{"id":8369,"date":"2025-05-20T16:01:51","date_gmt":"2025-05-20T14:01:51","guid":{"rendered":"https:\/\/www.leviatan.io\/blog\/?p=8369"},"modified":"2025-05-20T19:37:21","modified_gmt":"2025-05-20T17:37:21","slug":"prediction-de-la-performance-boursiere-leviatan-ai-research-explore-les-frontieres-de-lia-appliquee-a-la-gestion-de-risque-dactifs-cotes","status":"publish","type":"post","link":"https:\/\/www.leviatan.io\/blog\/prediction-de-la-performance-boursiere-leviatan-ai-research-explore-les-frontieres-de-lia-appliquee-a-la-gestion-de-risque-dactifs-cotes\/","title":{"rendered":"Pr\u00e9diction de la performance boursi\u00e8re : Leviatan AI Research explore les fronti\u00e8res de l&rsquo;IA appliqu\u00e9e \u00e0 la gestion de risque d&rsquo;actifs c\u00f4t\u00e9s"},"content":{"rendered":"\n<p>L\u2019intelligence artificielle (IA) a profond\u00e9ment transform\u00e9 les m\u00e9thodologies employ\u00e9es en finance, en particulier en mati\u00e8re de gestion de risque d\u2019actifs financiers. Chez Leviatan AI Research, nous menons depuis plusieurs ann\u00e9es, de nombreux chantiers de recherche d&rsquo;IA appliqu\u00e9e \u00e0 la finance. C&rsquo;est notamment dans ce cadre que nous sommes ravis de vous partager certains des travaux que notre laboratoire de recherche appliqu\u00e9e en intelligence artificielle est en mesure de rendre publique, et de partager \u00e0 la communaut\u00e9 scientifique, ainsi qu&rsquo;aux sp\u00e9cialistes de la finance. <br><br>L&rsquo;une de nos derni\u00e8res \u00e9tudes intitul\u00e9e <em>\u00ab Pr\u00e9diction de la performance boursi\u00e8re : une \u00e9tude comparative entre mod\u00e9lisations \u00e9conom\u00e9triques et mod\u00e9lisations bas\u00e9es sur l\u2019intelligence artificielle \u00bb<\/em>, explore pr\u00e9cis\u00e9ment la comparaison syst\u00e9matique des capacit\u00e9s pr\u00e9dictives des mod\u00e8les d&rsquo;IA avec celles des mod\u00e8les \u00e9conom\u00e9triques traditionnels, avec un accent particulier mis sur une t\u00e2che de classification d\u2019actions cot\u00e9es sur un horizon d\u2019investissement \u00e0 court terme.<\/p>\n\n\n\n<h2>Contexte et objectifs de ces travaux de recherche<\/h2>\n\n\n\n<p>La s\u00e9lection d\u2019actions en gestion de portefeuille est une \u00e9tape cl\u00e9 qui influence directement la performance financi\u00e8re des investissements. Traditionnellement, cette s\u00e9lection s\u2019appuie sur l&rsquo;analyse fondamentale et technique. Notre \u00e9tude vise \u00e0 d\u00e9terminer si les mod\u00e8les avanc\u00e9s d\u2019IA peuvent offrir une meilleure performance pr\u00e9dictive par rapport aux approches \u00e9conom\u00e9triques classiques, notamment en termes de pr\u00e9cision, robustesse et capacit\u00e9 de g\u00e9n\u00e9ralisation sur des donn\u00e9es financi\u00e8res r\u00e9elles.<\/p>\n\n\n\n<h2>Donn\u00e9es et m\u00e9thodologie<\/h2>\n\n\n\n<p>Nous avons utilis\u00e9 dans le cadre de cette \u00e9tude, un ensemble de donn\u00e9es d\u00e9taill\u00e9es issues de <em>Factset<\/em>, comprenant des informations comptables et financi\u00e8res sur 1 935 entreprises cot\u00e9es non financi\u00e8res, observ\u00e9es annuellement de 2019 \u00e0 2021. La t\u00e2che de classification a consist\u00e9 \u00e0 distinguer les actions surperformantes des sous-performantes selon leur performance boursi\u00e8re en 2021, compar\u00e9e \u00e0 un seuil de 10 %, correspondant \u00e0 la performance historique moyenne de l\u2019indice concern\u00e9.<\/p>\n\n\n\n<h2>Ing\u00e9nierie des caract\u00e9ristiques<\/h2>\n\n\n\n<p>Cette \u00e9tape cruciale a permis d&rsquo;identifier et s\u00e9lectionner les caract\u00e9ristiques financi\u00e8res les plus pertinentes pour la pr\u00e9diction. <br><br>Plusieurs m\u00e9thodes robustes ont \u00e9t\u00e9 employ\u00e9es, notamment :<\/p>\n\n\n\n<ul><li><em>Recursive Feature Elimination (RFE)<\/em><\/li><li><em>LASSO<\/em><\/li><li><em>Random Forest<\/em><\/li><li><em>Gradient Boosting Decision Trees (GBDT)<\/em><\/li><\/ul>\n\n\n\n<p>Cette approche combin\u00e9e nous a permis de retenir des variables essentielles telles que le dividende, la liquidit\u00e9, les rendements pass\u00e9s, le ratio d&rsquo;endettement net, etc.<\/p>\n\n\n\n<h2>Techniques de mod\u00e9lisation<\/h2>\n\n\n\n<p>Trois grandes cat\u00e9gories de mod\u00e8les ont \u00e9t\u00e9 compar\u00e9es :<\/p>\n\n\n\n<ul><li><strong>Mod\u00e8les \u00e9conom\u00e9triques<\/strong> : <em>GEE-Logit<\/em> et <em>Mundlak<\/em>, adapt\u00e9s aux donn\u00e9es de panel, afin de g\u00e9rer l\u2019h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 temporelle des donn\u00e9es.<br><\/li><li><strong>Mod\u00e8les de machine learning (ML)<\/strong> : <em>XGBoost<\/em>, <em>LightGBM<\/em>, <em>mod\u00e8les ensemblistes<\/em> (moyenne de probabilit\u00e9s) et <em>mod\u00e8le en empilement (stacking)<\/em>, combinant <em>XGBoost<\/em> et <em>LightGBM<\/em> via un m\u00e9ta-mod\u00e8le.<br><\/li><li><strong>Mod\u00e8les d\u2019apprentissage profond<\/strong> : architectures <em>LSTM<\/em>, <em>GRU<\/em>, encodeur-d\u00e9codeur bas\u00e9 sur <em>Transformers<\/em> et <em>Temporal Convolutional Networks (TCN)<\/em>, optimis\u00e9es via <em>Optuna<\/em>.<\/li><\/ul>\n\n\n\n<p>Chaque mod\u00e8le a b\u00e9n\u00e9fici\u00e9 d\u2019une optimisation rigoureuse des hyperparam\u00e8tres, r\u00e9alis\u00e9e avec <em>GridSearch<\/em>, validation crois\u00e9e et <em>Optuna<\/em>, pour garantir la fiabilit\u00e9 et la reproductibilit\u00e9 des r\u00e9sultats obtenus.<\/p>\n\n\n\n<h2>R\u00e9sultats empiriques d\u00e9taill\u00e9s<\/h2>\n\n\n\n<h3>Performance des mod\u00e8les \u00e9conom\u00e9triques<\/h3>\n\n\n\n<p>Les mod\u00e8les \u00e9conom\u00e9triques ont montr\u00e9 des performances asym\u00e9triques avec des taux tr\u00e8s \u00e9lev\u00e9s de vrais positifs (&gt; 94 %) mais de faibles taux de vrais n\u00e9gatifs (~20 %). Cette asym\u00e9trie indique une limitation importante \u00e0 identifier les actions sous-performantes, entra\u00eenant des risques importants de faux positifs.<\/p>\n\n\n\n<h3>Performance des mod\u00e8les de machine learning<\/h3>\n\n\n\n<p>Les mod\u00e8les ML, en particulier le mod\u00e8le en empilement, se sont r\u00e9v\u00e9l\u00e9s sup\u00e9rieurs en offrant un meilleur \u00e9quilibre entre pr\u00e9cision (78,57 %), taux de vrais positifs (70,68 %) et taux de vrais n\u00e9gatifs (67,22 %). <em>XGBoost<\/em> et <em>LightGBM<\/em>, utilis\u00e9s ind\u00e9pendamment, ont \u00e9galement affich\u00e9 d&rsquo;excellentes performances, notamment sur les crit\u00e8res d&rsquo;exactitude globale (accuracy) et de score F1.<\/p>\n\n\n\n<h3>Performance des mod\u00e8les d\u2019apprentissage profond<\/h3>\n\n\n\n<p>Les r\u00e9seaux neuronaux ont d\u00e9montr\u00e9 une capacit\u00e9 mod\u00e9r\u00e9e \u00e0 g\u00e9rer les d\u00e9pendances temporelles complexes, avec des performances l\u00e9g\u00e8rement inf\u00e9rieures \u00e0 celles des mod\u00e8les ML en termes de pr\u00e9cision et de score F1. Le mod\u00e8le <em>TCN<\/em> a \u00e9t\u00e9 le plus performant parmi les r\u00e9seaux neuronaux, sugg\u00e9rant n\u00e9anmoins un besoin de davantage de donn\u00e9es temporelles pour am\u00e9liorer leur capacit\u00e9 pr\u00e9dictive.<\/p>\n\n\n\n<h2>Discussion approfondie<\/h2>\n\n\n\n<p>Notre analyse r\u00e9v\u00e8le clairement que les mod\u00e8les bas\u00e9s sur l\u2019IA surpassent les mod\u00e8les \u00e9conom\u00e9triques traditionnels en mati\u00e8re de classification d\u2019actions pour une gestion optimale de portefeuille. L\u2019approche par empilement, notamment gr\u00e2ce \u00e0 son m\u00e9ta-mod\u00e8le qui combine efficacement les forces de <em>XGBoost<\/em> et <em>LightGBM<\/em>, se d\u00e9marque par une gestion optimis\u00e9e des faux positifs, crit\u00e8re essentiel dans le contexte financier.<\/p>\n\n\n\n<h2>Perspectives futures et travaux internes de Leviatan<\/h2>\n\n\n\n<p>Si cette \u00e9tude scientifique offre d\u00e9j\u00e0 des perspectives prometteuses, Leviatan AI Research a poursuivi le d\u00e9veloppement de mod\u00e8les propri\u00e9taires encore plus sophistiqu\u00e9s, sp\u00e9cifiquement optimis\u00e9s pour r\u00e9pondre aux exigences pointues des fonds d&rsquo;investissement, hedge funds et family offices que nous accompagnons. Ces mod\u00e8les, d\u00e9j\u00e0 op\u00e9rationnels et d\u00e9ploy\u00e9s, d\u00e9montrent des performances sup\u00e9rieures, notamment gr\u00e2ce \u00e0 une ing\u00e9nierie avanc\u00e9e des caract\u00e9ristiques financi\u00e8res et \u00e0 des techniques d&rsquo;apprentissage automatique sur-mesure.<\/p>\n\n\n\n<h2>Conclusion<\/h2>\n\n\n\n<p>Cette \u00e9tude comparative met en \u00e9vidence les b\u00e9n\u00e9fices substantiels que l\u2019intelligence artificielle peut apporter \u00e0 la finance moderne, notamment en gestion d\u2019actifs. Les approches avanc\u00e9es en machine learning et apprentissage profond, bien qu\u2019ayant des limites, offrent d\u00e9j\u00e0 une sup\u00e9riorit\u00e9 nette sur les approches \u00e9conom\u00e9triques classiques, ouvrant la voie \u00e0 une gestion plus efficace, robuste et \u00e9clair\u00e9e des investissements financiers.<\/p>\n\n\n\n<p><strong>Papier scientifique<\/strong> : <em><a href=\"https:\/\/www.leviatan.io\/blog\/wp-content\/uploads\/2025\/05\/Prediction-de-la-performance-boursiere-une-etude-comparative-entre-mode\u0301lisations-econome\u0301triques-et-modelisations-basees-sur-lintelligence-artificielle.pdf.pdf\" data-type=\"URL\" data-id=\"https:\/\/www.leviatan.io\/blog\/wp-content\/uploads\/2025\/05\/Prediction-de-la-performance-boursiere-une-etude-comparative-entre-mode\u0301lisations-econome\u0301triques-et-modelisations-basees-sur-lintelligence-artificielle.pdf.pdf\">Pr\u00e9diction de la performance boursi\u00e8re : une \u00e9tude comparative entre mod\u00e9lisations \u00e9conom\u00e9triques et mod\u00e9lisations bas\u00e9es sur l\u2019intelligence artificielle<\/a><\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>L\u2019intelligence artificielle (IA) a profond\u00e9ment transform\u00e9 les m\u00e9thodologies employ\u00e9es en finance, en particulier en mati\u00e8re de gestion de risque d\u2019actifs financiers. Chez Leviatan AI Research, nous menons depuis plusieurs ann\u00e9es, de nombreux chantiers de recherche d&rsquo;IA appliqu\u00e9e \u00e0 la finance. C&rsquo;est notamment dans ce cadre que nous sommes ravis de vous partager certains des travaux [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[77,2],"tags":[],"_links":{"self":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts\/8369"}],"collection":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/comments?post=8369"}],"version-history":[{"count":8,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts\/8369\/revisions"}],"predecessor-version":[{"id":8380,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/posts\/8369\/revisions\/8380"}],"wp:attachment":[{"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/media?parent=8369"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/categories?post=8369"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.leviatan.io\/blog\/wp-json\/wp\/v2\/tags?post=8369"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}