Abstract:
Prédire avec précision les prix du pétrole est essentiel pour anticiper les fluctuations du marché, informer les stratégies d'investissement et garantir la stabilité économique mondiale. Plusieurs études ont été menées pour prévoir les prix du pétrole brut. Dans la plupart des cas où les facteurs influençant les prix du pétrole ont été pris en considération, les réseaux de neurones récurrents (RNN) et leurs variantes comme les mémoires à long terme et court terme (LSTM) ainsi que les unités récurrentes à portes (GRU) se sont révélés efficaces pour capturer les relations non linéaires entre ces facteurs. Cependant, ces modèles nécessitent encore des améliorations et des renforcements. Dans ce mémoire, nous proposons une approche basée sur des méthodes non linéaires de réduction de la dimensionnalité et de machine learning. Nous utilisons deux méthodes de réduction de la dimensionnalité non linéaire : l'Analyse en Composantes Principales à Noyau (KPCA) et l'Approximation Uniforme et Projection de Manifold (UMAP). Ensuite, nous construisons six modèles basés sur les RNN, LSTM et GRU. Nos modèles visent à prédire avec précision les prix au comptant et à terme du pétrole brut.
Après une étude comparative des résultats de prévision, nous avons constaté que les méthodes KPCA et UMAP renforcent et améliorent significativement les performances des modèles RNN, LSTM et GRU. Les modèles combinés avec KPCA surpassent généralement ceux combinés avec UMAP. Il est à noter que nos modèles présentent une meilleure robustesse en termes d'exactitude par rapport aux approches existantes utilisant le même jeu de données.
