Analyse comparative entre les modèles ARIMA et les réseaux neuronaux artificiels pour la prédiction des prix des actions

Abstract

Cet article entreprend une analyse comparative des performances de deux approches de modélisation, à savoir les modèles ARIMA (Moyenne Mobile Intégrée Auto-Régressive) et les Réseaux Neuronaux Artificiels (ANN), dans le contexte de la prédiction des cours boursiers. En utilisant les données historiques quotidiennes des actions de Dell Incorporated sur une période s'étalant d'août 2016 à janvier 2024, l'étude s'attache à déterminer lequel de ces deux modèles offre une précision supérieure dans les prévisions des mouvements boursiers. Pour ce faire, la méthodologie adoptée implique le développement des modèles ARIMA à l'aide du logiciel EViews, tandis que les modèles ANN sont mis en œuvre grâce à Python, en utilisant soit TensorFlow soit PyTorch. Les résultats obtenus sont présentés de manière détaillée à travers divers graphiques et tableaux, permettant ainsi d'éclairer les débats contradictoires persistants quant à l'efficacité relative de ces deux approches en matière de prédiction des fluctuations boursières. La comparaison exhaustive des performances de ces modèles contribue à une meilleure compréhension des avantages et des limitations de chaque méthode.