Un article académique récent présente une approche novatrice pour prédire les rendements de plusieurs actifs, en introduisant un modèle nommé GraFiN-Gen. Développée par Milena Vuletic et son directeur de recherche, Mihai Cucuringu, cette méthode exploite des structures graphiques pour fusionner des modèles génératifs conditionnels, améliorant à la fois la puissance et l’interprétabilité des prévisions des marchés financiers. Contrairement aux modèles traditionnels qui combinent des prévisions individuelles, GraFiN-Gen intègre des distributions entières de rendements conditionnels. Au cœur de cette méthode se trouve un cadre graphique qui modélise le flux des signaux prédictifs entre les actifs financiers. Les arêtes du graphe sont pondérées selon un critère de maximisation du profit économique, reformulé à l’aide de la régression LASSO. Cette approche aboutit à une structure graphique éparse, efficace sur le plan computationnel, avec une interprétabilité claire et des performances supérieures. L’étude démontre l’efficacité du modèle en l’intégrant avec Fin-GAN, un réseau antagoniste génératif conditionnel pour la prévision d’actifs, montrant qu’il surpasse plusieurs références. La recherche s’appuie sur des travaux antérieurs sur Fin-GAN, avec le code original disponible sur GitHub.
Comment un nouveau modèle ensembliste basé sur les graphes améliore-t-il la prévision financière multi-actifs ?
