Nous utilisons à la fois les forêts aléatoires et les réseaux de neurones à mémoire à long terme (LSTM), plus précisément CuDNNLSTM, comme méthodologies d’entraînement afin d’analyser leur efficacité dans la prévision des mouvements directionnels hors échantillon des actions constitutives de l’indice S&P 500, de janvier 1993 à décembre 2018, dans le cadre du trading intraday. Nous introduisons un cadre à plusieurs caractéristiques, comprenant non seulement les rendements par rapport aux prix de clôture, mais aussi par rapport aux prix d’ouverture et aux rendements intraday. En tant que stratégie de trading, nous prenons comme référence les travaux de Krauss et al. (2017) et Fischer & Krauss (2018). Chaque jour de trading, nous achetons les 10 actions présentant la probabilité la plus élevée de hausse et vendons à découvert les 10 actions présentant la probabilité la plus faible, afin de surperformer le marché en termes de rendements intraday — toutes les positions étant pondérées équitablement en valeur monétaire. Nos résultats empiriques montrent qu’un cadre à plusieurs caractéristiques permet d’obtenir un rendement journalier, avant frais de transaction, de 0,64 % avec les réseaux LSTM, et de 0,54 % avec les forêts aléatoires. Ainsi, nous surpassons le cadre à une seule caractéristique utilisé dans Fischer & Krauss (2018) et Krauss et al. (2017), qui ne repose que sur les rendements journaliers par rapport aux prix de clôture, et qui génère respectivement des rendements journaliers de 0,41 % et 0,39 % avec LSTM et forêts aléatoires.