Introduction:
L’apprentissage automatique (ML) est devenu un outil puissant dans diverses applications financières, notamment la valorisation boursière. En exploitant les données historiques du marché et en intégrant diverses fonctionnalités, les algorithmes de ML peuvent fournir des informations précieuses sur les prévisions de cours des actions et les décisions d'investissement. Cependant, malgré l’intérêt croissant pour le ML pour la valorisation des actions, il existe encore des lacunes importantes dans notre compréhension de la manière dont ces algorithmes peuvent contribuer efficacement à ce domaine. Cette revue systématique vise à identifier et analyser l'état actuel de la littérature sur l'application du ML pour la valorisation des actions, en mettant en évidence les lacunes et les opportunités pour les recherches futures.
Méthodologie:
Une recherche approfondie a été menée à l'aide de bases de données universitaires pour identifier les articles de recherche, les actes de conférences et les rapports techniques pertinents publiés au cours de la dernière décennie. Les termes de recherche incluaient « apprentissage automatique », « évaluation des actions », « prédiction des actions » et « prévisions financières ». Les études ont été sélectionnées sur la base de critères de sélection prédéterminés, notamment l'utilisation d'algorithmes ML à des fins de valorisation des actions et l'évaluation empirique de leurs performances.
Résultats:
L'examen a identifié un corpus important de littérature appliquant le ML à la valorisation des stocks, avec des études employant un large éventail d'algorithmes d'apprentissage supervisé tels que la régression linéaire, les arbres de décision, les forêts aléatoires, les machines à vecteurs de support et les réseaux de neurones. Les principales conclusions des études examinées indiquent que les algorithmes de ML peuvent obtenir des prévisions précises et fiables du cours des actions. Cependant, plusieurs limites et lacunes dans la recherche actuelle ont été identifiées :
1. Qualité des données et prétraitement :de nombreuses études s'appuient sur des données boursières historiques sans aborder de manière adéquate les problèmes de qualité des données tels que les valeurs manquantes, les valeurs aberrantes et la non-stationnarité. Le développement de techniques efficaces de prétraitement des données et l’intégration de sources de données alternatives (par exemple, sentiment sur les réseaux sociaux, indicateurs économiques) sont des domaines importants pour les recherches futures.
2. Ingénierie des fonctionnalités :la sélection des fonctionnalités pertinentes pour la valorisation des actions est cruciale, mais la plupart des études utilisent des indicateurs techniques de base sans explorer d'ensembles de fonctionnalités alternatives ni utiliser de techniques de sélection de fonctionnalités. L'étude d'approches d'ingénierie de fonctionnalités plus avancées, notamment la connaissance du domaine, le traitement du langage naturel et l'analyse des sentiments, peut améliorer les performances prédictives des modèles ML.
3. Complexité du modèle et surajustement :équilibrer la complexité du modèle et empêcher le surajustement est un défi crucial en ML pour la valorisation des actions. Alors que certaines études expérimentent des architectures ML complexes (par exemple, les réseaux d'apprentissage profond), d'autres manquent d'une analyse rigoureuse de la sélection des modèles, du réglage des hyperparamètres et des techniques de régularisation. Les recherches futures devraient se concentrer sur des approches systématiques de sélection et d’optimisation de modèles afin d’atténuer les risques de surajustement.
4. Interprétabilité et explicabilité :la nature « boîte noire » de certains algorithmes de ML crée des difficultés pour comprendre comment ils parviennent à des prédictions. Améliorer l’interprétabilité des modèles ML est essentiel pour instaurer la confiance et permettre aux investisseurs de prendre des décisions éclairées. Le développement de techniques d’analyse de l’importance des caractéristiques, de visualisation de modèles et d’explications contrefactuelles sont des domaines importants pour les recherches futures.
5. Applications du monde réel et robustesse :la plupart des études évaluent les algorithmes de ML sur des données historiques, mais leur efficacité dans des scénarios du monde réel avec des conditions de marché invisibles reste incertaine. Les recherches futures devraient se concentrer sur le test des modèles de ML sur des données en temps réel, sur l'étude de leurs performances lors de crises de marché ou de changements de régime, et sur l'évaluation de leur robustesse face au bruit du marché et à la dérive des concepts.
Conclusion:
L'application du ML pour la valorisation des actions a montré un potentiel prometteur, mais il existe des lacunes et des opportunités importantes pour les recherches futures. Résoudre les problèmes de qualité des données, explorer les techniques avancées d’ingénierie des fonctionnalités, trouver le bon équilibre entre complexité et interprétabilité des modèles et évaluer les modèles dans des scénarios réels sont des domaines clés qui nécessitent des recherches plus approfondies. En comblant ces lacunes, le ML peut fournir des outils d'évaluation des actions plus fiables et contribuer à une prise de décision éclairée sur les marchés financiers.
