Prédire avec précision les rendements des indices boursiers demeure une tâche critique mais complexe en raison de la volatilité inhérente des marchés financiers et des dépendances temporelles complexes au sein des séries temporelles financières. Cette étude présente un cadre d'apprentissage automatique robuste pour prévoir les rendements relatifs des principaux indices boursiers mondiaux, y compris l'indice Standard & Poor’s 500 (S&P 500), l'indice Financial Times Stock Exchange 100 (FTSE 100), le Nikkei 225, le Deutscher Aktienindex 30 (DAX 30), et la Cotation Assistée en Continu 40 (CAC 40). Le cadre utilise des modèles d'apprentissage profond avancés, y compris les réseaux à mémoire à long et court terme (LSTM), les réseaux à double couche LSTM (DL-LSTM), et les architectures Transformer avec attention multi-tête, entraînés sur des indicateurs techniques et fondamentaux. Les indicateurs techniques incluent la Moyenne Mobile Exponentielle, l'Indice de Force Relative, la Convergence/Divergence des Moyennes Mobiles, et les Bandes de Bollinger. En revanche, les indicateurs fondamentaux comprennent le Bénéfice par Action, le ratio Cours/Bénéfice, la Marge Bénéficiaire Nette, le Retour sur Actifs, et le Rendement des Dividendes. Les résultats expérimentaux montrent que le modèle DL-LSTM surpasse constamment les méthodes de base, en particulier sur l'indice S&P 500, atteignant jusqu'à 78 % de précision, 81 % de précision positive, 76 % de rappel, un score F1 de 80 %, et un score de Brier de 0.46. Ces résultats soulignent le potentiel de la combinaison de techniques d'apprentissage automatique avancées avec un ensemble complet d'indicateurs de marché pour améliorer les prévisions financières et soutenir la prise de décision d'investissement basée sur les données. • Prévoir les rendements des indices boursiers mondiaux en utilisant l'apprentissage profond et des indicateurs de marché structurés. • Combiner les signaux techniques et fondamentaux pour soutenir des stratégies d'investissement éclairées. • Valider la précision des prévisions avec des repères macroéconomiques et des indicateurs de performance. • Appliquer des méthodes de fenêtre glissante et de recherche par grille pour optimiser l'entraînement des modèles de séries temporelles. • Démontrer un pouvoir prédictif amélioré dans les principaux indices mondiaux en utilisant des outils d'apprentissage profond.
Hu et al. (Mon,) ont étudié cette question.