Prévision utilisant l’intelligence artificielle : une étude standard des fluctuations des prix du pétrole pour le panier de l’OPEP au cours de la période 2020-2024

Abstract

Dans un contexte marqué par une incertitude croissante, la prévision occupe une place centrale pour orienter les décisions stratégiques. Elle repose sur l’anticipation des évolutions futures à partir de données historiques. Toutefois, les approches classiques de prévision, comme les modèles ARIMA et GARCH, bien qu'efficaces pour des données linéaires ou peu complexes, atteignent leurs limites face à des phénomènes non linéaires ou des séries caractérisées par une forte volatilité. L’émergence des techniques d’intelligence artificielle (IA) a profondément transformé le domaine de la prévision. Des méthodes comme le Deep Learning, notamment les réseaux de neurones artificiels, et les modèles hybrides associant IA et techniques traditionnelles, permettent de surmonter plusieurs de ces limitations. Ces approches offrent des prédictions plus précises et robustes, même dans des contextes marqués par l’incertitude ou des perturbations dans les données. Cependant, les techniques d’IA ne sont pas exemptes de défis : l’interprétabilité des modèles, la qualité des données d’entrée, et la confiance des utilisateurs demeurent des enjeux cruciaux. En combinant les forces des approches traditionnelles et celles de l’IA, il devient possible d’améliorer la qualité des prévisions tout en répondant à ces défis. Cette combinaison ouvre des perspectives prometteuses pour des applications stratégiques, notamment dans la gestion de la volatilité des séries financières. Dans cette thèse, nous explorons une approche hybride qui associe des modèles traditionnels et des techniques d’intelligence artificielle pour la prévision de séries temporelles. Notre objectif est d’exploiter la complémentarité entre les méthodes statistiques et les réseaux de neurones artificiels afin d’améliorer à la fois la précision et la robustesse des prédictions. À titre illustratif, nous avons développé un modèle hybride GARCH-NN appliqué à la prédiction des prix du pétrole, démontrant sa capacité à capturer les dynamiques complexes et les caractéristiques volatiles des marchés financiers