Nouvelle méthode de prédiction d'échec de modèles prédictifs et de détection de changements de régimes dans les séries chronologiques

Abstract

Aujourd'hui, dans le monde de la finance et de l'économie, les décisions sont prises en basant sur les prédictions de certains modèles. Une mauvaise décision due à un échec de modèle prédictif a généralement des conséquences néfastes. Sur le plan financier et économique, on assiste surtout à des pertes énormes. L'échec des modèles prédictifs est souvent une conséquence de changements de régimes dans les marchés financiers. Être en mesure d'anticiper le moment d'échec des modèles prédictifs permettrait de prédire les changements de régime, et par conséquent, pourrait éviter certaines pertes financières. Avec ce prélude établi, il deviendrait plus facile d'anticiper la durée de survie d'un modèle prédictif que de prédire le temps d'échec. Ce mémoire a pour but de proposer une solution d'anticipation sur la durée de survie des modèles prédictifs. Ainsi, nous avons développé un nouveau modèle de survie prédisant la probabilité de survie d'un modèle de prédiction et ceci, en tout moment t. En prédisant les probabilités de survie, notre modèle aide, d'une autre manière, à anticiper les changements de régime dans les marchés financiers. Après sa mise en oeuvre, le nouveau modèle de survie est expérimenté en utilisant six différents modèles déjà entraînés que sont la moyenne mobile intégrée auto-régressive (ARIMA), le modèle de marche aléatoire, le modèle PROPHET, le modèle hétéroscédasticité conditionnelle autorégressive généralisée (GARCH), le modèle TBATS (trigonométrique saisonnier, transformation Box-Cox, résidus ARMA, tendance et saisonnalité) et le modèle de réseau de neurones pour les séries chronologiques (NNTAR). Ce choix est justifié par le fait que la performance de ces modèles dépend généralement des propriétés des séries temporelles servant à leur entraînement. Les résultats obtenus démontrent que le modèle de survie est bien en mesure de prédire la probabilité de survie de ces six modèles et donc permet d'anticiper les changements de régimes dans les séries financières ayant permis à l'entraînement ces six modèles. En effet, les prédictions obtenues avec le modèle de survie sur un ensemble de test, montrent un comportement similaire à celui du vrai processus de survie obtenu. En outre, nous avons ainsi confirmé ce résultat en mesurant certaines métriques comme le score de Brier censuré (CBS), l'erreur moyenne absolue (MAE) adaptée à l'analyse de survie et l'index de concordance (C-index). Toutes les valeurs de ces métriques démontrent une bonne performance du modèle de survie à prédire la durée de survie des six modèles utilisés dans l'expérimentation du modèle de survie.