Amélioration de la prédiction de la volatilité : étude comparative entre les séries financières persistantes et anti-persistantes.

Prédire la volatilité financière est crucial pour gérer les risques et prendre des décisions d'investissement. Cette recherche introduit une méthode novatrice pour créer un modèle de prédiction qui gère efficacement les dynamiques complexes des données de séries temporelles financières. En utilisant les avantages des modèles de séries temporelles et des réseaux de neurones récurrents, nous présentons deux modèles hybrides : Vanilla-RGARCH et LSTM-RGARCH. Ces modèles sont conçus pour surmonter les lacunes des modèles Realized GARCH (RGARCH) et HAR dans la représentation de divers faits stylisés des données financières. Alors que les modèles RGARCH sont compétents pour capturer l'asymétrie, ils ne traitent pas la mémoire à long terme. Inversement, les modèles HAR sont habiles à capturer la mémoire à long terme. Le modèle novateur combine les valeurs prédites du modèle RGARCH avec des composants du modèle HAR, y compris la volatilité réalisée quotidienne, hebdomadaire et mensuelle, dans un cadre de réseau de neurones. Cette combinaison aide à éviter les complexités liées à la fusion directe du modèle HAR avec RGARCH. Grâce à cette méthode, nos modèles hybrides offrent une description complète des caractéristiques des données financières. L'approche proposée est évaluée sur deux types distincts de séries financières : persistantes et anti-persistantes, pour démontrer sa robustesse et sa capacité à se généraliser dans différents contextes. La performance des modèles hybrides est comparée à celle des modèles RGARCH et HAR conventionnels, démontrant leur supériorité dans la prédiction précise de la volatilité financière et leur capacité à capturer les tendances complexes observées dans les données réelles. De plus, une analyse en composantes principales (ACP) est utilisée pour visualiser les résultats et faciliter leur interprétation.