Abstract:
Anticiper l'évolution des prix des contrats à terme du blé est une tâche essentielle
pour sécuriser les marchés agricoles, orienter les décisions économiques et assurer
une certaine stabilité alimentaire. Dans ce travail, nous avons exploré l'utilisation de
modèles de deep learning, notamment les réseaux de neurones récurrents (RNN),
LSTM et GRU, pour prédire ces prix à partir de données historiques et de variables
exogènes. Afin d'optimiser la qualité des prévisions, nous avons également intégré
le modèle GARCH, permettant de mieux modéliser la volatilité. L'approche adoptée
repose sur l'analyse de séries temporelles enrichies par des indicateurs économiques
globaux, des indices alimentaires et des données météorologiques. Les résultats obtenus montrent que le modèle LSTM-GARCH se distingue par sa performance, offrant
des prédictions plus précises que les autres configurations testées. Ce mémoire met
ainsi en évidence l'intérêt d'une approche hybride combinant traitement de la volatilité
et réseaux neuronaux pour la prédiction de données agricoles complexes
