Fitness Function Selection in PSO-VMD Decomposition: Implications for LSTM-Based Oil Price Forecasting

Prédire le prix du pétrole brut est l'une des tâches les plus difficiles de l'économie moderne. Le marché ne se déplace pas en lignes droites ou selon des modèles prévisibles ; il se comporte plutôt comme une tempête chaotique, pilotée par un mélange de données économiques, d'événements politiques et de changements soudains de l'offre et de la demande. Parce que le prix fluctue de manière si sauvage et imprévisible, les outils mathématiques traditionnels échouent souvent à capturer sa véritable nature. Pour donner un sens à ce chaos, les chercheurs se sont tournés vers une stratégie appelée décomposition. Imaginez essayer de comprendre une chanson complexe en écoutant l'orchestre entier en même temps ; il est presque impossible d'en entendre la mélodie. Cependant, si vous pouviez séparer les instruments pour pouvoir écouter individuellement les cordes, puis les cuivres, et enfin les percussions, la structure de la musique deviendrait claire. Dans le monde des données, cela signifie décomposer un flux unique et désordonné de chiffres en morceaux plus petits et plus simples, plus faciles à étudier. Une fois que ces morceaux sont compris, ils peuvent être réassemblés pour créer une image beaucoup plus claire de ce qui pourrait arriver ensuite.

Une étude récente du chercheur Abdelkader Aouar s'attaque à un problème spécifique au sein de cette stratégie de décomposition. La recherche se concentre sur une méthode appelée Décomposition de Mode Variationnelle, ou VMD (Variational Mode Decomposition), qui est une façon sophistiquée de diviser les données de séries temporelles en ces morceaux plus simples. Bien que la VMD soit puissante, elle nécessite que deux réglages critiques soient ajustés correctement avant de pouvoir fonctionner : le nombre de morceaux en lesquels les données doivent être découpées, et un facteur qui contrôle la rigueur avec laquelle les morceaux sont séparés. Si ces réglages sont erronés, les données pourraient être découpées en trop peu de morceaux, laissant des détails importants cachés, ou en trop de morceaux, créant un bruit inutile. Par le passé, les scientifiques ont utilisé des algorithmes informatiques pour trouver automatiquement les meilleurs réglages, mais ils se sont appuyés sur une règle spécifique pour juger ce que "meilleur" signifiait. Cette règle, connue sous le nom d'entropie d'enveloppe, a été conçue à l'origine pour détecter des défauts dans des pièces mécaniques, comme un roulement défectueux dans un moteur. Elle fonctionne en recherchant des pics brusques et soudains dans un signal. Parce que cette règle fonctionnait bien pour les machines, de nombreux chercheurs ont supposé qu'elle fonctionnerait également bien pour le prix du pétrole. L'étude d'Aouar remet en question cette supposition en posant une question simple : une règle conçue pour des engrenages cassés aide-t-elle réellement à prédire le prix du pétrole ?

Pour répondre à cela, le chercheur a construit un système de prévision hybride qui combine trois outils distincts. Premièrement, le système utilise un algorithme d'optimisation appelé Optimisation par Essaim de Particules (Particle Swarm Optimization), qui imite la façon dont une nuée d'oiseaux cherche de la nourriture, pour tester automatiquement des milliers de réglages différents pour l'outil VMD. Deuxièmement, il utilise la méthode VMD pour décomposer les prix quotidiens du pétrole en leurs composants. Troisièmement, il injecte ces parties dans un type d'intelligence artificielle appelée Réseau de Mémoire à Long et Court Terme, ou LSTM (Long Short-Term Memory), qui est excellent pour mémoriser des modèles au fil du temps. La partie cruciale de l'expérience n'était pas les outils eux-mêmes, mais la règle utilisée pour dire à l'ordinateur quels réglages étaient les meilleurs. L'étude a testé quatre règles différentes : trois qui mesurent la complexité ou l'irrégularité des données (appelées entropie de l'échantillon, entropie de permutation et entropie d'enveloppe) et une qui mesure simplement la quantité d'information perdue lorsque les données sont décomposées puis réassemblées (appelée erreur de reconstruction).

Les résultats de l'expérience ont été frappants et ont renversé l'habitude prédominante d'utiliser la règle de défaillance mécanique. Lorsque les chercheurs ont utilisé la règle de l'entropie d'enveloppe, qui était le choix standard dans de nombreuses études précédentes, le modèle a mal performé, produisant un coefficient de détermination (R²) de -0,3519. Cette valeur négative indique que les prédictions du modèle étaient moins précises que l'utilisation simple de la moyenne des prix comme référence, une sous-performance significative par rapport aux autres méthodes. Les deux autres règles basées sur la complexité ont mieux performé, mais n'ont tout de même pas atteint l'objectif. Le grand gagnant fut la règle de l'erreur de reconstruction. Cette règle, qui se concentre sur la préservation de l'information originale plutôt que sur la tentative de rendre le signal "propre" ou "parcimonieux", a permis au modèle d'atteindre un niveau de précision bien supérieur aux autres. Le modèle de prédiction final utilisant cette règle a été capable de prévoir les prix du pétrole avec un taux d'erreur de seulement 1,37 %, un chiffre remarquablement proche des valeurs réelles. En revanche, les modèles utilisant les autres règles présentaient des taux d'erreur plusieurs fois plus élevés.

L'étude a également révélé pourquoi la règle gagnante a si bien fonctionné. Lorsque l'ordinateur a reçu l'ordre de minimiser la perte d'information, il a choisi de décomposer les données du prix du pétrole en neuf morceaux distincts. Cela a permis au système de capturer simultanément les tendances à long terme, les cycles à moyen terme et les pics à court terme. En revanche, les règles basées sur la complexité ont ordonné à l'ordinateur de décomposer les données en seulement deux morceaux, ce qui était trop simple pour capturer toute l'histoire du marché. De plus, la règle gagnante a sélectionné un réglage permettant aux morceaux de données de conserver davantage leur forme originale, tandis que les autres règles forçaient les données dans une forme plus lisse et plus rigide qui supprimait des détails précieux. Les conclusions suggèrent que pour les marchés financiers, qui sont définis par leur volatilité et leurs sauts soudains, l'objectif ne doit pas être de trouver le signal le plus simple possible, mais de préserver autant que possible la réalité originale et désordonnée.

Cette recherche fait plus que simplement améliorer un modèle de prédiction unique ; elle met en lumière une faille critique dans la manière dont de nombreuses études scientifiques sont menées. Pendant des années, des chercheurs ont appliqué des règles provenant d'un domaine, tel que le génie mécanique, à un autre, comme la finance, sans tester si ces règles étaient réellement adaptées. Cette étude prouve que ce qui fonctionne pour une pièce de machine vibrante ne fonctionne pas nécessairement pour le prix d'un baril de pétrole. En testant systématiquement différentes règles sous les mêmes conditions exactes, le chercheur a démontré que le choix de la règle d'évaluation est aussi important que l'algorithme informatique lui-même. L'étude conclut que pour la prévision de données financières complexes, la stratégie la plus efficace consiste à donner la priorité à la préservation de l'information originale plutôt qu'à la tentative de forcer les données dans une conception préétablie de ce à quoi devrait ressembler un signal "propre". Cette intuition offre une nouvelle voie pour quiconque tente de comprendre les rythmes imprévisibles des marchés mondiaux.