Analyse des séries temporelles économiques : approches issues des modèles économétriques et de l’apprentissage automatique

L'explosion des données et la volatilité des marchés contraignent les modèles de prévision économique et financière à évoluer radicalement. Le séminaire « Analyse des séries temporelles économiques » illustre la tendance à combiner l'économétrie traditionnelle aux techniques d'apprentissage automatique, ouvrant ainsi la voie à des prévisions plus flexibles et précises.

Dans le contexte du big data, de l'évolution rapide des marchés et de la complexité croissante des relations économiques , les exigences imposées aux outils de prévision économique et financière évoluent considérablement.

Cela a été clairement démontré lors du séminaire scientifique « Analyse des séries temporelles économiques : approches issues des modèles économétriques et de l'apprentissage automatique », organisé par l'Académie des finances et le Centre international de recherche et de formation en mathématiques, avec des présentations du Dr Cu Thu Thuy et de Hoang Huu Son (MSc).

La discussion a non seulement fourni un aperçu complet des modèles de séries temporelles traditionnels, mais, plus important encore, a mis en lumière une nouvelle avancée : la mise à niveau des modèles économétriques grâce aux techniques modernes d’apprentissage automatique.

La partie introductive du séminaire systématise les caractéristiques des séries temporelles telles que la tendance, la saisonnalité, les cycles, la stationnarité, le bruit et les modèles classiques tels que ARIMA, SARIMA, ARDL, ECM, VAR/VECM ou GARCH...

Hoang Huu Son, titulaire d'une maîtrise, a présenté une communication lors du séminaire sur les modèles d'apprentissage automatique dans l'analyse des séries temporelles.

Ces outils constituent depuis des décennies le fondement de la recherche économétrique, avec des avantages distincts : un bon pouvoir d’interprétation, un cadre théorique standardisé, un faible coût de calcul et une adéquation aux données à petite échelle.

Aujourd'hui, les marchés financiers fonctionnent selon des structures diverses, caractérisées par une forte incertitude, de nombreux chocs et des interdépendances à long terme. Le nombre de variables et de sources de données croît rapidement, des données haute fréquence aux données non structurées. Dans un tel contexte, les hypothèses traditionnelles (stationnarité, normalité, linéarité, etc.) sont souvent obsolètes, ce qui limite la précision des modèles classiques. L'apprentissage automatique constitue une approche moderne et pertinente.

Ce séminaire présente donc les notions fondamentales d'apprentissage automatique et son rôle, les réseaux de neurones et l'apprentissage profond appliqués à l'analyse des séries temporelles, notamment les réseaux MLP, RNN, LSTM, Bi-LSTM et LSTM empilés. Contrairement aux modèles linéaires classiques, l'apprentissage automatique a permis de dépasser les limites des modèles économétriques traditionnels et rend possible la modélisation des relations non linéaires, la mémorisation des dépendances à long terme et l'apprentissage automatique de motifs dans les séries de données.

Le Dr Cu Thu Thuy a pris la parole lors du séminaire sur l'économétrie et l'apprentissage automatique.

La présentation de prévisions de prix expérimentales pour le Bitcoin et le VN-Index, réalisées à l'aide de différents modèles, a démontré que les modèles LSTM produisent de faibles erreurs RMSE, MAE et MAPE, même avec des données fortement bruitées. De plus, ces modèles reflètent fidèlement la nature économique des données prédites, ce qui prouve les avantages indéniables de l'apprentissage automatique et de l'apprentissage profond dans les prévisions économiques et financières.

Un point essentiel souligné lors du séminaire était que l'économétrie et l'apprentissage automatique ne s'opposent pas, mais se complètent et s'enrichissent mutuellement. L'économétrie fournit un cadre théorique, des structures de cause à effet et des outils d'interprétation des politiques publiques. L'apprentissage automatique, quant à lui, offre une puissance de calcul considérable, la modélisation non linéaire, la capacité de traiter de grands ensembles de données et une robustesse face au bruit.

Cette combinaison a donné naissance à une nouvelle génération de modèles – du VAR-LSTM, en passant par l'espace d'état hybride et l'apprentissage profond, jusqu'à la transformation des séries temporelles – qui deviennent une tendance de recherche internationale.

Par ailleurs, les présentations et les discussions du séminaire ont également confirmé l'importance d'investir dans les infrastructures et les données pour l'apprentissage automatique et l'apprentissage profond.

Car les infrastructures de recherche ont un impact direct sur l'architecture, l'efficacité de calcul du modèle dans la résolution de problèmes concrets, ainsi que sur la réalisation de publications internationales de haute qualité.

Le séminaire a confirmé l'évolution de la pensée en matière de recherche, passant d'une approche fondée uniquement sur des modèles linéaires à une approche exploitant les modèles d'apprentissage profond ; des petits ensembles de données aux grands ensembles de données ; et de l'analyse descriptive à la prédiction très précise.

Il s'agit d'une orientation importante pour les domaines de l'économie mathématique, de la finance et de la banque, de l'analyse des données et de la science des données à l'Académie de la finance.

Source : https://daibieunhandan.vn/phan-tich-chuoi-thoi-gian-kinh-te-tiep-can-tu-mo-hinh-kinh-te-luong-va-hoc-may-10399890.html