INTRODUCTION GENERALE
La finance de marché occupe une place centrale dans l’économie mondiale, en assurant la
mobilisation de l’épargne, le financement des investissements et la gestion des risques. Les
marchés financiers, qu’ils soient développés ou émergents, sont caractérisés par une forte
volatilité, une interdépendance accrue entre les actifs et une sensibilité aux chocs
économiques, géopolitiques ou encore technologiques.
Traditionnellement, la recherche en finance de marché s’est appuyée sur des modèles
économétriques et statistiques tels que les modèles autorégressifs (AR), les modèles à
moyenne mobile (MA), les modèles ARMA/ARIMA, ainsi que les modèles de volatilité
conditionnelle (ARCH, GARCH). Ces approches, bien qu’efficaces dans certaines conditions,
reposent souvent 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 marchés financiers (Tsay, 2010 ; Hamilton, 1994).
Face à ces limites, l’émergence de l’intelligence artificielle (IA) et des techniques de Machine
Learning ouvre de nouvelles perspectives pour la modélisation financière.
Comme son nom l’indique l’intelligence artificielle est une intelligence (un ensemble de
compétences) acquise par des machines dans le but de fonctionner et réagir comme des
humains. L’apprentissage automatique (appelé aussi apprentissage machine) est une branche
de l’intelligence artificielle qui concerne la conception et le développement d’algorithmes
permettant à un ordinateur (une machine au sens large) d’apprendre à exécuter des tâches très
complexes sans avoir été explicitement programmé (Koza, Bennett, Andre, & Keane, 1996).
Les méthodes basées sur l’IA (réseaux de neurones, forêts aléatoires, support vector
machines, méthodes de détection de ruptures, etc.) permettent de mieux capturer les non-
linéarités, d’intégrer de vastes ensembles de données et d’identifier des patterns complexes
souvent invisibles aux modèles classiques (Goodfellow et al., 2016).
Ainsi, l’étude des modèles dynamiques en finance de marché à travers le prisme de
l’intelligence artificielle s’inscrit dans une double logique : contribuer à l’avancée des travaux
académiques sur la modélisation des séries temporelles financières, et proposer des outils
adaptés au contexte spécifique des marchés émergents.
En plus des limites des modèles traditionnels mentionnées ci-dessus, ces derniers s’adaptent
difficilement à la masse croissante de données générées par ces marchés. Cela soulève le
problème de savoir si l’intelligence artificielle peut offrir des outils plus performants pour
comprendre et prévoir la dynamique financière.
Les travaux d’Engle (1982) et Bollerslev (1986) ont jeté les bases des modèles ARCH-
GARCH pour analyser la volatilité, mais leurs limites apparaissent face aux comportements
non linéaires. Zhang et Hu (1998) ont montré l’efficacité des réseaux de neurones dans la
prévision financière, ouvrant la voie aux méthodes d’IA, et plus récemment, Gu, Kelly et Xiu
(2020) soulignent la supériorité du Machine Learning sur les modèles classiques pour
anticiper les rendements.
Donc il serait intéressant de proposer des outils de prévision plus performants pour les acteurs
financiers, cela réside parfaitement dans l’application des modèles dynamiques basés sur l’IA
à la modélisation de la complexité et de l’instabilité des marchés financiers.
Ainsi, face à tous ces enjeux une interrogation centrale se pose : 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 ?
L’objectif principal de cette étude 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. Cependant, il est crucial de comparer la performance prédictive des modèles
économétriques traditionnels et 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.