INTRODUCTION
La finance de marché occupe une place essentielle dans l’économie mondiale en favorisant la
mobilisation de l’épargne, le financement des investissements et la gestion des risques.
Cependant, les marchés financiers sont caractérisés par une forte volatilité, une
interdépendance accrue entre actifs et une grande sensibilité aux chocs économiques,
géopolitiques et technologiques. Cette instabilité rend la prévision des rendements et
l’évaluation des risques particulièrement complexes, et soulève la question de la pertinence
des outils de modélisation utilisés.
Traditionnellement, les chercheurs et praticiens se sont appuyés sur des modèles
économétriques et statistiques tels que les modèles autorégressifs (AR), les modèles à
moyenne mobile (MA), les modèles ARMA/ARIMA, ou encore les modèles de volatilité
conditionnelle (ARCH, GARCH). Bien que largement utilisés et théoriquement robustes, ces
modèles reposent sur des hypothèses restrictives (linéarité, stationnarité, normalité des
erreurs, absence de ruptures structurelles) qui peinent à refléter la complexité et la nature non
linéaire des séries financières (Hamilton, 1994 ; Tsay, 2010). De plus, ils s’adaptent
difficilement à la masse croissante de données générées par les marchés contemporains.
Face à ces limites, l’intelligence artificielle (IA) et le Machine Learning apparaissent comme
des alternatives puissantes, capables de traiter de grands volumes de données, de capturer des
non-linéarités complexes et de révéler des structures souvent invisibles aux modèles
traditionnels. L’IA se définit comme l’ensemble des techniques visant à doter les machines de
capacités d’apprentissage et de prise de décision autonomes. Le Machine Learning, en
particulier, repose sur le développement d’algorithmes permettant à un système d’apprendre à
partir des données sans être explicitement programmé (Koza, Bennett, Andre & Keane, 1996).
Les méthodes issues de l’IA – réseaux de neurones, forêts aléatoires, support vector
machines, méthodes de détection de ruptures – se sont progressivement imposées comme des
outils prometteurs pour la prévision et la gestion des risques financiers (Goodfellow et al.,
2016).
La littérature montre que les modèles traditionnels ont permis des avancées notables : Engle
(1982) et Bollerslev (1986) ont proposé les modèles ARCH et GARCH pour analyser la
volatilité, tandis que Zhang et Hu (1998) ont mis en évidence l’efficacité des réseaux de
neurones dans la prévision financière. Plus récemment, Gu, Kelly et Xiu (2020) ont démontré
la supériorité des méthodes de Machine Learning sur les modèles classiques en matière de
performance prédictive. Toutefois, ces travaux se concentrent essentiellement sur les grands
marchés développés, laissant encore des zones d’ombre quant à leur applicabilité généralisée.
L’intérêt scientifique de ce mémoire réside dans la mise en perspective de deux approches :
les modèles économétriques classiques, historiquement dominants mais limités face à la
complexité des marchés, et les modèles d’intelligence artificielle, innovants et plus flexibles,
qui offrent une opportunité d’améliorer la prévision et la compréhension des dynamiques
financières. Sur le plan pratique, ce travail ambitionne de fournir aux acteurs financiers des
outils de prévision plus performants, mieux adaptés à l’incertitude et à l’instabilité des
marchés.
Ainsi, une interrogation centrale émerge :
Problématique :
Dans quelle mesure les modèles dynamiques fondés sur l’intelligence artificielle permettent-
ils de mieux comprendre et prévoir la complexité et l’instabilité des marchés financiers que
les modèles économétriques traditionnels ?
Pour y répondre, l’objectif principal de cette recherche est d’analyser la contribution des
modèles basés sur l’intelligence artificielle à l’amélioration de la prévision et de la
compréhension des marchés financiers. Plus spécifiquement, il s’agira (i) de comparer la
performance prédictive des modèles économétriques traditionnels et des modèles
d’intelligence artificielle, et (ii) d’évaluer la capacité des algorithmes d’apprentissage
automatique à capturer les dynamiques non linéaires et instables des marchés financiers.
À cet effet, deux hypothèses sont formulées :
H1 : Les modèles d’intelligence artificielle offrent une performance prédictive
supérieure à celle des modèles économétriques traditionnels.
H2 : Les algorithmes d’apprentissage automatique capturent plus efficacement les
dynamiques non linéaires et instables des marchés financiers.