessous.

![bollinger_bands.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/bollinger_bands_e7b6296a55.png)

Pour rester simple, nous considérerons :

1. **Stratégie de Tendance** : Achat lorsque le prix dépasse la bande supérieure et vente lorsque le prix repasse sous la moyenne.
2. **Stratégie de Retour à la Moyenne** : Achat quand le prix tombe sous la bande inférieure, et vente selon un stop-loss ou un take-profit prédéfinis.

Grâce à notre code en Python, effectuons maintenant un backtest pour chaque stratégie sur chaque type de données : le cours du Bitcoin contre l’USDT en bougies temporelles et le cours du Bitcoin contre l’USDT en bougies en volume constant de 3000 USDT. Discutons maitnenant des résultats.

### Résultats de la Stratégie de Tendance : Bougies de Volume Constant vs Bougies Temporelles

En appliquant la stratégie de tendance aux bougies temporelles classiques (heure par heure), le capital initial de 1000 dollars atteint 1900 dollars à la fin du backtest, ce qui représente une performance de 91 %. Le backtest montre un drawdown très large de 67 %. En revanche, avec les bougies de volume constant, le capital grimpe à 5400 dollars, soit une performance de 442 %, avec un drawdown similaire.

Les drawdowns sont bien entendu trop élevés pour considérer cette stratégie comme viable, mais ce premier exercice montre que l’utilisation des bougies semble rendre l’**identification de tendance par la stratégie plus efficace**, ce qui se traduit par de meilleurs profits.

### Résultats de la Stratégie de Retour à la Moyenne : Bougies de Volume Constant vs Bougies Temporelles

Pour la stratégie de retour à la moyenne, les bougies temporelles conduisent à une perte, le capital initial de 1000 dollars tombant à 898 dollars (-10 %) avec un maximum drawdown d’environ -67 %. À contrario, en utilisant les bougies de volume constant, le capital double presque pour atteindre 1900 dollars (+95 %), et le maximum drawdown s’améliore nettement à 38 %.

Ici encore, on semble effectivement gagner en efficacité de la stratégie lorsque l’on applique des bougies de volume constant.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

## Quel Graphique est Meilleur pour le Trading ? Bougies Temporelles ou Volume Constant ?

Il est important de noter que les résultats observés jusqu'à présent ne sont pas définitifs, mais plutôt une analyse préliminaire et simplifiée. Des tests supplémentaires, des optimisations sur plusieurs paramètres et une étude statistique approfondie sont nécessaires pour confirmer la supériorité des bougies de volume constant.

### Pourquoi les Bougies de Volume Constant sont-elles Potentiellement Meilleures ?

Essayons toutefois de résumer objectivement les avantages et limitations que les bougies à volume constant peuvent avoir par rapport aux bougies standard :

1. **Moins Utilisées par les Traders :**
Une des raisons pour lesquelles les bougies de volume constant peuvent montrer de meilleures performances est leur faible adoption parmi les traders. En effet, environ 99 % des traders utilisent des données regroupées par période. L'utilisation de données moins courantes peut offrir un avantage concurrentiel en permettant de capter des mouvements de marché moins visibles avec les graphiques traditionnels.

2. **Réduction du Bruit du Marché :**
Les bougies de volume constant peuvent offrir une meilleure représentation de l'activité réelle du marché, en particulier durant les périodes de forte volatilité. Par exemple, elles permettent de distinguer clairement les jours de faible activité de ceux de forte activité, ce qui n'est pas toujours évident avec les bougies temporelles.

### Limites des Bougies de Volume Constant dans le Trading

Cependant, cette méthode présente aussi des défis. Si vous êtes l'un des rares à utiliser ces données, cela peut compliquer votre capacité à prédire les mouvements de marché qui sont souvent influencés par le comportement collectif des traders utilisant des données temporelles. En trading, une grande partie de l'analyse repose sur l'interprétation des graphiques par une multitude de traders. Si vous travaillez avec des données que personne d'autre n'utilise, le marché peut devenir imprévisible et aléatoire.

En conclusion, il n'est pas possible d'affirmer de manière catégorique qu'il faut absolument utiliser les données regroupées par volume ou par unité de temps. Les bougies de volume constant montrent un potentiel intéressant, mais elles nécessitent des tests plus approfondis pour confirmer leur pertinence. 

À l'avenir, il serait judicieux de tester les deux méthodes lors de la création de stratégies de trading afin de déterminer laquelle offre les meilleurs résultats. L'utilisation simultanée des deux types de graphiques pourrait enrichir l'élaboration des stratégies et des bots de trading. En combinant les avantages des graphiques en temps constant et en volume constant, un bot de trading pourrait améliorer ses performances en prenant des décisions d'achat et de vente plus éclairées.

Découvrez comment les bougies de volume constant peuvent révolutionner vos stratégies de trading et offrir une analyse plus précise du marché. Accédez à notre guide complet avec des ressources gratuites en Python.

volume_resampler.jpg

Optimisez vos Stratégies de Trading avec les Bougies Basées sur Volume

La gestion efficace des méthodes de sortie est cruciale pour réussir en trading. Cela comprend la **gestion des risques** et la protection contre les variations de prix qui pourraient compromettre votre stratégie. Parmi ces méthodes, le **trailing stop loss** est une option dynamique qui s'intègre dans ce cadre.

Ce dispositif peut être avantageux dans les marchés à forte tendance, où il peut surpasser la combinaison traditionnelle du stop loss et du take profit. Toutefois, dans les marchés volatils, il présente des limites : le trailing stop loss risque d'être activé prématurément en raison de pics de volatilité, et non en réponse à une réelle inversion de tendance.

Pour ajouter cet outil à votre arsenal de trading, voyons comment coder un trailing stop loss facilement en Pine Script. Nous explorerons deux méthodes : une méthode simple utilisant les fonctionnalités de base de TradingView, et une méthode plus versatile. Nous nous concentrerons uniquement sur le trailing stop loss dans cet article. Si vous souhaitez apprendre à coder un stop loss et un take profit en Pine Script, vous pouvez lire [cet article](https://crypto-robot.com/blog/tp-sl-pinescript).

## Comprendre et Utiliser Efficacement les Ordres Trailing Stop Loss (Stop Suiveurs)

Un ordre de trailing stop loss, tout comme un stop loss classique, est un **ordre de fermeture de position**. Cependant, il se distingue par sa capacité à s'ajuster dynamiquement en fonction des mouvements favorables du marché. Contrairement à un stop loss fixe, le trailing stop loss se déplace automatiquement avec les hausses de prix pour une position long ou avec les baisses pour une position short, tout en restant fixe si le prix évolue dans la direction opposée. 

En pratique, voici comment cela fonctionne :

1. **Définition de la Distance de Suivi** : Le trader spécifie une distance, généralement en pourcentage ou en points, par rapport au prix actuel.
2. **Ajustement Automatique** : Si le marché évolue favorablement, le trailing stop loss se réajuste pour maintenir la distance prédéfinie. En cas de baisse du prix (pour une position long), il reste au niveau atteint.
3. **Exécution de l'Ordre** : Si le marché atteint le niveau du trailing stop loss en évoluant défavorablement, l'ordre est déclenché, fermant ainsi la position.

Le prix d'exécution est donc dynamique. Les approches pour définir la distance de suivi incluent :

- **Pourcentage par rapport au prix d'entrée** : Par exemple, un trailing stop loss fixé à 5% sous le prix actuel pour une position long.
- **Indicateur de volatilité** : Utilisation de l'Average True Range (ATR) ou d'autres indicateurs pour déterminer la distance de suivi. Pour plus de détails sur l'ATR, rendez-vous [ici](https://crypto-robot.com/blog/atr-ratio-trading).

## Programmer un Trailing Stop Loss en Pine Script sur TradingView : Guide Complet

### Exemple de Stratégie de Trading Simple en Pine Script

Pour illustrer l’implémentation d’un ordre de trailing stop loss, reprenons l’exemple de la stratégie présentée dans notre article sur les ordres take profit et stop loss en Pine Script. Elle utilise des bandes de Bollinger pour ses règles d'entrée. Le code se trouve ci-dessous :

```python
//@version=5
strategy('TSL example', default_qty_type=strategy.percent_of_equity, default_qty_value=100, commission_type=strategy.commission.percent, commission_value=0.1, overlay=true)

// *** Indicator *** 
bb_length = input(20, title="BB Length")
bb_mult = input(2, title="BB Multiplier")

bb_stddev = ta.stdev(close, bb_length)
bb_average = ta.sma(close, bb_length)

bb_upper = bb_average + bb_mult * bb_stddev
bb_lower = bb_average - bb_mult * bb_stddev

// *** Signals ***
entry_long = ta.crossover(close, bb_upper)
entry_short = ta.crossunder(close, bb_lower)
```

Si vous souhaitez plus d’explications sur les éléments de ce code, consultez [l’article correspondant](https://crypto-robot.com/blog/tp-sl-pinescript).

### Coder un Trailing Stop Loss en Pine Script : Méthode Directe et Rapide

Il existe **deux façons** d’implémenter un trailing stop loss en Pine Script. La première méthode utilise les paramètres intégrés dans la fonction `strategy.exit()` de Pine Script, qui gère les sorties de position. L’autre est une implémentation légèrement plus complexe, mais beaucoup plus versatile, permettant notamment de fixer le niveau du trailing suivant des valeurs d’indicateurs et pas uniquement selon un écart de prix.

Examinons d'abord la première méthode. Elle est très directe lorsque l’on souhaite simplement établir le trailing stop loss selon un écart par rapport au prix de l’actif. Il est souvent pertinent d’exprimer cet **écart en pourcentage**. Par exemple, pour un écart de 5% par rapport au `close` du prix, cela donne en Pine Script :

```python
trail_percent = 0.05
tsl_offset  = close * trail_percent / syminfo.mintick
tsl_price = close
```

Ici, nous avons converti l'écart donné en pourcentage en ticks dans `tsl_offset`. C'est ce que la fonction `strategy.exit()` requiert ainsi que `tsl_price`. En résumé :

- `tsl_price` est le prix d’activation de l’ordre trailing stop loss. Ce n’est pas le prix d’exécution, celui-ci est déterminé automatiquement par TradingView selon le `tsl_offset`.
- `tsl_offset` correspond à l’écart par rapport au prix d’activation `tsl_price`.

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Une fois ces paramètres correctement établis, nous pouvons ajouter les sorties comme suit :

```python
trail_percent = 0.05
tsl_offset  = close * trail_percent / syminfo.mintick
tsl_price = close

if entry_long and strategy.position_size == 0
    strategy.entry("Long", strategy.long)
    strategy.exit("Long", trail_price = tsl_price, trail_offset = tsl_offset , comment_trailing = "TSL Long")

if entry_short and strategy.position_size == 0
    strategy.entry("Short", strategy.short)
    strategy.exit("Short", trail_price = tsl_price, trail_offset = tsl_offset , comment_trailing = "TSL Short")
```

Nous avons aussi spécifié un tag `comment_trailing` qui sera affiché sur le graphique TradingView sur la bougie à laquelle le trailing stop loss est exécuté, comme ceci :

![comment_tsl.png](https://strapi-project-image-test.s3.eu-west-3.amazonaws.com/comment_tsl_21a8968331.png)

### Coder un Trailing Stop Loss en Pine Script : Méthode Avancée et Versatile

Si l’on souhaite fixer le prix d'exécution du trailing stop loss **selon un indicateur**, il faut être capable de mettre à jour continuellement l’ordre via `strategy.exit()`. Dans ce cas, il peut être plus facile de réaliser soi-même le calcul du niveau du trailing stop loss à chaque bougie.

Prenons comme exemple un trailing stop loss calculé selon un écart par rapport au `close`, tabulé sur la volatilité de l’actif. Choisissons donc d’utiliser l’indicateur ATR (pour plus d’informations sur cet indicateur et comment l’utiliser comme filtre de volatilité, consultez cet [article](https://crypto-robot.com/blog/atr-ratio-trading)).

D’abord, définissons nos entrées puisque les sorties seront gérées indépendamment en fonction de l'évolution du trailing :

```python
entry_long = ta.crossover(close, bb_upper)
entry_short = ta.crossunder(close, bb_lower)

if entry_long and strategy.position_size == 0
    strategy.entry("Long", strategy.long)
if entry_short and strategy.position_size == 0
    strategy.entry("Short", strategy.short)
```

Ensuite, calculons l’ATR et fixons que le niveau du trailing stop loss doit correspondre à un écart de 3 fois l’ATR par rapport au `close` du prix :

```python
atr_length = 14
atr = ta.atr(atr_length)
long_tsl = close - 3 * atr
short_tsl = close + 3 * atr
```

Maintenant, nous devons mettre en place la logique du trailing stop loss. Autrement dit, nous devons faire en sorte que le prix de l’ordre stop loss se mette à jour uniquement si le **prix évolue favorablement** pour notre position, en fonction du mouvement des prix et de l'indicateur. Sinon, le prix du stop loss doit rester identique à celui de la bougie précédente. Cela donne en Pine Script :

```python
long_stop_price = 0.0
long_stop_price := if strategy.position_size > 0
    math.max(long_tsl, long_stop_price[1])
else
    0

short_stop_price = 0.0
short_stop_price := if strategy.position_size < 0
    math.min(short_tsl, short_stop_price[1])
else
    999999
```

Notez que cette logique est implémentée grâce à la fonction `math.max` dans le cas d’une position long. Nous vérifions si la valeur de `long_tsl` est supérieure au prix du stop loss de la bougie précédente (`long_stop_price[1]`). Si c'est le cas, cela signifie que le prix a évolué favorablement. Si une position long est effectivement ouverte (`if strategy.position_size > 0`), alors `long_stop_price` prendra la valeur retournée par `math.max`, c'est-à-dire `long_tsl` dans ce cas. Si le prix a évolué défavorablement, `long_tsl` sera inférieur à `long_stop_price[1]`, et `math.max` retournera le prix du stop loss de la bougie précédente. La logique est inverse pour une position short.

Il nous reste à mettre en place la sortie via un stop loss :

```python
if strategy.position_size > 0
    strategy.exit(id='TSL Long', stop=long_stop_price)

if strategy.position_size < 0
    strategy.exit(id='TSL Short', stop=short_stop_price)
```

<EXCHANGE_CARD image_name="bitget_fr_1" link="https://partner.bitget.com/bg/CryptoRobotSIFR"/>

Ce qui sera automatiquement mis à jour à chaque bougie. Maintenant, ajoutons un plot du trailing stop loss, ce qui peut grandement aider pour étudier la stratégie en jeu et ses performances. Récapitulons le code complet :

```jsx
//@version=5
strategy('Versatile TSL Example', overlay=true, default_qty_value=100, commission_value=0.1, default_qty_type=strategy.percent_of_equity, commission_type=strategy.commission.percent)

// Indicators
bb_length = 20
bb_mult = 2
atr_length = 14

atr = ta.atr(atr_length)
bb_stddev = ta.stdev(close, bb_length)
bb_average = ta.sma(close, bb_length)
bb_upper = bb_average + bb_mult * bb_stddev
bb_lower = bb_average - bb_mult * bb_stddev

// Entries
entry_long = ta.crossover(close, bb_upper)
entry_short = ta.crossunder(close, bb_lower)

if entry_long and strategy.position_size == 0
    strategy.entry("Long", strategy.long)
if entry_short and strategy.position_size == 0
    strategy.entry("Short", strategy.short)

// Compute the trailing stop loss prices
long_tsl = close - 3 * atr
short_tsl = close + 3 * atr

// Check and update the stop loss depending on price movement
long_stop_price = 0.0
long_stop_price := if (strategy.position_size > 0)
    math.max(long_tsl, long_stop_price[1])
else
    0

short_stop_price = 0.0
short_stop_price := if (strategy.position_size < 0)
    math.min(short_tsl, short_stop_price[1])
else
    999999

// Exit orders
if strategy.position_size > 0
    strategy.exit(id='TSL Long', stop=long_stop_price)

if strategy.position_size < 0
    strategy.exit(id='TSL Short', stop=short_stop_price)

// Plots
plot(bb_upper, color=color.new(#ffb13b, 0), linewidth=2)
plot(bb_average, color=color.new(#b43bff, 0), linewidth=2)
plot(bb_lower, color=color.new(#ffb13b, 0), linewidth=2)
plot(series=strategy.position_size > 0 ? long_stop_price : na, color=color.rgb(49, 122, 241), style=plot.style_cross, linewidth=3)
plot(series=strategy.position_size < 0 ? short_stop_price : na, color=color.rgb(49, 122, 241), style=plot.style_cross, linewidth=3)
```

Pour conclure, il est important de noter que tout ceci était un exemple simple pour vous apprendre à coder un trailing stop loss en Pine Script. Pour qu’une stratégie soit viable et utilisable avec de l’argent réel, il faut beaucoup plus de tests et de validations. Gardez cela en tête. Cet article était éducatif et non un conseil en investissement. Nous espérons que cela vous a apporté les bases que vous cherchiez pour implémenter vos stratégies.

Nous souhaitons également vous mettre en garde contre une utilisation abusive du trailing stop loss. Bien qu'il s'agisse d'une méthode très populaire sur les réseaux sociaux et parmi les traders débutants, elle n'est pas une solution miracle. **L’efficacité du trailing stop loss est limitée**. Il peut fonctionner correctement lors de fortes tendances, mais génère souvent de nombreux faux signaux et mauvaises sorties lorsque le marché est en phase latérale. De plus, il implique un retard au niveau de la sortie, car il se déclenche uniquement lorsque le prix a déjà commencé à évoluer défavorablement. Dans de telles situations, il peut être plus efficace de configurer la sortie en utilisant des indicateurs plus adaptés à la stratégie en place.

Découvrez comment maîtriser les trailing stop loss en Pine Script sur TradingView. Apprenez à programmer ces ordres de stop suiveurs dynamiques avec des méthodes simples et avancées pour optimiser vos stratégies de trading et gérer efficacement les risques.

Python pour la Finance

Conclusion de la Formation "Python pour la Finance"

Points Clés de la Formation

Appliquez Vos Connaissances

Restez Connecté

Un Grand Merci

Articles recommandés