Une typologie comparative des générations de modèles d'apprentissage automatique monolithiques et hybrides pour la prédiction financière : benchmark théorique face aux modèles économétriques traditionnels

Résumé

L’essor concomitant des architectures profondes, des Transformers financiers et des modèles hybrides a fragmenté la littérature de la prédiction des séries financières en sous-corpus difficilement comparables. Aucun cadre typologique consensuel ne permet, à ce jour, de classer rigoureusement les générations successives de modèles d’apprentissage automatique appliquées à la finance. Cette étude propose une typologie multi-niveaux et un benchmark théorique de cinq familles (économétrie classique, ML superficiel, DL profond, IA avancée et hybrides) articulés autour de sept dimensions discriminantes. Le protocole mobilise PCC sous PRISMA-ScR sur un corpus stabilisé de 58 études (1990–2026). Trois propositions formelles structurent la contribution. P1 affirme l’absence de supériorité uniforme d’une génération. P2 énonce la dominance conditionnelle des hybrides sous non-linéarité, ruptures de régime et faible rapport signal-bruit. P3 décrit, sous ordre partiel, le déclin de la compatibilité avec la théorie financière à mesure que croît la capacité représentationnelle, sauf en présence d’une hybridation théorie-données. La grille livre, outre une architecture conceptuelle, une grille décisionnelle opérationnelle pour les gestionnaires d’actifs, le model risk management bancaire et les régulateurs (SR 11-7, TRIM, projet de règlement IA de l’Union européenne). L’article s’inscrit dans la typologie de Gregor (2006, types II et IV) et fournit un instrument réplicable de sélection raisonnée de modèles.

Classification JEL : C38, C45, C53, C58, C63, G17

Type de papier : Recherche théorique