Apprentissage profond

Prévision de séries financières par réseaux

Apprentissage profond

Apprentissage profond

Chapitre 10 : Prévision de séries financières par réseaux

Auteur·rice
Affiliation

Jaouad Madkour

Faculté d’Économie et de Gestion de Tanger

Date de publication

25 septembre 2026

Poser le problème correctement

Trois questions, trois difficultés

Ce qu’on peut chercher à prévoir
Cible Difficulté Verdict empirique
Le signe du rendement extrême non exploitable après coûts
L’amplitude du rendement extrême à peine mieux
La volatilité modérée prévisible
Pourquoi le signe résiste

Si le rendement de demain était prévisible, l’information serait exploitée immédiatement et le prix s’ajusterait — annulant la prévisibilité.

C’est l’argument d’efficience, et il n’interdit pas de prévoir la volatilité : celle-ci n’est pas un profit à saisir, elle est un régime qui persiste. C’est précisément le regroupement de volatilité établi au chapitre 1 de Modélisation GARCH.

Choisir la bonne cible est plus décisif que choisir la bonne architecture.

Le protocole

Ce qui doit être irréprochable

Les cinq règles
  1. Rendements, pas prix — pour la stationnarité.
  2. Découpage chronologique : apprentissage, puis validation, puis test.
  3. Normalisation avec les statistiques de l’apprentissage seulement.
  4. Validation par fenêtre glissante, jamais par tirage aléatoire.
  5. Comparaison obligatoire à des références simples.
Les références à battre
Référence Ce qu’elle prédit
Naïve la dernière valeur observée
Moyenne historique la moyenne de la période d’apprentissage
GARCH(1,1) pour la volatilité
Boosting sur variables construites le concurrent sérieux

La règle du chapitre 6 d’Apprentissage statistique, transposée

Intuition

Là-bas, le classifieur trivial obtenait 0{,}90 d’exactitude et battait le modèle.

Ici, la prévision naïve joue le même rôle. Un réseau qui ne la bat pas nettement n’a rien apporté, quelle que soit sa sophistication.

Comparer au trivial reste le premier réflexe. Il n’a pas changé de cours.

Les pièges, séries financières

Cinq erreurs qui produisent d’excellents résultats faux

Ce qu’il faut traquer
  1. Normalisation globale — la volatilité future entre dans l’apprentissage.
  2. Découpage aléatoire — on apprend sur le futur.
  3. Variables retardées mal alignées — une donnée utilisée avant sa publication réelle.
  4. Biais du survivant — l’échantillon ne contient que les entreprises encore cotées.
  5. Coûts de transaction ignorés — une stratégie rentable brute, ruineuse nette.
Le décalage de publication

Un résultat trimestriel porte sur le trimestre écoulé mais n’est publié que plusieurs semaines après.

L’utiliser à la date qu’il porte, plutôt qu’à sa date de disponibilité, donne un modèle remarquable et inutilisable. C’est la fuite la plus fréquente en finance appliquée, et la plus difficile à détecter dans un tableau de données déjà constitué.

Le symptôme qui doit alerter

Intuition

Une performance nettement supérieure aux références publiées dans la littérature n’est presque jamais une découverte.

Le chapitre 6 d’Apprentissage statistique le disait de l’AUC : un résultat excellent est d’abord un soupçon. Sur données financières, cette règle vaut doublement.

Ce que la comparaison donne

Un bilan sans complaisance

Sur la prévision de volatilité
Modèle Performance Coût Interprétabilité
GARCH(1,1) référence solide très faible élevée
LSTM comparable, parfois meilleure élevé nulle
Transformeur rarement supérieur sur ces volumes très élevé nulle
Pourquoi le GARCH tient si bien

Il encode directement le fait stylisé qui compte : la volatilité persiste. Trois paramètres suffisent.

Un réseau doit apprendre cette structure à partir des données, et il n’a que quelques milliers de points pour le faire. Il redécouvre, au prix de milliers de paramètres, ce que le GARCH suppose d’emblée.

Quand une structure est connue, la coder vaut mieux que l’apprendre.

Où les réseaux apportent réellement quelque chose
  1. Beaucoup de séries à la fois — un modèle unique sur des centaines d’actifs, partageant leurs régularités.
  2. Données non structurées — texte d’actualité, communiqués, où seuls les réseaux savent opérer.
  3. Haute fréquence — les volumes y deviennent suffisants.
  4. Relations non linéaires entre de nombreux prédicteurs hétérogènes.

Sur une série unique, quotidienne, avec quelques variables : il n’y a pas d’avantage à en attendre.

Ce qu’il faut retenir

Le résumé du chapitre

Cinq points
  1. Le signe des rendements n’est pas prévisible utilement ; la volatilité l’est.
  2. Protocole : rendements, découpage chronologique, normalisation sur l’apprentissage, fenêtre glissante.
  3. Toujours comparer à la prévision naïve et au GARCH.
  4. Cinq pièges : normalisation globale, découpage aléatoire, décalage de publication, biais du survivant, coûts ignorés.
  5. Sur une série unique et quotidienne, le GARCH reste compétitif pour une fraction du coût.
La suite

Le chapitre 11 généralise ce constat et referme le cours sur ce que l’apprentissage profond ne résout pas.

← Chapitre précédentL'attention et les transformeurs Chapitre suivant →Ce que l'apprentissage profond ne résout pas

Ressources du chapitre