Vous êtes sur la page 1sur 16

1/16

SYSTEMES de TRADING BOURSIER et RESEAUX NEUROMIMETIQUES *


Fabrice LEBEL **

RESUME Cet article aborde le thme des systmes de trading automatiques utilisant les rseaux neuronaux et les indicateurs de lanalyse technique. Aprs une introduction prcisant le cadre de cette tude nous prsentons dans une seconde section quelques principes de base de lanalyse technique. Dans une troisime section nous prsentons quelques nouvelles approches actuelles et abordons le cadre thorique et mthodologique des rseaux neuronaux artificiels. Nous y exposons ensuite la procdure mise en place pour raliser les diverses simulations et tests numriques portant sur le pisteur ( tracker ) CAC40 Master Unit ainsi que les rsultats trs intressants obtenus dans le cadre du management boursier. Dans une quatrime section nous concluons cette tude et apportons quelques perspectives. MOTS CLES Systmes de trading, investissement boursier, rseaux neuromimtiques, rseaux neuronaux, analyse technique, automatisation des investissements, prvision boursire, connexionisme, automate de trading.

1. INTRODUCTION
Le problme que nous nous proposons d'aborder ici est celui de l'investissement en bourse, dans le cadre d'oprations de court terme n'ayant pas toutes de rentabilits positives, mais permettant sur le long terme d'en obtenir, et ceci de faon automatise. Il faut rappeler que dans le cadre de l'investissement boursier, de nombreux praticiens utilisent, entre autres outils, l'analyse technique (cf. CHANDE (2001), ACHELIS (2002), BECHU, BERTRAND (2002), SEBAN (2004), ORPHELIN (2004)) afin de dcider quand investir ou dsinvestir. Cette technique cherche trouver des rgularits, des motifs rcurrents, dans les historiques de cours des valeurs boursires, apparemment erratiques. Si ces rgularits existent, alors il s'avrera possible d'en tirer parti afin d'obtenir, systmatiquement, des rentabilits positives. Nous prsenterons ce travail en deux temps : - Lanalyse technique en tant quoutil de loin le plus utilis en finance. - Les nouvelles approches de type neuronale et le modle propos ici. Nous terminerons en donnant des renseignements sur les logiciels et les systmes internet.

2. ANALYSE TECHNIQUE
L'engouement pour l'analyse technique, bien qu'elle ait dbut avec les thories de DOW au dbut des annes 1900 et d' ELLIOT dans les annes 1930 (cf. BECHU, BERTRAND (2002)), a pris de l'essor avec
* **

International Finance Conference, AFFI, 2006, IAE Poitiers, CEREGE. Chercheur, CETFI, Centre dEtudes des Techniques du Financement et dIngnierie, 350 av. Club Hippique, 13090 Aix en Provence, et CEROM, Universit Paris 2.

2/16

l'arrive d'ordinateurs de plus en plus puissants et performants. L'analyse technique utilise deux approches : - l'analyse graphique, visuelle, des cours de bourse : le chartisme ou analyse technique traditionnelle - la recherche et l'application de divers filtres numriques : la cration d'indicateurs techniques ou analyse technique moderne . Les chartistes cherchent identifier des figures de base telles que - les supports et rsistances (Fig. 1) - les canaux haussiers et baissiers (Fig. 2) - les ttes et paules (Fig. 3) - etc.

Prix

P joue le rle de rsistance

P joue le rle de support

Temps

Fig. 1: Exemple d'un motif de support et de rsistance.

3/16

Prix

Rsistance du canal

Support du canal

Temps

Fig. 2: Exemple d'un canal haussier.

Prix

Tte Ligne de cou

Epaules

Temps Volume

Temps

Fig. 3: Motif en tte et paules. Les analystes techniques modernes appliquent des filtres numriques aux historiques de prix et de volume gnrant des signaux d'achat/vente. La Figure 4 prsente une stratgie de trading base sur le croisement de 2 moyennes mobiles simples, l'une courte et calcule sur 3 jours, l'autre longue et calcule sur 10 jours. Cette stratgie consiste - acheter la valeur quand la moyenne mobile courte franchit la hausse la moyenne mobile longue. - vendre quand la moyenne mobile courte franchit la baisse la moyenne mobile longue.

4/16

Fig. 4: Stratgie de croisement de moyennes mobiles d'ordre 3 et 10 sur la valeur Alcatel. Aujourd'hui, l'laboration manuelle de graphiques et de calculs est rvolue. En effet, de nombreux logiciels commerciaux et du domaine libre existent et permettent l'application automatique et quasi instantane de ces mthodes (cf. DEMPSTER, JONES (1999a, 1999b)). Cest aussi le cas dans de nombreuses bases de donnes (FININFO, Euronext.Life, Dafsa) Notons que de nombreuses coles, notamment aux Etats Unis, proposent dans leurs programmes de formation en finance des initiations aux mthodes de l'analyse technique ; peut tre faut-il prendre en compte ce fait si l'on considre les comportements mimtiques observs sur les marchs financiers et les prophties auto-ralisatrices qui en dcoulent? Notons en outre que ces phnomnes mimtiques sont plus visibles en trading intraday o les oprateurs disposent de trs peu de temps pour prendre leurs dcisions ; ceci est semble-t-il l'origine du qualificatif de comportements moutonnier de certains oprateurs boursiers (cf. ORLEAN (1998, 1999), MOSCHETTO (1998)).

3. NOUVELLES APPROCHES
Certaines des approches actuelles tentent de modliser l'volution des cours de bourse partir des outils couramment utiliss par les traders , dans le cadre de stratgies d'investissement court terme, ainsi qu'en collant plus aux comportements de ceux-ci. Parmi ces techniques nous trouvons - les rseaux neuronaux - les rseaux neuro-flous ( fuzzy neural networks ) (cf. ROJAS (1996)) ... (cf. ORPHELIN (2004)) - la programmation gntique (cf. MITCHELL (1999)) qui permet de faire voluer diverses stratgies d'investissement et d'en slectionner les meilleures (cf. DEMPSTER, JONES (2001)) - les algorithmes gntiques (cf. MITCHELL (1999)) qui permettent, par exemple, de trouver des paramtres optimaux pour les indicateurs techniques en faisant voluer, par combinaisons et mutations, une population d'un modle donn ayant initialement des paramtres diffrents (cf. PARDO (1992)). - Notons tout de mme que la plupart de ces approches, notamment dans les socits financires, et on le comprendra aisment, demeurent confidentielles et qu'il est difficile d'obtenir des informations fiables et claires sur ces sujets.

5/16

3.1. CONSIDERATIONS THEORIQUES et METHODOLOGIQUES Les rseaux neuronaux artificiels sont composs d'un ensemble d'units de calcul, appeles neurones formels , connectes plus ou moins compltement entre elles part des liaisons permettant chaque neurone de recevoir des signaux d'autres neurones ainsi que d'en mettre lui mme. Le neurone formel (Fig. 5) propos par McCULLOCH et PITT (1953) modlise de faon simplifie le fonctionnement d'un neurone biologique.

o1 w1j
Neurone j

oi

wij

oj

w Mj oM
oi w ij = signal en provenance du neurone i = poids de la liason entre le neurone i et le neurone j
M

=
i 1

wij oi

= fonction d'activation = seuil d'activation.


Fig. 5: Neurone formel.

Ici, le neurone j reoit des signaux, oi , i = 1..M , en provenance des neurones i . Le niveau d'activation du neurone j , , est la somme des signaux oi pondrs par les poids synaptiques wij . Un signal o j est mis par le neurone j si le rsultat de sa fonction d'activation F ( ) est suprieur au seuil d'activation .

L'organisation des neurones entre eux, l'architecture neuronale, a donn lieu divers modles parmi lesquels on peut citer les rseaux multi-couches (Fig. 6), les cartes auto-organisatrices de KOHONEN, les rseaux rcurrents (Fig. 7), etc.

6/16

Couche d'entre

Couches caches

Couche de sortie

Fig. 6: Rseau neuronal multi-couches avec propagation vers l'avant des signaux, appel aussi rseau feed-forward .

neurone d'entre neurone de sortie

neurone d'entre

Fig. 7: Rseau rcurrent compltement connect.

L'apprentissage du rseau neuromimtique consiste ajuster les poids synaptiques des connexions de faon incrmentale partir d'exemples proposs en entre au rseau. Selon le modle neuronal considr, cet apprentissage fait appel 2 lois - augmenter la force de connexion entre 2 neurones qui sont simultanment excits, c'est la loi de HEBB (1949) qui est d'origine biologique - optimiser (gnralement minimiser) une fonction de cot calcule partir des erreurs commises par le rseau comme, par exemple, dans l'algorithme de rtropropagation du gradient d'erreur utilis dans les rseaux neuronaux multicouches. La mthodologie gnralement utilise dans le cadre de modlisations de sries boursires avec des rseaux neuromimtiques consiste gnralement en 3 phases qui sont - Phase 1. Le retraitement des donnes qui consiste principalement scinder les donnes disponibles en 3 chantillons chantillon d'apprentissage ou d' entranement chantillon de validation qui sera prsent rgulirement au rseau pendant l'apprentissage afin

7/16

d'viter le phnomne de sur-optimisation chantillon de test qui n'est utilis qu'aprs la phase d'apprentissage afin de tester les capacits de gnralisation du rseaux neuronal. Dans le cadre de cette phase, les donnes utilises peuvent tre normalises ou mise l'chelle afin d'amliorer la stabilit du rseau neuromimtique. - Phase 2. La slection des architectures neurales qui consiste construire et tester diffrentes architectures et en slectionner les mieux adaptes au problme traiter. Les critres de slection se basent gnralement sur une mesure de l'erreur commise par le rseau neuronal. - Phase 3. Le post-traitement o diverses stratgies de trading sont testes sur les prdictions ralises partir des rseaux neuronaux slectionns et des mesures de performance sont ralises. Certaines de ces mesures de performance peuvent tre des rentabilits ou des ratios de type gain/risque.
3.2. MISE en PLACE

Dans un premier temps, nous avons ralis des simulations partir des indicateurs de l'analyse technique afin de slectionner les meilleurs paramtres pour chacun.
March haussier Stratgies SMA (3,10) SMA(20,50) CCI(14) CCI(20) RSI(5) RSI(9) RSI(15) STOCH(5,3) STOCH(9,3) STOCH(14,3) STOCH(21,3) MACD(12,26) R (%) -1.07 -17.37 1.33 9.26 3.91 0.16 -4.26 -1.64 4.42 -5.54 -2.53 -9.93 RB&H (%) 17.48 14.26 21.04 16.68 24.70 19.94 15.96 20.14 18.84 17.34 17.05 16.49 March baissier R (%) 4.55 -6.82 -22.82 -17.14 -9.27 -24.08 -25.98 -19.24 -17.11 -12.17 -5.21 11.35 RB&H (%) -28.32 -30.38 -26.80 -24.70 -29.53 -26.90 -29.53 -28.35 -26.60 -26.00 -26.35 -26.28 March mixte R (%) -6.22 -1.14 -12.51 -12.51 -4.98 -14.06 -13.34 -9.31 -9.36 -9.31 -9.31 -1.47 RB&H (%) -10.16 -10.92 -9.96 -9.96 -10.79 -10.65 -11.36 -10.70 -11.72 -10.70 -10.70 -7.90

Tab. 1: Rentabilits annuelles de stratgies bases sur des indicateurs techniques. RB&H est la rentabilit annuelle d'une stratgie Buy and Hold qui est un investissement passif et qui consiste constituer un portefeuille et le conserver tel quel jusqu'au terme de la priode d'investissement. Sigles : SMA (n,p) : stratgie croisement de moyennes mobiles d'ordres n et p, n < p ; CCI(n) : stratgie Commodity Channel Index d'ordre n ; RSI(n) : stratgie Relative Strength Index d'ordre n ; STOCH(n,p) : stratgie base su les indicateurs stochastiques , %K(n) %D(p) ; MACD(n,p) : stratgie Moving Average Convergence Divergence d'ordre n et p.

Dans un second temps, dans le cadre des simulations neuronales, nous avons utilis un rseau multicouches avec propagation des signaux vers l'avant ou rseau feed-forward (Fig. 8). Les entres ou inputs de ce rseau sont les cours de bourse, P , pris aux dates t et t 1 ainsi que les indicateurs de l'analyse technique suivants - 2 moyennes mobiles simples d'ordre 3 et 10, SMA(3) et SMA(10) - 2 indicateurs Commodity Channel Index d'ordre 14 et 20, CCI(14) et CCI(20) - 2 indicateurs Relative Strengh Index d'ordre 5 et 9, RSI (5) et RSI(9) - les indicateurs stochastiques %K d'ordre 9 et %D d'ordre 3

8/16

- l'indicateur Moving Average Convergence Divergence d'ordres 12 et 26, MACD(12,26). Le lecteur dsirant connatre les formulations mathmatiques de ces indicateurs peut se rfrer ACHELIS (2002) , BECHU, BERTRAND (2002), LEBEL (2005). En sortie, le rseau doit prvoir le cours de la valeur pour la date t + 1 . A partir de cette prvision, l'erreur de prvision est calcule et l'algorithme de rtropropagation du gradient d'erreur ajuste les forces des connexions entre les units neurales.
Pt Pt
1

SMA 3 SMA 10 CCI 14 CCI 20 RSI 5 RSI 9 %K 9 %D 3 MACD 12, 26


Couche d'entre Couches caches Couche de sortie
. . . . . .

Pt
. . . . . .

Fig. 8: Architecture neurale de base utilise lors des simulations. Sigles : Pt : prix la date t , Pt 1 : Prix la date t 1 , SMA(n) : moyenne mobile simple dordre n , CCI(n) : Commodity Channel Index dordre n , RSI(n) : Relative Strength Index dordre n , %K(m) et %D(n) : Stochastique rapide et lente, respectivement dordre m et n , MACD(m,n) : Moving Average Convergence Divergence dordre m et n.

En outre, pour chaque modle test nous avons procd deux simulations : l'une avec cots de transaction et l'autre sans. La formule utilise pour prendre en compte des cots de transaction tels que les frais de courtage et les cots lis au slippage est la suivante :
P

= =

prix du titre sens de la transaction

9/16
+ 1 pour un achat 1 pour une vente

=
courtage

= = = =

taux des frais de courtage = 0.3% taux des frais de slippage = 2% cot unitaire
P * [1 + * ( courtage + slippage )] .

slippage
C

Le terme de slippage regroupe l'ensemble des cots de transaction autres que les frais de courtages, les taxes boursires, les droits de garde, etc que l'on regroupe gnralement sous le terme de cots explicites. On estime gnralement qu'il se situe entre 1% et 3% du montant de la transaction. Pour valuer les performances de ces simulations nous avons utilis les mesures suivantes (cf. PARDO (1992), AMENC, LE SOURD (2002))

n
R

= = = = = = = =

nombre de jours dinvestissement rentabilit durant la priode de longueur n rentabilit annuelle prix dachat (de vente) au dbut de la priode de dure n prix de vente (dachat) la fin de la priode de dure n rentabilit annuelle de la stratgie dinvestissement passive Buy and Hold Maximum DrawDown exprim en pourcentage du capital initial ratio de Sterling modifi,

Ran Pdbut

Pfin
RB&H

%MDD Ster*

- la rentabilit annuelle : Ran = (1 + R )360 / n 1 - la rentabilit Buy and Hold :


P RB&H = fin 1 P dbut - le ratio de Sterling modifi (cf. DEMPSTER, JONES (2001)) R %MDD si R 0 Ster* = 1 + 100 R si R < 0.
360 / n

La rentabilit Buy and Hold est la rentabilit d'une stratgie d'investissement passif qui consiste constituer un portefeuille et le conserv tel quel jusqu'au terme de la priode d'investissement. Le maximum drawdown est une mesure de risques extrmes largement utilise par les praticiens afin d'valuer les pertes en capital pouvant survenir sur une priode d'investissement. Elle se dfinit comme tant la plus grande perte enregistre par rapport au niveau le plus haut atteint par un portefeuille sur la priode d'investissement considre (cf. ORPHELIN (2004), AMENC et al (2004)). Il existe d'autres mesures de risques parmi lesquelles nous pouvons citer - le maximum initerrupted loss qui fait partie des mesures de risques extrmes et qui est la plus

10/16

grande suite de pertes conscutives enregistres par le portefeuille - la Value at Risk (VaR) qui mesure les pertes potentielles qui surviennent de manire rgulires dans le portefeuille.

Fig. 9: Illustration du concept de Maximum DrawDown (MDD) sur une courbe de gain ( equity curve ). Ici, le MDD est gal au cumul des pertes entre les points A et B. 3.3. RESULTATS

Les prvisions de cours de bourse obtenues avec les simulations neuronales sont prsentes dans les Figures 10 12 qui suivent.

11/16

Fig. 10: Modle 11*7*1.

Fig. 11: Modle 11*9*1.

12/16

Fig. 12: Modle 11*11*1.

Les performances obtenues avec les divers modles tests sont rsumes au Tableau 2 ci-dessous.
Sans cots de transaction Modles 11*7*1 11*9*1 11*11*1 SMA(5,10) CCI(14) CCI(20) RSI(5) RSI(9) STOCH(9,3) MACD(12,26) R (%) 15.69 13.21 27.35 -8.63 -1.13 4.01 -4.33 -2.32 -0.20 -11.65 RB&H (%) 8.21 8.21 6.87 15.80 15.32 16.12 9.77 15.41 12.25 20.86 Ster
*

Avec cots de transaction R (%) -30.87 -43.28 -78.40 -52.69 -37.02 -28.84 -58.03 -37.72 -33.45 -49.38 RB&H (%) 10.99 8.21 6.87 13.04 12.57 13.30 9.77 12.50 12.25 23.89 Ster* -0.3087 -0.4328 -0.7840 -0.5269 -0.3702 -0.2884 -0.5803 -0.3772 -0.3345 -0.4938

1.6965 1.2824 2.0429 -0.0853 -0.0113 0.4244 -0.0433 -0.0232 -0.0020 -0.1165

Tab. 2 : Rsum des performances des simulations.

Nous constatons - de fortes rentabilits annuelles de modles neuronaux en absence de cots de transaction (de 13% 27%) - un seul modle de l'analyse technique, le CCI(20), a obtenu une rentabilit annuelle positive que tous les modles tudis ont eu des rentabilits annuelles ngatives lors de l'intgration des cots de transaction.

13/16

4. CONCLUSION
Nous prsentons ici les apports et limites de notre tude et tentons d'indiquer quelques perspectives pour des travaux venir.
APPORTS

Dans ce travail nous avons confirm, comme certains thoriciens et praticiens l'indiquent, que - les indicateurs techniques, utilises seuls, sont rarement efficaces - les conditions de march, haussier, baissier ou stable, ont une influence sur le type d'indicateurs privilgier - la combinaison d'indicateurs de l'analyse techniques est une solution permettant d'optimiser l'efficacit oprationnelle de ceux-ci - l'impact des cots de transaction sur les performances de stratgies de trading est non ngligeable. Nous avons aussi montr que - les rseaux neuromimtiques peuvent permettent de trouver des liens entre indicateurs de l'analyse technique, en privilgiant certains au dtriment d'autres, selon les configurations de marchs - les l'utilisation des rseaux neuromimtiques, dans le cadre du trading bas sur des indicateurs de l'analyse technique, offrent un avantage non ngligeable en terme de nombre d'indicateurs qu'il est possible d'utiliser. En effet, l'analyste technique utilise en gnral, simultanment, 4 ou 5 indicateurs lors de ses analyses. Dans notre travail, nous en avons utilis 11 et ce nombre n'est pas un plafond. Ce travail a aussi permis la cration d'une plateforme logicielle de trading boursier, d'environ 46000 lignes de code informatique, et compose de librairies et d'une interface graphique.
LIMITES

- Nous nous sommes limits quelques indicateurs de l'analyse technique alors qu'il en existe un nombre important - nous n'avons considr, dans le champ de l'analyse technique, que les indicateurs techniques. Il aurait t intressant, comme le font de nombreux investisseurs, d'intgrer l'analyse graphique ou chartisme et de la combiner avec ces indicateurs techniques - introduire de meilleures mesures des cots de transaction comme le font actuellement certaines socits d'investissement.
PERSPECTIVES

Dans l'avenir, il serait intressant de renforcer les approches neuronales en utilisant des mthodes complmentaires comme les algorithmes gntiques qui pourraient permettre, par exemple, d'automatiser les phases de slection - des meilleurs indicateurs utiliser - des architectures neurales les plus aptes solutionner un problme donn. En outre l'utilisation de systmes hybrides mlangeant les capacits de diverses mthodes de l'intelligence artificielle (IA) comme l'IA symbolique, connexionniste et statistique (cf. CLOETE, ZURADA (2000)) pourrait permettre de - reproduire plus fidlement la complexit du processus d'investissement boursier. On pourrait par exemple imaginer un systme global combinant des sous-systmes tel que des systmes experts chargs de proposer des investissement possibles bass sur l'analyse financire, sur des raisonnements conomiques plus proches de ceux des financiers et qui viendraient complter et affiner les prvisions des rseaux neuromimtiques - comprendre les rgles dcisionnelles gnres par le processus d'optimisation numrique par rseaux

14/16

neuronaux qui sont souvent qualifis de botes noires . On pourrait, par exemple, confirmer que le rseau neuronal t optimis de faon utiliser les indicateurs techniques les plus adapts certaines conditions de march (march haussier, baissier et plat).
REMERCIEMENTS : Le prsent travail doit beaucoup notre Directeur de thse avec lequel nous avons publi une version proche (cf.. LEBEL, TREMOLIERES (2005)) insistant plus sur laspect neuronal en matire de prvision. REFERENCES

ACHELIS, S (2002) L'analyse technique de A Z.Valor Editions, Hendaye. AMENC, N., LE SOURD, V. (2002) Thorie du Portefeuille et Analyse de sa Performance. Economica, Paris. AMENC, N., BONNET, S., HENRY, G., MARTELLINI, L., WEYTENS, A. (2004) La gestion alternative,.Economica, Paris. BECHU, T., BERTRAND, E. (2002) L'Analyse Technique (Pratiques et mthodes), 5e dition, Economica, Paris. CHANDE, T. S. (2001) Beyond Technical Analysis (How to Develop and Implement a Winning Trading System). Second edition, John Wiley & Sons, Inc., USA. CLOETE, I., ZURADA, J. M., ed. (2000) Knowledge-Based Neurocomputing, The MIT Press, Cambridge, Massachusetts, London, England. DEMPSTER, M. A. H., JONES, C. M. (1999a) Can technical pattern trading be profitably automated? 1. The channel , Working Paper 11/99, Judge Institute of Management, University of Cambridge. DEMPSTER, M. A. H., JONES, C. M. (1999b) Can technical pattern trading be profitably automated? 2. The head an shoulders. Working Paper 12/99, Judge Institute of Management, University of Cambridge. DEMPSTER, M. A. H., JONES, C. M. (2000) The profitability of intra-day FX trading using technicalindicators. Working Paper 35/00, Judge Institute of Management, University of Cambridge. DEMPSTER, M. A. H., JONES, C. M. (2001) A real-time adaptative trading system using genetic programming. Quantitative Finance, v. 1, n.4, p. 397-413. HARRIS, L. (2003) Trading and Exchanges (Market Microstructure for Practitioners). Oxford University Press, New York. JODOUIN, J.-F. (1994) Les rseaux neuromimtiques. Hermes, Paris. KISSEL, R., GLANTZ, M. (2003) Optimal Trading Strategies (Quantitative Approaches for Managing Market Impact and Trading Risk). Amacom, USA. LEBEL, F. (2005) Systmes de Trading Boursiers et Rseaux Neuromimtiques (apports, limites, propositions). Thse de doctorat, Universit Aix-Marseille 3, Paul CEZANNE. LEBEL, F., TREMOLIERES, R. (2005) Modlisation neuronale et trading boursier. W.P. CETFI, Universit Aix-Marseille 3, Paul Czanne. MITCHELL, M. (1999) An Introduction to Genetic Algorithms. The MIT Press, Cambridge, Masachusetts. MOSCHETTO, B.-L. (1998) Mimtisme et marchs financiers. Economica. Paris. ORLEAN, A. (1998) Le poids de croyances . Sciences Humaines. Hors srie (L'conomie repense), (22):24-26. ORLEAN, A. (1999) L'imitation en finance est-elle efficace? Dossier Pour la Science (Les mathmatiques sociales), (24):120-125. ORPHELIN, P. (2004) Les systmes de trading ... et quelques controverses sur l'analyse technique des marchs financiers). Gualino diteur, Paris. PARDO, R. (1992) Design, Testing and Optimization of Trading Systems.John Wiley & Sons, Inc., USA. ROJAS, R. (1996) Neural Networks (A Systematic Introduction). Springer Verlag, Berlin Heidelberg New York. SEBAN, O. (2004) Techniques de day trading et de swing trading. Maxima, Paris. TREMOLIERES, R., HOANG, E. (1999) A new neuronal algorithm for classification of groups. Confrence pour le 70me anniversaire du Professeur J.L. Lions. Aussi cahiers du CEROM.

15/16

ANNEXE
A1-INFORMATIONS et DONNES BOURSIRES

- Euronext, site d'informations officiel de la bourse paneuropenne. Offre la possibilit de tlcharger de la documentation technique et juridique, des didacticiels... ainsi que de donnes boursire. www.euronext.fr - ABC Bourse, site d'informations boursires permettant le tlchargement gratuit de donnes (cours, volumes). Des historiques de cours payants sont aussi disponibles. www.abcbourse.com
A2-LOGICIELS de TRADING BOURSIERS 'CLASSIQUES'

- TradeStation, plateforme de trading permettant de crer et d'excuter des stratgies de trading. www.tradestation.com - ProRealTime, plateforme de trading pour traders professionnels et indpendants. Possibilit d'utiliser gratuitement une version limite en fonctionnalits. www.prorealtime.com - Axial Finance, logiciel de gestion de portefeuilles, d'analyse technique et fondamentale. www.axialfinance.com - suite logicielle GL Trade, plateformes de trading pour professionnels, indpendants et particuliers. Fourniture de donnes boursires et financires en temps rel. www.gltrade.fr - Boursitel Expert, logiciel de gestion de portefeuilles et d'analyse technique pour particuliers. www.editions-profil.fr - AltiStock, logiciel gratuit d'analyse technique et de gestion de portefeuilles. www.altistock.com
A3-LOGICIELS de TRADING BOURSIERS avec RSEAUX NEURONAUX

- NeuroGen www.mjfutures.com - Jurik Research, modules pour Microsoft Excel, TradeStation et librairie pour la programmation. www.jurikres.com - TradingSolutions www.tradingsolutions.com - SAFIR-Xs et Xp, module pour TradeStation utilisant la logique floue et les rseaux neuronaux. www.sirtrade.com - RSEAUX NEURONAUX APPLIQUS au TRADING BOURSIER - MJ Futures www.mjfutures.com - Brain Trader www.braintrader.com
A4-LOGICIELS SCIENTIFIQUES pour RSEAUX NEURONAUX

- Stuttgart Neural Network Simulator (SNNS), logiciel gratuit pour systme Unix et Microsoft Windows. La version JavaNNS, succdant SNNS, est plus facile d'installation et d'utilisation. www-ra.informatik.uni-tuebingen.de/SNNS/ - Fast Artificial Neural Network Library (FANN), librairie de fonctions gratuite, crite en langage C, pour programmer des rseaux neuromimtiques. Elle possde des extensions pour les langages C++,

16/16

PHP... ainsi que pour les logiciels scientifiques Mathematica et Octave. leenissen.dk/fann/ - Fast Artificial Neural Network Explorer, logiciel gratuit pour entraner et tester des rseaux neuronaux. Il es bas sur la librairie FANN. leenissen.dk/fann/ - GNU Octave, logiciel gratuit de calcul numrique, clone du logiciel MatLab. Il contient un langage de programmation de haut niveau qui rend possible la cration de modules consacrs au rseaux neuromimtiques. www.octave.org - Mathematica, logiciel de calcul numrique et symbolique. Un module ddi aux rseaux neuromimtiques peut tre intgr ce logiciel. www.wolfram.com www.wolfram.com/products/applications/neuralnetworks/ - Matlab, logiciel de calcul numrique et symbolique. Un module ddi aux rseaux neuromimtiques, Neural Network Toolbox, peut tre intgr ce logiciel. www.mathworks.com www.mathworks.com/products/neuralnet/