Evaluation comparative des modèles de prédiction de la volatilité dans différents secteurs économiques.

Abstract

Dans 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.