Charte de Projet:

Prédiction des Taux de Change EUR/USD

Réalisé par : AYA ZINEDDAINE & HIBA SERGHINI

Encadré par : M. Akram Elkorchi

1
1 Présentation du projet

1.1 Contexte du projet

Le projet à pour objectif : développer un modèle prédictif de taux de change

EUR/USD, en utilisant les techniques de machine learning (sur Python). Le
but est de prévoir l’évolution des taux de change sur une période à court terme
(d’une semaine à quatre semaines). Le modèle s’appuiera sur des données
économiques clés telles que les taux d’intérêt, les indices boursiers (Nasdaq,
S&P 500). L’utilisation de ce modèle permettra d’aider les investisseurs, les in-
stitutions financières et les traders à prendre des décisions éclairées et à mieux
gérer les risques liés aux fluctuations des devises.

1.2 Enjeux

• Financiers : Aider à la prise de décisions financières basées sur des

prévisions précises des taux de change.

• Technologiques : Développer un modèle robuste en utilisant des outils

de machine learning et de séries temporelles (LSTM, RandomForest...).

• Opérationnels : Fournir un outil prévisionnel rapide et fiable, accessible

pour les traders et gestionnaires de portefeuilles.

1.3 Fonctionnalités

• Prédiction des taux de change EUR/USD à court terme.

• Interface utilisateur pour récupérer automatiquement les données économiques

actualisées (taux d’intérêt, indices boursiers, etc.) via l’API yfinance. Les
données seront automatiquement collectées au moment de l’utilisation de
l’interface, garantissant leur actualité sans besoin d’entrée manuelle de
l’utilisateur.

• Visualisation des résultats prédictifs avec des graphiques interactifs.

• Évaluation de la précision des prévisions avec des métriques (ex. RMSE,

MSE).

2
1.4 Qualité de service attendu

• Précision : Un modèle avec une marge d’erreur minimale dans ses prévisions.

• Réactivité : Les prévisions doivent être réalisées rapidement, avec une

capacité à traiter en temps réel les nouvelles données.

• Accessibilité : L’outil doit être facile à utiliser pour des utilisateurs non
techniques, avec une interface claire.

• Scalabilité : Le système doit pouvoir évoluer pour intégrer davantage de

données économiques et de devises.

1.5 Limites

• Taux de change exclus : Le modèle sera limité à la prévision des taux

de change EUR/USD et n’inclura pas d’autres paires de devises telles que
USD/JPY ou GBP/USD, ce qui réduit son applicabilité à une analyse de
marché plus globale.

• Événements imprévus : Il ne prendra pas en compte les événements

exceptionnels, tels que des crises économiques ou politiques majeures, des
décisions politiques soudaines ou des événements naturels catastrophiques,
qui peuvent avoir un impact direct et brusque sur les marchés financiers.

• Dépendance aux données historiques : Le modèle repose entièrement

sur des données historiques. Par conséquent, il peut être biaisé si des
changements structurels ou de nouvelles réglementations modifient les com-
portements du marché. Cette limitation est commune dans les modèles
financiers basés sur des données passées.

• Évolution de la politique monétaire : Les décisions prises par les ban-

ques centrales (par exemple, la BCE ou la Fed) ont des effets profonds et
parfois imprévisibles. Le modèle pourrait ne pas bien réagir aux change-
ments de politiques de taux d’intérêt ou de programmes d’achat d’actifs.

• Données de marché incomplètes ou bruitées : Les données de marché

contiennent souvent du bruit, des anomalies ou des variations saisonnières

3
 non significatives. De plus, la qualité et la fréquence des données (jour-
nalière, horaire) peuvent limiter la précision des prévisions, surtout dans
un marché hautement volatile.

• Sensibilité aux changements de volatilité : La performance du modèle

peut diminuer lors de périodes de volatilité extrême, où les valeurs tendent
à fluctuer rapidement et de manière imprévisible. Les modèles LSTM ont
souvent du mal à capturer de telles variations brusques.

• Impact des corrélations indirectes : Les taux de change sont souvent

influencés par des variables économiques indirectes (comme l’inflation, le
chômage) ou des marchés extérieurs, qui ne sont pas inclus dans le jeu
de données du modèle. L’absence de telles variables pourrait limiter la
profondeur et la précision des prévisions.

2 Documents de référence

2.1 Résultats des études en amont

• Études sur l’impact des taux d’intérêt sur les taux de change.

• Recherches existantes sur les modèles de prévision des devises, notamment

l’utilisation des modèles ARIMA et LSTM.

• Analyse des données historiques sur les taux de change EUR/USD.

2.2 Relevés de décision

• Choix de la méthode de modélisation : Machine learning avec un focus

sur les LSTM (Long Short-Term Memory) pour leur capacité à prédire les
séries temporelles.

• Intégration des principales variables économiques (taux d’intérêt, indices

boursiers) comme facteurs explicatifs.

4
3 Participation des services utilisateurs

3.1 Les commanditaires

• Banques et institutions financières : Pour une application directe des

prévisions dans les stratégies de trading et de gestion de portefeuille.

• Investisseurs institutionnels : Afin de mieux évaluer les risques et op-

portunités sur les devises.

• Traders : Pour aider à l’optimisation des stratégies de couverture de

devises.

3.2 Les utilisateurs

• Analystes financiers : Utiliser l’outil pour des analyses de marché et des

prévisions de taux de change.

• Traders en devises : Exploiter les prévisions pour ajuster les positions

sur le marché des devises.

• Gestionnaires de portefeuilles : Intégrer les prévisions dans les décisions

de diversification et d’allocation d’actifs.

4 Champ du projet

4.1 Cadre stratégique

Le projet s’inscrit dans la volonté d’améliorer les outils d’aide à la décision

financière en utilisant des technologies avancées, comme le machine learning,
pour mieux prédire les taux de change et aider à la gestion des risques associés
aux fluctuations des devises.

4.2 Objectifs de gestion

• Développer un modèle prédictif de taux de change.

5
 • Optimiser l’intégration des données économiques pour améliorer la précision
des prévisions.

• Développer une interface utilisateur simple et intuitive pour faciliter l’usage

du modèle.

4.3 Orientations d’organisation

Le projet sera mené entièrement par moi,en prenant en charge l’ensemble des
étapes du projet, y compris :

• Développement du modèle : Conception et mise en place du modèle

de prédiction du taux de change EUR/USD.

• Analyse financière : Sélection des variables économiques et financières

pertinentes à intégrer dans le modèle.

• Création de l’interface utilisateur : Développement de l’interface avec

Streamlit pour permettre une interaction intuitive avec le modèle.

4.4 Options relatives à l’architecture technique

• Utilisation de Python et TensorFlow pour la modélisation LSTM du taux

de change EUR/USD.

• Collecte des données financières en temps réel via la bibliothèque yfinance,

évitant ainsi le besoin d’une base de données locale ou en cloud.

• Exécution locale du modèle et de l’interface Streamlit pour une utilisation

directe sur l’ordinateur de l’utilisateur, sans besoin de serveur cloud.

4.5 Interfaces

• Interface Streamlit : permet aux utilisateurs d’interagir directement

avec le modèle de prédiction via une interface interactive. Les données
économiques et financières sont récupérées automatiquement, et l’utilisateur
peut visualiser les résultats en temps réel sans entrer manuellement les
données.

6
 • API REST (facultative) : pour intégrer les prédictions dans d’autres
systèmes financiers ou de trading automatisé.

4.6 Contraintes

• Le projet dépend de la disponibilité de données financières historiques fi-

ables pour entraı̂ner le modèle.

• Les prévisions peuvent être affectées par des événements externes (poli-
tiques monétaires, crises économiques, etc.).

• Le modèle doit être suffisamment flexible pour s’adapter aux évolutions

économiques.

5 Plan d’action

5.1 Démarche de développement

1. Analyse des besoins : Identifier les variables économiques les plus per-
tinentes et les sources de données disponibles.

2. Collecte de données : Rassembler les données historiques sur les taux

de change, les indices boursiers, les taux d’intérêt, etc.

3. Développement du modèle : Implémenter le modèle LSTM pour la

prévision des taux de change.

4. Validation du modèle : Tester la précision des prévisions avec des

données historiques et ajuster le modèle en fonction des résultats.

5. Développement de l’interface utilisateur : Créer une interface intu-

itive pour la saisie des données et la visualisation des résultats.

5.2 Calendrier prévisionnel

• Semaine 1 : Collecte de données, définition des variables et préparation

des données.

• Semaine 2-3 : Développement et test du modèle prédictif.

7
 • Semaine 4 : Développement de l’interface utilisateur et tests d’intégration.

• Semaine 5 : Validation finale et mise en production.

5.3 Coût estimé du projet

Le projet de prédiction des taux de change EUR/USD comporte plusieurs

types de coûts, notamment ceux liés aux outils technologiques, aux données
financières, et à la maintenance du modèle prédictif. Les estimations de coûts
incluent :

• Accès aux données financières : Bien que l’API yfinance perme-

tte l’accès à certaines données de marché gratuitement, les projets en
finance utilisent souvent des sources de données premium (par exemple,
Bloomberg, Eikon) pour améliorer la précision. Ces abonnements peuvent
varier entre 500 et 2 000 MAD par mois en fonction de la fréquence de
mise à jour et de la gamme des données demandées.

• Infrastructure technique : Pour le développement initial, l’infrastructure

locale (ordinateur personnel avec GPU compatible) suffit pour entraı̂ner
et tester le modèle. Cependant, pour une utilisation à plus grande échelle,
des services cloud comme AWS ou Google Cloud sont souvent utilisés. Par
exemple, le coût d’un serveur de base avec GPU chez AWS peut débuter à
environ 9 MAD de l’heure, soit environ 1 500 MAD par mois en fonction
de l’utilisation.

• Développement et main-d’œuvre : Bien que le projet soit mené par un

seul développeur, le coût horaire peut être estimé autour de 200 MAD/heure
pour les projets académiques et atteindre 500 à 1 000 MAD/heure pour
les projets en entreprise. Le temps total estimé pour la modélisation, le
test et le développement de l’interface est d’environ 100 heures, ce qui
représenterait entre 20 000 et 100 000 MAD si du personnel technique
supplémentaire était nécessaire.

• Maintenance et mise à jour : Une fois en production, le modèle

nécessitera des ajustements périodiques pour intégrer les nouvelles données
et maintenir la performance prédictive. Les coûts de maintenance annuels

8
 peuvent être estimés entre 5 000 et 15 000 MAD selon le niveau de com-
plexité des mises à jour et le besoin en personnel technique.

5.4 Organisation du projet

Le projet sera géré et réalisé intégralement par une seule personne, moi-même,assumant
les rôles suivants :

• Responsable data science : Modélisation du taux de change EUR/USD

en utilisant des techniques de machine learning.

• Développeur : Développement de l’interface utilisateur avec Streamlit et

intégration des différentes composantes du projet.

• Expert financier : Définition et validation des hypothèses économiques,

ainsi que le choix des variables pertinentes pour le modèle.