Please use this identifier to cite or link to this item: http://univ-bejaia.dz/dspace/123456789/25289
Full metadata record
DC FieldValueLanguage
dc.contributor.authorDjerroud, Nouara-
dc.contributor.authorTouche, Nassim ; promoteur-
dc.date.accessioned2024-12-24T09:25:15Z-
dc.date.available2024-12-24T09:25:15Z-
dc.date.issued2024-
dc.identifier.other003MAS/398-
dc.identifier.urihttp://univ-bejaia.dz/dspace/123456789/25289-
dc.descriptionOption : Mathématiques Financièresen_US
dc.description.abstractDans ce mémoire, nous abordons la problématique cruciale de la prédiction de la volatilité des marchés financiers, essentielle pour les investisseurs et les gestionnaires de risques. Nous comparons la performance des modèles traditionnels tels que GARCH, avec des modèles d'apprentissage automatique modernes, notamment le réseau de neurones artificiels (ANN), XGBoost, LightGBM et CatBoost. Notre travail repose sur l'analyse de données provenant de cinq secteurs industriels distincts, et nous évaluons l'efficacité de chaque modèle en utilisant des métriques fiables telles que MAE, MSE et RMSE. En identifiant le modèle le plus précis pour chaque secteur, nous proposons des recommandations concrètes pour améliorer la gestion des risques financiers et optimiser les stratégies d'investissement. Notre étude met en lumière l'importance des approches innovantes pour prédire les fluctuations du marché et offrir des outils fiables aux décideurs financiers.en_US
dc.language.isofren_US
dc.publisherUniversité Abderramane Mira-Bejaiaen_US
dc.subjectVolatilité : Marchés financiers : Prédiction, Modèles GARCH : Apprentissage automatiqueen_US
dc.titleEvaluation comparative des modèles de prédiction de la volatilité dans différents secteurs économiques.en_US
dc.typeThesisen_US
Appears in Collections:Mémoires de Master

Files in This Item:
File Description SizeFormat 
mémoire2.pdf6.48 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.