Skip to content
TheChatArchiveThe Chat Archive
Claudeclaude-3-7-sonnet-20250219-thinking-32k· AnthropicHugging Face LMArena Human Preference 140K

Pour ma stratégie de scalping (tp 10 et SL 33), j'utilise un modèle randomforest…

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with gpt-4.1-2025-04-14’s answer.
  1. User

    Pour ma stratégie de scalping (tp 10 et SL 33), j'utilise un modèle randomforest classification. J'utilise des ticks data que je transforme en bars de gamme (comme chez tradingview) de 7 points (CT) et 15 points (LT) . Comme features, j'ai les prix open, close, high, low et volume de ces styles de bougies mais aussi 4 indicateurs que sont le 'tsi' (indice de force de tendances) et le stochastic en heikkein ashi, et le RVI . Le taux de précision du modele moyen est de 70%. Comment ameliorer le taux de précision significativement en ajoutant un ou autres indicateurs ?

  2. Claude Assistant

    Pour améliorer significativement votre modèle RandomForest de scalping, je vous suggère d'ajouter ces indicateurs complémentaires:

    1. L'Order Flow Cumulative Delta: mesure le déséquilibre entre acheteurs et vendeurs, particulièrement efficace pour le scalping.

    2. Le VWAP (Volume-Weighted Average Price) et ses bandes d'écart-type: excellent pour identifier les retours à la moyenne.

    3. Le DMI/ADX: pour détecter la force directionnelle que votre TSI pourrait manquer.

    4. Des indicateurs de volatilité comme l'ATR ou les bandes de Bollinger: essentiels pour ajuster dynamiquement vos TP/SL.

    5. Des ratios temporels: comparez les indicateurs entre vos barres CT (7 points) et LT (15 points) pour créer des signaux de divergence/convergence.

    Envisagez également d'incorporer des données de sentiment du marché ou d'ajouter des features cycliques (heure de la journée, jour de la semaine) qui capturent les patterns récurrents.

    Pensez-vous que certains de ces indicateurs seraient particulièrement adaptés à votre instrument de trading?

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.