Robustesse et interprétabilité des modèles d'apprentissage automatique dans les prévisions financières

Objectif : La pratique des prévisions financières est un élément essentiel de la gestion financière contemporaine et du processus de prise de décisions sur les investissements. En raison de la complexité et de la volatilité des marchés financiers, les techniques traditionnelles de prévisions financières échouent souvent à capturer adéquatement la situation. Méthodologie / Résultats : L'une des méthodes les plus efficaces pour améliorer la précision et l'efficacité des prévisions financières est l'utilisation de techniques d'apprentissage automatique. À travers un examen de son potentiel, de ses limites et de ses futures possibilités. Ils tiennent compte des possibilités linéaires et non linéaires dans leur étude. Notre attention se concentre sur les méthodes linéaires, à savoir les régressions pénalisées et les ensembles de modèles. L'étude considère un éventail de techniques non linéaires, y compris des méthodes basées sur les arbres, comme les arbres boostés et les forêts aléatoires, ainsi que des réseaux neuronaux profonds et peu profonds sous des formes feed-forward et récurrentes. Ils envisagent également des modèles en ensemble et hybrides, qui combinent des caractéristiques de plusieurs types d'alternatives. Implications pour la théorie, la pratique et la politique : Un aperçu bref des tests utilisés pour mesurer une capacité prédictive exceptionnelle est fourni. Dans la dernière partie de cet article, ils se concentrent sur les applications possibles de l'apprentissage automatique dans les domaines de l'économie et de la finance, et nous fournissons un exemple qui utilise des données financières à haute fréquence (Benti, Chaka et Semie, 2023).