Si vous ne pouvez pas itérer sur vos idées assez rapidement, vous échouerez. Un processus / une approche solide est important, être intelligent compte, mais si vous n'itérer pas à un rythme rapide, vous échouerez. Il s'agit de créer une culture d'urgence et d'investir dans les bons outils.

LASSO est vraiment nul. C'est littéralement équivalent à prendre la moyenne quand on l'utilise pour des ensembles. C'est aussi mauvais pour les régressions. Quoi qu'il en soit, n'utilisez pas LASSO. Aussi… si vous alliez supprimer des caractéristiques, vous auriez dû le faire manuellement au préalable, comme allez, c'est juste une mauvaise ingénierie des caractéristiques.

Notes sur les prévisions : Je pense qu'à partir des barres de 1h et au-dessus, vous devriez utiliser ridge, mais lorsque vous arrivez aux barres de 1min/5min, vous constatez généralement que XGBoost l'emporte. Les 5 minutes nécessitent un peu de réglage minutieux, mais pour 1 minute et surtout pour les secondes, vous commencez à voir XGBoost dominer avec un surplus de 0,01 à 0,025 sur votre IC simplement parce que c'est un meilleur modèle. XGBoost est plutôt cool car vous pouvez éviter les valeurs NaN (ce qui est souvent un problème pour les backtests, c'est-à-dire les disponibilités de différents ensembles de données pour les périodes de retour, un fournisseur peut avoir 10 ans, un autre 2). Vous pouvez, bien sûr, imputer, mais ce n'est pas la manière la plus réaliste de faire les choses et cela a techniquement un lookahead puisque vous révélez la moyenne/médiane de la caractéristique à l'avance. Vous pouvez également utiliser une moyenne sans lookahead, mais bon... Pour les choses linéaires où vous ne pouvez pas vous permettre d'ajuster le cadre de temps de 1h et plus, ET où vous voulez traiter les NaNs, votre meilleur pari est de faire un ensemble pondéré par IC et de recalculer les poids chaque fois qu'il y a des NaNs (ce n'est pas exactement coûteux de déterminer quel poids devrait être quoi lorsque vous avez l'IC de chaque caractéristique et quelles caractéristiques sont dans l'ensemble).