Template-Type: ReDIF-Article 1.0
Author-Name: Mohammed EL MASSAADI
Author-Email: mohammed.elmassaadi@uit.ac.ma
Author-Workplace-Name: Faculté d'économie et de gestion de Kénitra, Université Ibn Tofail Kénitra, Maroc
Author-Name: Hajar BOUDRAINE
Author-Email: hajar.boudraine1@uit.ac.ma
Author-Workplace-Name: École Nationale de Commerce et de Gestion de kénitra, Université Ibn Tofail Kénitra, Maroc
Author-Name: Hamid AIT LEMQEDDEM
Author-Email: hamid.aitlemqeddem1@uit.ac.ma
Author-Workplace-Name: École Nationale de Commerce et de Gestion de kénitra, Université Ibn Tofail Kénitra, Maroc
Title: Utilisation des modèles de l’IA dans la prédiction des cours boursiers : Cas du marché boursier marocain
Abstract: Le recours à l'apprentissage automatique (machine Learning) et à l'apprentissage profond (Deep Learning) pour anticiper et capturer l'évolution des marchés boursiers a capté l'attention du secteur financier, offrant la perspective d'une prédiction plus précise et efficiente des dynamiques de marché. Face à la complexité croissante et à la nature hautement volatile des marchés financiers, l'adoption de modèles prédictifs avancés s'impose désormais comme une nécessité. Ce papier propose d’étudier la performance de quatre modèles d’apprentissage automatique, pour prédire le marché boursier marocain, à savoir le Perceptron Multicouche (MLP), les Réseaux de Neurones Récurrents (RNN), les Réseaux de Neurones Convolutifs (CNN) et le modèle LSTM, en utilisant les données historiques de cours boursiers journaliers. Les résultats obtenus, appuyés des valeurs de l'erreur moyenne absolue en pourcentage (MAPE) retenus, montrent une alternance entre le MLP et le RNN pour la prédiction et la reconnaissance des schémas dans les séries temporelles étudiées. Cependant, le RNN se distingue comme le modèle offrant, dans la majorité des cas, la meilleure précision pour anticiper les variations des cours boursiers, soulignant son efficacité dans ce contexte.   Mots clés: Prédiction, Réseau de neurone artificiel, CNN, RNN, MLP Classification JEL : G12 Type de l’article : Recherche appliquée
Journal: International Journal of Accounting, Finance, Auditing, Management and Economics
Pages: 568-583
Volume: 5
Issue: 11
Year: 2024
File-URL: https://ijafame.org/index.php/ijafame/article/view/1642
File-Format: text/html
File-URL: https://ijafame.org/index.php/ijafame/article/view/1642/1641
File-Format: application/pdf
Handle: RePEc:aoa:journl:v:5:y:2024:i:11:p:568-583