Applications des réseaux neurones artificiels

L'étude des réseaux de neurones est une voie prometteuse de l'Intelligence Artificielle, qui a des applications dans de nombreux domaines :

 Industrie : contrôle qualité, diagnostic de panne, corrélation entre les données fournies par différents capteurs, analyse de signature ou d'écriture manuscrite ;

 Finance : prévision et modélisation du marché, sélection d'investissements, attribution de crédits, détection de la défaillance des entreprises, et détection de fraudes de traitement de la carte bancaire ;

 Comptabilité : analyse des opérations comptables, préparation des enregistrements, détections des erreurs et des fraudes, diagnostic comptable, sélection des

échantillons de circularisation ;

 Télécommunications et informatique : analyse du signal, élimination du bruit, reconnaissance de formes (bruits, images, paroles), compression de données ;

 Environnement : évaluation des risques, analyse chimique, prévision et modélisation météorologiques, gestion des ressources.

Notre intérêt étant tourné vers la finance, nous allons préciser les applications dans ce qui suit.

409

2.6.1. Réseaux neuronaux artificiels dans les marchés financiers

Les réseaux neuronaux artificiels sont d’utilisation courante dans le champ de la finance. Comme une ANN est le mieux adaptée aux problèmes non structurés avec les modèles et données altérées, les réseaux neuronaux sont utilisés par les financiers d'entreprise pour créer des simulations financières (c’est-à-dire touchant la gestion, l’évaluation

d'investissements capitaux, les atouts et risques du personnel, etc), mais pas pour certaines entreprises particulières en ce qui concerne le facteur temps, et le financement ou non par rapport à leurs positions dans l'environnement externe (TURBAN, 1996).

Comme les réseaux neuronaux artificiels sont capables de développer des règles de données historiques, ils demandent davantage de ces données que l’analyse technique. Et aussi la technologie ANN est un outil bien adapté aux investisseurs comme méthode pour l’analyse technique. Une approche de la prévision boursière a été l'utilisation de plusieurs types de variables - quantitatives et qualitatives (TURBAN, 1996).

D'ailleurs récemment, les réseaux de neurones sont devenus une technologie fréquemment employée en analyse technique. Un réseau de neurones est une "formule" très puissante et très flexible dont les résultats fournis à la sortie peuvent être utilisés directement pour prendre des décisions boursières (achat / vente des actions).

Le réseau de neurones surclasse de loin un indicateur habituel, parce qu'il possède une capacité d’apprentissage à partir de la série de données elle-même. Il peut trouver des rapports et des tendances dans les données qui sont souvent trop complexes à identifier à la simple lecture d'un graphique ou à définir avec un ensemble de règles mathématiques.

L'utilisation la plus répandue des réseaux de neurones pour l'analyse technique¹⁰² est celle qui consiste à créer un modèle de façon à prédire le prix futur d'un actif financier, étant donnés les prix actuels et antérieurs et toute autre information technique et/ou fondamentale.

Le prix prédit peut alors être pris en considération afin de produire un signal indicateur d’achat ou de vente. Le système le plus simple sera : achat si le prix prédit est plus élevé que le prix courant, vente dans le cas contraire. Il suffit que le réseau fasse son apprentissage en

102.Site internet: http://www.tradingsolutions.com

utilisant plusieurs années de données, après lui avoir donné comme entrée la valeur quotidienne du prix de clôture de l'action et de l'indice et comme sortie désirée le prix de clôture de l’action du jour suivant.

2.7. Les avantages de ANN

Par rapport aux modèles classiques d'analyse statistique, les réseaux de neurones artificiels possèdent plusieurs avantages¹⁰³:

 ils permettent, comme cela a déjà été signalé, de traiter des problèmes non structurés, c'est-à-dire des problèmes sur lesquels on ne dispose d'aucune information a priori. En particulier, on notera qu'il n'est pas nécessaire de connaître la distribution de

probabilité des variables, ce qui n'est pas le cas dans la plupart des modèles d'analyse statistique sauf s'il s'agit d'analyses non paramétriques ;

 en découvrant eux-mêmes les relations entre les variables, ils sont tout à fait adaptés pour traiter des problèmes non linéaires éminemment complexes. Cet aspect est tout à fait intéressant car il n'oblige pas à s'interroger sur la forme de la fonction à estimer ;

 ils peuvent travailler sur des données incomplètes ou des données bruitées.

L'incomplétude des données peut être prise en compte par l'ajout de neurones supplémentaires. CASTA et PRAT (1994) ont montré que des architectures spécifiquement réfléchies pour traiter les problèmes d'incomplétude des données peuvent améliorer sensiblement les résultats obtenus sur un modèle de détection préventive d'entreprises en difficulté ;

 l'arrêt du processus itératif lorsque le réseau produit les meilleurs résultats sur l'échantillon de validation lui confère une certaine robustesse. On peut en effet considérer que de cette manière, seule l'information pertinente est intégrée dans le système. Les bruits qui pourraient concourir à la spécialisation du réseau ne sont pas

103 . PAQUET P., (1997), « L’utilisation des réseaux de neurones artificiels en finance», document de recherche n° 1-1997¸ Laboratoire Orléanais de Gestion.

411

intégrés ;

 ils permettent la prise en compte de variables qualitatives à travers des neurones recevant des valeurs binaires.

On peut aussi ajouter quelques propriétés remarquables des réseaux neuronaux:

- ils ne sont pas programmés ; - ce sont des systèmes dynamiques ; - ce sont des boîtes noires très évolutives ;

- ils sont capables de raisonner de manière globale ;

- ils sont capables de filtrer les bruits et d'isoler l'information utile ; - ils sont capables d'abstraction en inférant un ensemble.

En conclusion, nous pouvons compter sur les réseaux neurones artificiels pour résoudre beaucoup de problèmes-entre autre notre problème de prévision de l'indice du marché boursier (marché faiblement efficience) en utilisant le logiciel Neuro Solution 5 qui est capable de construire automatiquement le réseau adéquat selon les données, ce que nous allons montrer au chapitre 8.

Chapitre 7

La réforme et la revitalisation de la Bourse du Caire et d'Alexandrie (CASE) sont au cœur du train de réformes économiques que l'Égypte poursuit pour encourager les

investisseurs égyptiens à investir, pour attirer des investisseurs étrangers et pour rester compétitive.

En 1997, la CASE lançait une campagne de modernisation, laquelle prévoyait la mise en place en 2001 d'un nouveau système de cotation et de transaction, l'établissement de nouvelles règles axées sur la transparence, la divulgation et la gouvernance, ainsi que la tenue de consultations entre la CASE et d'autres places boursières en vue d'accroître la collaboration.

La CASE est membre de la Federation of Euro-Asian Exchanges (Fédération des Bourses d’Echanges Euro-Asiatiques), de l'Association des bourses africaines et de l'Union des bourses arabes. De plus, en octobre 2001, la World Federation of Exchanges (Fédération mondiale des Bourses d’Echanges) élevait l'Égypte du statut de correspondant à celui de membre affilié. La CASE a également signé des protocoles d'entente avec d'autres bourses internationales.

Dans ce chapitre nous allons présenter le marché boursier de l'Egypte et les

conséquences qui découlent de son existence sans entrer dans le débat déjà traité par plusieurs chercheurs et écrivains égyptiens, à savoir : approuver l'hypothèse de l'efficience du marché boursier en Egypte.