www.bayesia.com n'est pas optimisé pour votre navigateur (Internet Explorer 6).
Nous vous suggérons de passer à IE 7 ou Firefox pour une meilleure navigation.

Apprentissage supervisé et non supervisé avec BayesiaLab

Découverte de connaissances dans le domaine boursier

Les marchés financiers, plus que tout autre type de séries chronologiques peut être, ont été examinés par d’innombrables mathématiciens, économistes, investisseurs et spéculateurs, sur des centaines d'années. Même dans les temps modernes, malgré tous les progrès scientifiques, l'effort pour prédire les mouvements futurs des marchés boursiers ressemble parfois aux aspirations alchimiques anciennes de transformation des métaux basiques en or. Cela ne veut pas dire qu'il n’existe pas de véritables efforts scientifiques dans l'étude des marches financiers, mais plutôt que la distinction entre recherche sérieuse et charlatanisme (ou même fraude) reste remarquablement difficile.

Notre but n’est pas de mettre en œuvre une boule de cristal pour investisseurs, pas plus que nous n’avons la prétention de contribuer à la littérature économique et économétrique. Cependant, la richesse des données des marchés financiers représente à nos yeux un terrain fertile pour l'expérimentation de nos algorithmes de découverte de connaissances. Ce domaine permet d’illustrer de manière très concrète la puissance des réseaux Bayésiens ; la connaissance représentée graphiquement est en effet aisément comparable à notre propre compréhension de la dynamique du marché. Par exemple, les opinions dominantes des investisseurs concernant les relations entre les principaux titres devraient être reflétées dans les structures découvertes par nos algorithmes. 

Nous allons utiliser dans ce tutoriel les algorithmes d'apprentissage non supervisés et supervisés du logiciel BayesiaLab pour générer automatiquement les réseaux Bayésiens à partir des valeurs quotidiennes des titres sur une période de six ans. Nous allons examiner 459 actions du marché américain S&P 500 Index, pour lesquelles des observations sont disponibles sur toute la période. Nous avons choisi le S&P 500 comme base de notre étude car les sociétés cotées dans cet indice figurent vraisemblablement parmi les sociétés les plus connues dans le monde entier, de sorte que même un observateur occasionnel devrait être en mesure de pouvoir juger de la pertinence des résultats obtenus. 

La plupart des relations que nous allons découvrir devrait apparaître évidente. Assez souvent, la réaction des experts devant ce genre de résultat est « Nous le savions déjà ». C'est exactement la réaction que nous recherchons – en quelques secondes, nos algorithmes permettent de redécouvrir l'expertise humaine accumulée au fil des ans, puis, dans le même temps, de découvrir également des relations qui étaient jusqu’à présent insoupçonnées. 

La puissance de nos algorithmes d'apprentissage serait encore plus criante dans des domaines totalement inconnus. Le lecteur ne serait toutefois pas en mesure de juger de la qualité de la connaissance découverte.

Outre la génération de graphes lisibles et interprétables, nous voulons également montrer comment on peut utiliser les réseaux Bayésiens obtenus comme « Système Expert Probabiliste » pour l'inférence et la prédiction.  

D’un point de vue quantitatif, nous allons illustrer comment le logiciel BayesiaLab peut intégrer plusieurs observations (certaines et incertaines, contradictoires ou non) sur un sous-ensemble de titres, pour mettre à jour les distributions de probabilités a posteriori des titres non observés. Cette capacité des réseaux Bayésiens à prendre en compte de manière rigoureuse l’incertitude les rend très adaptés à un très large éventail d’applications du monde réel. 

Poursuivant la pratique établie dans nos précédents articles, nous essayons de présenter l'approche proposée dans le style d'un tutoriel, de sorte que chaque étape puisse être immédiatement répliquée (et scrutée) par un lecteur équipé du logiciel BayesiaLab. 

Télécharger l'article (10.1 MB)