Typologie et taxonomie des modèles prédictifs monolithiques et hybrides d'intelligence artificielle et d'apprentissage automatique en finance : une architecture générationnelle intégrée

Résumé

Le foisonnement des modèles d'intelligence artificielle et d'apprentissage automatique appliqués à la prédiction financière a engendré un écosystème analytique profondément morcelé, où coexistent des approches hétérogènes sans qu'aucun cadre de référence partagé ne permette de les ordonner ni de les comparer avec rigueur. Face à cette lacune, l'article entreprend de construire une nomenclature organisée autour d'une double logique : une progression générationnelle et une articulation multi-dimensionnelle, couvrant indifféremment les architectures monolithiques et les configurations hybrides mobilisées en finance. La démarche, à la fois déductive et inductive, s'inscrit dans le protocole itératif de Nickerson, Varshney et Muntermann (2013) et s'aligne sur les principes FAIR (Wilkinson et al., 2016) ainsi que sur les critères de validation taxonomique de Bailey (1994) et Doty et Glick (1994). La validation conceptuelle est conduite à partir de douze cas illustratifs représentatifs, un par classe, sélectionnés par triangulation. La structure classificatoire obtenue s'organise autour de trois dimensions fondatrices (Architecture, Famille, Génération) et donne lieu à douze classes : neuf configurations monolithiques et trois classes hybrides. Le cadre proposé constitue une contribution intégrée et reproductible à la cartographie comparée des modèles prédictifs IA/ML en finance.

JEL Classification : C45, C53, G17

Type du papier : Recherche Théorique