Ensemble learning for time series forecasting using metaheuristic optimisation

Prédire l'avenir est un instinct humain, mais prédire l'avenir des chiffres est une science notoirement difficile. Dans le monde de la finance, la prévision de séries temporelles est la tentative de deviner quel sera le prix d'une action demain en se basant sur ce qu'elle était hier, la semaine dernière et l'année dernière. Les données sont rarement une ligne droite ; elles sont dentelées, bruitées et en constante mutation, un peu comme essayer de prévoir la météo au milieu d'une tempête. Parce que le marché est si volatil et imprévisible, s'appuyer sur une seule méthode pour faire une prédiction revient souvent à essayer de naviguer avec un navire doté d'un seul compas. Si ce compas est légèrement décalé, c'est tout le voyage qui est compromis. C'est pourquoi les chercheurs se sont tournés vers l'« apprentissage d'ensemble » (ensemble learning), une stratégie où plusieurs modèles de prédiction différents sont construits puis combinés. Au lieu de faire confiance à un seul expert, le système écoute un panel d'experts, espérant que leur sagesse combinée annulera les erreurs individuelles et révélera une voie plus claire.

Le défi, cependant, réside dans la manière de combiner ces experts. Si vous demandez simplement à chaque modèle de deviner et que vous en prenez la moyenne, vous pourriez manquer le fait qu'un modèle est actuellement performant tandis qu'un autre est en difficulté. Le véritable truc consiste à déterminer, à n'importe quel moment donné, quels modèles méritent plus de confiance et lesquels devraient être moins écoutés. C'est le problème spécifique abordé par une équipe de chercheurs de l'Inde qui a développé une nouvelle façon de gérer ces groupes de modèles de prédiction. Ils ont créé deux systèmes distincts, l'un inspiré par la façon dont les oiseaux volent en groupe et l'autre basé sur une approche mathématique de la gestion de l'incertitude, pour décider dynamiquement du poids à accorder à chaque prédiction de modèle. Leur objectif était de construire un système capable de s'adapter en temps réel, en déplaçant son attention vers les prédicteurs les plus fiables à mesure que les conditions du marché changeaient.

Pour tester leurs idées, les chercheurs se sont tournés vers le marché boursier indien, un écosystème financier vaste et complexe qui a connu des changements spectaculaires au cours des quinze dernières années, incluant des réformes économiques majeures et une pandémie mondiale. Ils ont recueilli des données historiques pour sept entités différentes : deux indices de marché majeurs qui suivent la santé globale de l'économie, et cinq des plus grandes entreprises cotées à la bourse. Ils ne se sont pas appuyés sur un seul type de moteur de prédiction. Au lieu de cela, ils ont construit un « panel » de trois modèles d'intelligence artificielle différents, chacun ayant ses propres forces. Un modèle était conçu pour trouver des motifs dans les données statiques, un autre a été construit pour se souvenir des tendances à long terme au fil du temps, et un troisième est une version simplifiée de ce modèle basé sur la mémoire, conçue pour être plus rapide. Ces trois modèles ont été entraînés sur les quinze dernières années de données pour apprendre à prédire le cours de clôture du lendemain.

Une fois ces trois modèles prêts, les chercheurs ont appliqué leurs deux nouveaux systèmes de gestion pour combiner leurs prédictions. Le premier système, qu'ils ont appelé Ensemble PSO, fonctionne en simulant un essaim de particules à la recherche de la meilleure solution. Imaginez un groupe d'oiseaux volant ensemble ; chaque oiseau connaît sa propre meilleure position et la meilleure position trouvée par l'ensemble de la troupe. Ils ajustent constamment leur trajectoire de vol pour se diriger vers le meilleur endroit. Dans ce système informatique, les « oiseaux » sont différentes combinaisons de poids attribués aux trois modèles. Le système exécute des milliers de simulations, ajustant constamment le mélange jusqu'à trouver l'équilibre parfait qui minimise l'erreur entre le prix prédit et le prix réel. Le second système, Ensemble ARO, adopte une approche différente. Il traite l'incertitude du marché comme une variable à gérer mathématiquement, trouvant un ensemble de poids qui reste robuste même si le marché se comporte de manière inattendue. Il demande essentiellement : « Quelle est la façon la plus sûre de combiner ces prédictions pour ne pas être pris au dépourvu ? »

Les chercheurs ont comparé ces deux nouveaux systèmes aux modèles individuels, à une moyenne simple des trois, et à d'autres méthodes de prévision avancées utilisées par le passé. Pour établir une comparaison équitable entre les sept ensembles de données différents, ils ont développé une nouvelle façon de noter les résultats. Au lieu de regarder un seul chiffre, comme l'écart moyen de la prédiction, ils ont examiné quatre mesures de précision différentes et les ont combinées en un score unique et complet. Cela leur a permis de classer les modèles non pas sur un seul ensemble de données, mais sur l'ensemble des sept actions et indices.

Les résultats étaient clairs et cohérents. Le système utilisant l'optimisation basée sur l'essaim, Ensemble PSO, a systématiquement surpassé toutes les autres méthodes, y compris les modèles individuels et les autres techniques d'ensemble. Il s'est avéré être le prédicteur le plus fiable à travers les différentes conditions de marché et les périodes testées. Le deuxième meilleur performeur était le système utilisant l'approche d'optimisation robuste, Ensemble ARO, qui a également nettement surpassé les modèles standards. L'étude a révélé que, bien que les modèles individuels comme les réseaux à mémoire de long terme soient bons dans leurs tâches spécifiques, ils peinent souvent lorsque le marché devient trop volatil ou imprévisible. En ajustant dynamiquement les poids, les nouveaux systèmes d'ensemble ont pu s'appuyer sur le modèle qui performait le mieux à ce moment précis, lissant efficacement les erreurs et fournissant une prévision plus précise.

Les chercheurs ont conclu que leur approche offre un outil puissant pour la prévision financière. En utilisant l'optimisation métaheuristique pour gérer les poids de différents modèles, ils ont créé un système qui est plus adaptable et plus précis que le fait de compter sur un algorithme unique ou une moyenne simple. Les conclusions suggèrent que, dans un monde de données bruitées et changeantes, la meilleure façon de prédire l'avenir n'est pas de trouver le modèle parfait unique, mais de construire une équipe de modèles flexible qui peut être guidée par un système intelligent pour travailler ensemble. Ce travail constitue une étape concrète dans la manière dont nous pourrions utiliser l'intelligence artificielle pour naviguer dans les complexités du marché boursier, offrant une méthode qui est à la fois évolutive et assez robuste pour gérer l'imprévisibilité réelle des données financières.