Enregistré dans:
| Auteurs principaux: | , |
|---|---|
| Format: | Recurso digital |
| Langue: | |
| Publié: |
Zenodo
2025
|
| Accès en ligne: | https://doi.org/10.5281/zenodo.15886334 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Table des matières:
- <h1><span>Le présent article explore, selon une perspective comparative, les performances prédictives de deux modèles d’apprentissage profond — LSTM (Long Short-Term Memory) et GRU (Gated Recurrent Unit). Notre recherche compare les performances en se basant sur les cours de clôture de l’indice MASI. Nous avons tenté de mobiliser des réseaux neuronaux récurrents sur ce type de séries temporelles financières pour tester des outils qui dépassent les limites des modèles classiques tels que les modèles autorégressifs, face aux défis des dynamiques non linéaires et à long terme. Sur la base d’une revue de littérature, deux configurations similaires de LSTM et GRU ont été testées sur des données historiques de 2020 à 2024. Les indices MAE et R² ont été adoptés pour évaluer les performances prédictives des deux modèles. Les résultats montrent que le modèle LSTM offre une meilleure précision prédictive (MAE ≈ 1,6 %, R² ≈ 0,95) que le GRU (MAE ≈ 2,2 %, R² ≈ 0,92), bien que ce dernier soit plus rapide à entraîner. Notre comparaison plaide en faveur d’un choix éclairé entre les deux modèles, en tenant compte des contraintes techniques et temporelles de calcul, sans oublier le contexte d’application. L’ajout de variables exogènes, l’intégration de mécanismes d’attention ou encore la conception des modèles hybrides plus complexes sont les principales perspectives futures envisagées.</span></h1> <p><strong><span>Mots-clés : </span></strong><span>Apprentissage profond, Réseaux de neurones récurrents, LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), Indice MASI, Architecture hybride</span></p>