15 articles
Cette étude propose une méthode d'apprentissage par ensemble basée sur la régression par processus gaussiens pour prédire les rendements boursiers, démontrant une supériorité statistique et économique par rapport aux modèles existants tout en permettant la construction de portefeuilles optimaux tenant compte de l'incertitude des prédictions.
Cet article propose l'application de l'analyse de fusion combinatoire (CFA) pour améliorer la prédiction des prix du Bitcoin en agrégeant divers modèles d'apprentissage automatique, obtenant ainsi une performance supérieure avec une erreur moyenne absolue en pourcentage (MAPE) de 0,19 %.
Cette étude démontre que l'analyse de sentiment des actualités par des LLMs, en particulier DeBERTa et un modèle d'ensemble combinant DeBERTa, RoBERTa et FinBERT, améliore la prédiction des mouvements boursiers, atteignant jusqu'à 80 % de précision tout en bénéficiant légèrement à divers modèles de classification et de régression.
Cet article propose un modèle de Markov caché hybride combinant des états discrets définis par des quantiles de Laplace et un mécanisme de sauts de Poisson pour générer des séries temporelles financières synthétiques qui reproduisent simultanément avec une grande fidélité les distributions à queues lourdes, la structure temporelle et les effets de grappes de volatilité, surpassant ainsi les modèles GARCH et HMM standards sur l'ensemble des métriques de qualité.
Cet article propose un nouveau cadre ARCH au niveau opérateur pour les données dans des espaces de Hilbert séparables, permettant de modéliser l'évolution complète de l'opérateur de covariance conditionnelle, et établit les propriétés théoriques de stationnarité ainsi que des estimateurs consistants pour ce modèle.
Cet article propose un cadre intégré combinant une architecture de transformateur de nœuds et une analyse de sentiments basée sur BERT pour prédire les cours boursiers, démontrant une précision supérieure aux modèles traditionnels grâce à la modélisation des dépendances inter-actions et à l'incorporation de données textuelles.
Cette étude démontre que l'intégration de signaux de sentiment multidimensionnels extraits par des modèles de langage (LLM) et des modèles financiers traditionnels améliore la prédiction des rendements hebdomadaires des contrats à terme sur le pétrole brut WTI, en mettant en évidence l'importance cruciale de l'intensité et de l'incertitude au-delà de la simple polarité.
Cette étude applique l'analyse de l'entropie informationnelle aux marchés mondiaux durant les 100 premiers jours du second mandat de Donald Trump pour démontrer que cette métrique, distincte de la volatilité classique, permet de détecter efficacement les chocs politiques concentrés et de mieux caractériser les dynamiques de marché turbulentes.
Cet article propose une méthode pour mesurer la « température » dans les systèmes d'agents au-delà des marchés financiers, en établissant une équation de mesure pour un système à deux options de décision dans un environnement d'information, et en illustrant son application pour influencer l'opinion moyenne au sein de sous-systèmes concurrents.
Cet article propose une distribution t-skew modifiée de Jones-Faddy pour modéliser l'asymétrie des rendements boursiers, en attribuant leur skewness négative et leur moyenne positive à une rupture de symétrie dans la volatilité stochastique des gains et des pertes, une hypothèse validée par l'analyse des rendements quotidiens du S&P500.
L'article présente EDINET-Bench, un nouveau benchmark open-source en japonais évaluant les capacités des grands modèles de langage sur des tâches financières complexes issues de rapports annuels, révélant leurs limites actuelles et soulignant la nécessité de cadres d'évaluation plus riches intégrant des simulations réalistes et un soutien au raisonnement.
Cet article présente la prévision hiérarchique temporelle (THieF) comme une méthode efficace pour améliorer la précision des prévisions de prix de l'électricité à un jour d'échéance sur les marchés allemand et espagnol, en réconciliant les prévisions horaires avec celles des blocs de 2 à 24 heures, ce qui permet d'obtenir des gains de précision allant jusqu'à 13 % avec un coût computationnel négligeable.
Cet article propose une méthode robuste basée sur l'estimateur de divergence de densité minimale de puissance (MDPDE) pour détecter et discriminer asymptotiquement les composantes de sauts et de diffusion dans les modèles stochastiques CIR et CKLS observés à haute fréquence, en exploitant la séparation d'échelle des incréments pour établir un seuil de détection valide et une consistance de classification.
Cet article propose un cadre pratique pour l'analyse des valeurs extrêmes dans des systèmes multivariés, finis et corrélés, en appliquant une méthode de seuil aux rendements boursiers haute fréquence transformés dans la base des vecteurs propres de la matrice de corrélation afin de séparer les effets collectifs des caractéristiques idiosyncrasiques tout en tenant compte de la non-stationnarité.
Cet article propose une stratégie d'optimisation de portefeuille de cryptomonnaies dynamique intégrant des indicateurs techniques et une analyse de sentiment pour améliorer les rendements ajustés au risque par rapport aux approches traditionnelles, tout en soulignant la nécessité de renforcer la gestion des risques face aux fortes baisses du marché.