Réseau de mémoire à court et long terme optimisé par algorithme génétique pour la prédiction du marché boursier

Grâce aux récents progrès des technologies informatiques, de vastes quantités de données et d’informations sont constamment accumulées. En particulier dans le domaine financier, nous disposons de grandes opportunités pour tirer des insights utiles en analysant ces données, car les marchés financiers génèrent une quantité considérable de données en temps réel, notamment des enregistrements de transactions. Ainsi, cette étude vise à développer un nouveau modèle de prédiction du marché boursier à partir des données financières disponibles. Nous avons choisi d’adopter une technique d’apprentissage profond (deep learning) en raison de sa capacité exceptionnelle à extraire des connaissances à partir de grands jeux de données. Dans cette recherche, nous proposons une approche hybride combinant un réseau de mémoire à long et court terme (LSTM) et un algorithme génétique (GA). Jusqu’à présent, l’estimation de la taille de la fenêtre temporelle et des paramètres architecturaux du réseau LSTM s’appuyait principalement sur des méthodes empiriques basées sur l’essai-erreur. Cette étude explore les propriétés temporelles des données du marché boursier en proposant une méthode systématique pour déterminer de manière optimale la taille de la fenêtre temporelle et la topologie du réseau LSTM à l’aide de l’algorithme génétique. Pour évaluer l’approche hybride proposée, nous avons sélectionné les données quotidiennes de l’Indice des Cours des Actions de Corée (KOSPI). Les résultats expérimentaux démontrent que le modèle hybride combinant LSTM et GA surpasse significativement le modèle de référence.