Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

See discussions, stats, and author profiles for this publication at: https://ww

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/242520327 A propos de l'Utilisation de l'Intelligence Artiﬁcielle en Finance : Aperçu de quelques techniques Article CITATIONS 0 READS 1,267 1 author: Some of the authors of this publication are also working on these related projects: Economie publique View project Investment View project Redha Tir Ecole Nationale supérieure de Management 22 PUBLICATIONS 1 CITATION SEE PROFILE All content following this page was uploaded by Redha Tir on 13 January 2016. The user has requested enhancement of the downloaded file. A propos de l’Utilisation de l’Intelligence Artificielle en Finance : Aperçu de quelques techniques * Rédha TIR E-mail : Redha_tir@yahoo.com Résume : L’information économique est devenue une ressource importante pour le l’amélioration de la prise de décision tant dans le secteur privé que dans le secteur public. En parcourant la littérature, cette étude présente un ensemble de techniques modernes issues notamment du domaine de l’intelligence artificielle, ainsi que leur importance dans le processus de collecte et d’analyse des données économiques. Parmi ces méthodes, on peut citer le réseau neuronal, la logique floue (Fuzzy Logic) et les algorithmes génétiques. L’utilité de ces techniques sera mise en exergue à travers un certain nombre d’exemples (taux de change, indices boursiers, etc.). Ainsi, des limites et des pistes de recherche seront discutées. Mots clés : Réseaux de neurones, algorithme génétique, logique floue, prévision, optimisation, classification. 2 INTRODUCTION Depuis le début des années 1990, les outils intelligents empruntés à la biologie et à la physique appliquée font leur entrée dans les sciences économiques et de gestion. Le but visé par les chercheurs et praticiens était de rationaliser le processus décisionnel chez les décideurs. En 1983, Herbert Simon affirmait que :« dans la société post-industrielle, le problème central n’est plus de savoir comment organiser efficacement la production, mais de savoir comment s’organiser pour prendre des décisions, c’est- dire traiter l’information ».Or, les outils intelligents contribuent largement au traitement adéquat des décisions dites « non structurées ». Cette contribution se manifeste par la diminution du degré d’incertitude, par une une meilleure évaluation du risque ou encore par un traitement judicieux de la complexité des phénomènes observés. En premier lieu, les réseaux de neurones se basent sur l’apprentissage, c’est-à-dire que ces systèmes apprennent par eux- mêmes les relations entre les différentes variables, à partir d’un échantillon de données, en simulant le raisonnement humain. En deuxième lieu, la logique floue est utilisée pour traiter l’incertitude, l’imprécision des données et leur incomplétude. En dernier lieu, les algorithmes génétiques sont destinés à la recherche et à l’optimisation. Plusieurs approches combinent ces trois techniques afin d’aboutir à des meilleurs résultats. Nous présenterons dans une première section les réseaux neuronaux, une brève description de la logique floue et de la théorie des ensembles flous, et enfin, de manière succincte, les algorithmes génétiques et leurs applications. La deuxième section se consacrera aux apports de l’intelligence artificielle et à sa contribution à l’amélioration de la prise de décision en finance et en économie en général. SECTION I – L’arrivée des outils intelligents Sous Section I : Réseaux de neurones : présentation et évaluation Les réseaux neuronaux revêtent une importance cruciale dans plusieurs domaines. La finance n’échappe pas à l’emploi de ce type de méthodes ou techniques modernes. Il s’agit d’un outil issu de l’intelligence artificielle, habituellement utilisé en sciences appliquées (biologie, physique, etc.) et qui a fait son entrée en finance. Le réseau de neurones est utilisé à des fins de prévision, de classification et de reconnaissance de forme en général. Selon (Paquet, 1997), il existe deux raisons essentielles qui poussent les chercheurs à s’intéresser à cet outil. Primo, contrairement aux techniques statistiques classiques, le réseau neuronal ne nécessite aucune hypothèse sur les variables. Secondo, il représente un instrument adapté pour traiter des problèmes complexes et non structurés, d’où l’impossibilité de spécifier, à priori, la forme de la relation entre les variables étudiées. En finance, le réseau de neurones peut être utilisé pour différentes questions. On pourrait citer : la ditection des entreprises en difficulté, la gestion de portefeuille (Paquet, 1997), la prévision des séries financières, du taux de change, l’évaluation d’actifs (Bolgot & Meyfredi, 1999) et le choix de stratégies ( Montagnon, Sexton & Smith, 2002). I-1. Architecture du réseau multi-couches Le réseau à couches est le plus utilisé en finance. Il est organisé, comme son nom l’indique, en couches. Chaque couche comporte plusieurs neurones. Chaque neurone représente une unité de calcul autonome reliée aux neurones de la ou les couches précédentes. 3 Figure 1 : Architecture d’un réseau multi-couches. Le réseau représenté (figure 1) comporte trois couches. La couche d’entrée (Inputs), une couche de sortie comportant un seul neurone et donnant le résultat de tous les calculs internes. Il existe entre ces deux couches une couche non visible de l’extérieur (hidden)appelée couche « cachée », qui est, en fait, une boite ou engin noir. Là où tous les calculs intermédiaires et transformations s’effectuent. Quant au fonctionnement du réseau, l’algorithme d’apprentissage aura pour tâche d’évaluer des poids dits synaptiques, qui relient les neurones entre eux. Chaque neurone reçoit les informations fournies par les neurones de la couche précédente. Il calcule, ensuite, son potentiel d’activation. Une fonction d’activation sert à déterminer l’impulsion à envoyer aux neurones de la couche qui suit afin de calculer le potentiel de sortie (outputs). I-2. Apprentissage du réseau neuronal Afin que le réseau puisse découvrir la forme de la relation entre les variables, il suit, en général, deux types d’apprentissage. Le premier, dit supervisé consiste en l’existence d’un échantillon sur lequel le réseau apprend (s’entraîne) à reconnaître les formes. L’apprentissage non supervisé, qui est le second type, est utilisé lorsque on n’est en mesure de présenter au système un échantillon mettant en regard une quantité d’information, et la forme qu’elle est censée représenter (Paquet, 1997). Par voie de conséquence, le réseau s’auto organise, comme c’est le cas pour l’algorithme de Kohonen, en vue d’être capable de découvrir la forme à partir des données fournies et sans aide extérieure. Les données disponibles doivent être réparties en trois sous-ensembles (apprentissage, validation et test) à raison de 60%, 30% et 10% respectivement. A partir de l’échantillon d’apprentissage, le réseau de neurones se paramètre. Autrement dit, l’algorithme d’apprentissage ajuste les poids synaptiques tout en minimisant une fonction de coût. Cette dernière n’est, en fait, que la somme des carrés des erreurs produits par le réseau eu égard le résultat souhaité. La rétro propagation des erreurs se fait continuellement jusqu’à ce que la fonction de coût soit minimisée, ou jusqu’à ce que le concepteur intervienne pour y mettre fin . Pour éviter le overfitting, une procédure d’ early stopping devrait être exécutée. Elle consiste en l’introduction de l’échantillon de validation. Le point où cet échantillon réalise le minimum d’erreur reflète la meilleure performance. 4 I-3. L’évaluation du réseau neuronal L’échantillon d’apprentissage servira au paramétrage. Le deuxième servira à la validation (arrêter l’apprentissage quand le niveau d’erreur soit le plus bas possible). Autrement dit, l’objectif de celui-ci est d’arrêter le processus d’apprentissage lorsqu’il semble donner un résultat satisfaisant en minimisation de la fonction d’erreur. Le troisième, sera réservé pour évaluer les capacités du réseau à se généraliser et à simuler les outputs relatifs à un autre ensemble de données. Enfin, il est à signaler que le réseau neuronal est privilégié pour traiter des non linéarités, et de la complexité en travaillant sur des données caractérisées par l’incomplétude et l’imprécision. De même, les réseaux de neurones permettent le traitement des variables qualitatives à travers des neurones recevant des valeurs binaires comme c’est le cas pour la segmentation et la classification en sciences comportementales (Collins & Clark, 1993). Sous section II : La logique floue La logique floue constitue l’une des meilleures techniques de modélisation des différents phénomènes. Elle a mis en exergue le fossé qui sépare les représentations mentales de la réalité et les modèles mathématiques connus à base de variables booléennes (vrai / faux). II- 1. La théorie des ensembles flous : Les travaux de L. Zadeh et ses associés se basent sur le constat suivant : « Très souvent, les classes d’objets rencontrés dans le monde physique ne possèdent pas de critères d’appartenance bien définis » (cité par NGUYEN PHUNG, 2001). Ainsi, ce penseur a suggéré qu’au lieu de chercher à tout prix un seuil unique S décidant l’appartenance à un ensemble dans un contexte donné, il semble plus réaliste de considérer deux seuils S1, S2, avec une fonction d’appartenance donnant à chaque individu un degré d’appartenance (compris entre 0 et 1) selon lequel l’individu en question appartient à une classe donnée. En deçà de S1, l’individu appartient complètement à une classe (quand le degré d’appartenance est maximal et égal à 1) ; au delà de S2, il n’appartient plus du tout à cette classe (par convention, le degré d’appartenance est égal à 0). Entre S1 et S2, les degrés d’appartenance seront intermédiaires (entre 0 et 1). La logique floue part essentiellement de la notion de variable linguistique. Ce type de variables sert à modéliser des uploads/Ingenierie_Lourd/ lutilisation-de-lintelligence-artifi.pdf