L'impact de l'intelligence artificielle dans la gestion de portefeuilles

Ce mémoire examine, dans un premier temps, les techniques de Machine Learning utilisées dans la finance pour prédire les cours de bourse. En effet, la prédiction de l’évolution des marchés boursiers est considérée comme une tâche difficile pour les gestionnaires de portefeuille. Dans ce document, je présenterai donc les applications récentes des modèles de prévisions boursières ainsi que leurs résultats. Grâce à cette revue de la littérature, j’ai pu constater qu’il existe de nombreux algorithmes de Machine Learning mais ceux qui reviennent le plus sont les réseaux de neurones (ANN), les machines à vecteurs de support (SVM) et l’arbre de décision (DT). De plus, il existe 3 types d’analyse pour prédire les cours : l’analyse technique, l’analyse fondamentale et l’analyse de sentiment. Suite à mes recherches, c’est l’analyse technique et la combinaison de l’analyse technique et fondamentale qui permettent d’obtenir de meilleurs résultats en termes de prédiction. C’est pourquoi, dans la dernière partie de ce mémoire, j’ai mis en œuvre et analysé l’efficacité de différents algorithmes Machine Learning tels que le Logistique Régression, le réseau de neurones, la machine à vecteurs de support, k-Nearest Neighbors, etc… sur base d’une analyse technique pour prévoir la tendance du prix du lendemain. Chaque modèle est entrainé sur base des données prix de l’indice Bel20 et s’étend sur une période de 5 ans allant de 2012 à 2017. J’utilise 6 variables indépendantes pour entrainer mes modèles. Les résultats de mon analyse permettent de remettre en cause, d’une part, l’hypothèse d’efficience des marchés pour les algorithmes Machine Learning suivants : Arbre de décision (DT), Machines à vecteur de support (SVM), Réseau de neurones (ANN), Foret aléatoire (RF), Régression logistique (LR) et K-Nearest Neighbors (kNN). En effet, tous ces algorithmes ont réussi à prédire le mouvement de prix de l’indice Bel20 avec un taux supérieur à 50%. D’après mon modèle, seul l’algorithme Naive Bayes (NB) n’a pu atteindre ce taux de précision. D’autre part, les résultats basés sur la performance des stratégies permettent d’affirmer que la stratégie basée sur les prédictions des algorithmes : DT, ANN, RF, LR, KNN a surperformé la stratégie de Buy and Hold. Tandis que les algorithmes SVM et NB ont obtenu un ratio de Sharpe négatif