L'apprentissage profond pour la finance

Chapitre 9. Deep Learning pour la prédiction des séries temporelles II.

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Ce chapitre présente quelques techniques et méthodes pour compléter la tâche de prévision des algorithmes de machine et de Deep Learning. Il est composé de différents sujets qui abordent chacun un moyen d'améliorer et d'optimiser le processus. À ce stade, tu devrais avoir une bonne compréhension des bases des modèles d'apprentissage automatique et de Deep Learning, et tu sais comment coder un algorithme de base qui prédit les rendements d'une série temporelle financière (ou de n'importe quelle série temporelle stationnaire). Ce chapitre fait le lien entre les connaissances de base et les connaissances avancées nécessaires pour élever les algorithmes à un niveau fonctionnel.

Différenciation fractionnaire

Dans son livre Advances in Financial Machine Learning, Marcos López de Prado décrit une technique permettant de transformer des données non stationnaires en données stationnaires. On parle alors de différenciation fractionnaire.

Ladifférenciation fractionnaire est une technique mathématique utilisée pour transformer une série temporelle en une série stationnaire tout en préservant une partie de sa mémoire. Elle étend le concept de différentiation (ou prise des rendements), qui est couramment utilisé pour supprimer les tendances et rendre les séries temporelles stationnaires.