Application des techniques d'apprentissage automatique pour la prédiction de la tendance des titres financiers

Résumé

Ce mémoire examine l'utilisation des algorithmes et des techniques d'apprentissage automatique pour la prédiction de la direction des cours des actifs financiers à très court terme (par exemple, de quelques minutes à quelques heures). L’objectif à la fin est de concevoir un système décisionnel autonome capable d’automatiser la négociation des titres financiers en générant une prédiction de la tendance future du prix, en se basant sur les flux de données des transactions antérieures. Nous avons étudié comment la distribution des mouvements boursiers peut être asymétrique. Ce biais dans les données ajoute plus de complexité à la tâche de prédiction. On a proposé trois méthodes pour faire face à ce problème. Entre autres, le rééchantillonnage des données, la modification des seuils des probabilités qui servent à générer la classification et l’utilisation des coûts pour pénaliser les mauvaises classifications de la classe majoritaire. On a aussi constaté l’existence de dépendances temporelles dans les séries des prix des titres boursiers utilisés. Cette composante devra être considérée lors de la génération de nos ensembles d’entrainement et d’évaluation. En effet, l’exactitude de l’inférence faite à partir des données d’entrainement sur de nouvelles données, dépendra de la similarité des propriétés statistiques des deux ensembles de données. Nous avons aussi illustré que le choix des variables à utiliser, les indicateurs techniques pour ce projet, est une tâche qui nécessite beaucoup de rigueur. Comme nous l’avons démontré, il existe de fortes corrélations entre les indicateurs techniques qui sont dérivés des mêmes séries de données. C’est pourquoi, il faut être prudent dans le choix de ces indicateurs. Utiliser des indicateurs qui reflètent la même information, risque d’introduire beaucoup de bruit dans nos modèles et affecter leurs performances. Nous avons expliqué comment on peut faire face à ce problème et comment on peut réduire la dimensionnalité de nos données ainsi que l’interaction entre les variables explicatives. L’existence des dérives conceptuelles dans les séries temporelles financières est un phénomène courant. En comparant des données sur des fenêtres temporelles différentes, on peut observer comment la distribution de la variable cible change. Une solution que nous proposons dans ce projet consiste à utiliser une technique d’évaluation dynamique, où chaque nouvelle instance sera prédite à partir d’un historique de données qui est dynamique. À chaque fois, la valeur collectée la plus récente est comparée à notre prédiction et intégrée dans nos données d’entrainement. À la fin de ce projet nous avons illustré qu’il est possible de prédire les mouvements des titres boursiers en utilisant les techniques d’apprentissage automatique. La performance de nos prédictions était significativement plus élevée que si on suppose que le mouvement boursier suit une marche aléatoire. Nous avons aussi montré qu’il est possible d’implémenter des stratégies de négociation gagnantes basées sur l’apprentissage automatique et qui génèrent beaucoup plus de profits, que si on opte pour une gestion passive.

Date	12 nov. 2019
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Edmond T. Miresco (Directeur(-trice))