[ <- RETOUR ]

┤ 06 / 06 :: LSTM INVESTOR ├

LSTM Investor

Projet de Mastère : modèles LSTM, Conv1D et CBAM qui prédisent le cours de l'Ethereum à partir de données à la minute.

github.com/SwerkF/LSTM-Investor ->

Stack

  • Python
  • TensorFlow/Keras
  • Gymnasium

Ce que j'ai fait

Projet d'équipe du Mastère Big Data & IA à l'IPSSI, mené à cinq. L'objectif : mesurer jusqu'où un réseau récurrent peut prédire le cours de l'Ethereum, et ce qui améliore vraiment ses prédictions.

Nous avons comparé trois approches : un LSTM simple sur des prix journaliers, le même enrichi d'une convolution 1D et d'un module d'attention CBAM (Convolutional Block Attention Module), puis un Conv1D-LSTM entraîné sur l'historique ETH/USD de Binance à la minute (entraînement 2021 à 2024, test sur 2025).

Conclusion : le CBAM améliore un peu la précision, mais c’est la granularité des données qui change le plus le résultat : l’erreur moyenne passe d’environ 98 $ à 30 $.

modèle :: conv1d-cbam-lstm

┌ Conv1D ┐

64 filtres

┌ CBAM ┐

attention

┌ LSTM ┐

50 unités

┌ Dense ┐

1 sortie

résultats :: erreur sur le cours ETH ($)
ModèleDonnéesRMSEMAE
LSTM(50)jour148.57105.38
Conv1D + CBAM + LSTMjour140.2098.32
Conv1D + LSTM1 min40.0130.07

>> Points techniques

  • Couche CBAM 1D écrite à la main en Keras : attention par canal (pooling moyen et max) puis attention temporelle.
  • Séries normalisées (MinMaxScaler) et fenêtres glissantes de 30 pas via TimeseriesGenerator.
  • Entraînement avec ReduceLROnPlateau, EarlyStopping et sauvegarde du meilleur modèle, suivi dans TensorBoard.
  • Prototype d’environnement Gymnasium (acheter, vendre, conserver) pour entraîner un agent de trading par renforcement (DQN).