GINN, le modèle hybride qui améliore la prévision de la volatilité boursière

Prévoir l’ampleur des mouvements des marchés, plutôt que leur seule direction, est un enjeu central pour les banques, les gestionnaires d’actifs et les entreprises exposées aux variations financières. Des chercheurs du département d’ingénierie mécanique de l’université Carnegie Mellon proposent une voie hybride : faire travailler ensemble un modèle statistique historique et un réseau de neurones. Leur système, baptisé GARCH-Informed Neural Network, ou GINN, affiche une amélioration de 5 % par rapport au modèle GARCH seul dans leurs résultats.

L’intérêt de cette approche tient à son équilibre. Les méthodes statistiques telles que GARCH disposent d’une longue histoire en finance et reposent sur des régularités connues des marchés. Les réseaux de neurones, eux, peuvent repérer des relations plus complexes dans de grandes quantités de données. GINN entend donc conserver les atouts de la première famille de méthodes tout en utilisant la souplesse de la seconde.

La volatilité, un indicateur clé du risque financier

La volatilité désigne l’intensité avec laquelle le prix d’un actif varie sur une période donnée. Un marché très volatil connaît des mouvements importants et parfois rapides, à la hausse comme à la baisse. À l’inverse, une faible volatilité correspond à des fluctuations plus contenues. Pour un investisseur, elle constitue une mesure essentielle du risque : plus l’incertitude sur l’évolution des prix est forte, plus les pertes potentielles peuvent être élevées.

Il faut toutefois distinguer deux questions souvent confondues. Anticiper la volatilité ne revient pas à annoncer avec certitude si un indice va monter ou baisser. Il s’agit d’estimer l’ampleur probable des variations à venir. Cette information intervient notamment dans l’évaluation de produits financiers, la couverture de risques ou l’ajustement de l’exposition d’un portefeuille.

Les marchés présentent en outre des comportements difficiles à représenter avec une règle unique. Des périodes agitées ont tendance à être suivies d’autres périodes agitées, un phénomène parfois qualifié de regroupement de volatilité. Les réactions aux nouvelles économiques, aux décisions de politique monétaire ou aux chocs géopolitiques peuvent aussi être rapides, asymétriques et non linéaires.

Pourquoi le modèle GARCH reste une référence

Le point de départ de GINN est le modèle GARCH, pour Generalized Autoregressive Conditional Heteroskedasticity. Derrière cette expression technique se trouve une idée simple : la variabilité d’aujourd’hui dépend en partie des surprises passées sur le marché et du niveau de variabilité récemment observé.

GARCH prolonge les modèles ARCH, qui ont profondément marqué l’économétrie financière. L’importance scientifique de cette approche est illustrée par le prix de la Banque de Suède en sciences économiques, attribué en 2003 à Robert F. Engle III pour ses méthodes d’analyse des séries temporelles économiques avec une volatilité variable dans le temps.

Les variantes d’ARCH et de GARCH sont largement employées pour étudier des séries financières. Elles ont pour avantage d’être structurées et relativement interprétables : elles formalisent une propriété observée dans les données plutôt que de chercher des corrélations sans cadre préalable. Mais leur force peut aussi devenir une limite lorsque les conditions de marché sont trop complexes pour leurs hypothèses statistiques.

C’est précisément le problème ciblé par l’équipe de Carnegie Mellon. Les modèles GARCH peuvent peiner à saisir certaines relations non linéaires, c’est-à-dire des situations où une variation donnée ne produit pas un effet proportionnel et prévisible sur la volatilité future. Or ces relations sont fréquentes dans des marchés influencés par une succession d’événements, de réactions collectives et de mécanismes de rétroaction.

GINN associe savoir statistique et réseau neuronal

Le GARCH-Informed Neural Network combine les informations tirées de GARCH avec un réseau de neurones à mémoire. Ce type de réseau, couramment désigné par l’acronyme LSTM pour Long Short-Term Memory, est conçu pour traiter des données ordonnées dans le temps. Il peut retenir certains signaux issus de périodes antérieures tout en donnant davantage de poids à des observations récentes lorsque cela est utile.

L’originalité de GINN ne consiste donc pas simplement à placer deux outils côte à côte. Le modèle cherche à apprendre à partir de deux sources complémentaires : les données de marché et les connaissances statistiques accumulées par GARCH. Les chercheurs décrivent cette démarche comme une transposition de l’idée d’apprentissage informé par des connaissances, souvent utilisée lorsque des lois physiques connues peuvent guider un modèle d’intelligence artificielle.

Dans le cas de la finance, il ne s’agit évidemment pas d’intégrer une loi de la physique. La connaissance préalable provient ici des faits stylisés des marchés, ces régularités empiriques observées sur de longues périodes et que les modèles GARCH sont conçus pour représenter. Le réseau neuronal peut alors se concentrer sur les motifs plus fins ou moins réguliers que l’approche statistique seule ne restitue pas entièrement.

Cette architecture hybride répond à un défi récurrent de l’apprentissage automatique en finance. Un modèle très flexible peut trouver des motifs dans les données historiques, mais aussi s’ajuster excessivement à une période précise et perdre en fiabilité lorsque le contexte change. L’apport de GARCH vise à donner au réseau un point d’appui fondé sur une structure financière reconnue.

Un gain de 5 % sur sept indices mondiaux

Selon les résultats présentés par l’équipe, GINN obtient une amélioration de 5 % par rapport au modèle GARCH seul. Les chercheurs font également état d’un gain significatif pour la prévision de la volatilité des prix de clôture quotidiens de sept indices boursiers majeurs répartis dans le monde.

Ce chiffre mérite une lecture rigoureuse. L’amélioration annoncée porte sur la qualité de la prévision de volatilité dans le cadre de l’étude, et non sur un rendement boursier supérieur de 5 %. Elle ne signifie pas non plus qu’un utilisateur obtiendrait automatiquement de meilleurs résultats financiers en appliquant ce modèle à un portefeuille réel.

La présentation disponible ne détaille pas, à elle seule, l’ensemble des paramètres nécessaires pour quantifier la portée pratique du gain : métrique exacte, période d’entraînement, période de test, frais de transaction éventuels ou comportement du modèle lors d’un choc de marché exceptionnel. Ces éléments comptent beaucoup lorsqu’il s’agit de passer d’un résultat de recherche à un outil opérationnel.

Comment évaluer sérieusement un modèle financier

Les prévisions financières sont particulièrement exigeantes à évaluer, car les données sont chronologiques et les marchés évoluent. Une méthode robuste ne doit pas seulement expliquer ce qui s’est déjà produit : elle doit conserver sa qualité sur des données qu’elle n’a pas utilisées pour apprendre.

Dans ce type de recherche, les comparaisons avec des modèles de référence sont indispensables. GARCH constitue justement un point de comparaison pertinent, puisqu’il est largement employé dans l’analyse de la volatilité. Un modèle hybride comme GINN doit démontrer qu’il apporte davantage qu’une sophistication supplémentaire : il doit réduire les erreurs de prévision de manière cohérente.

Plusieurs précautions sont généralement déterminantes pour juger un tel système :

• séparer strictement les données utilisées pour l’apprentissage de celles servant à l’évaluation ;
• respecter l’ordre du temps afin de ne pas introduire d’informations futures dans les données passées ;
• tester le modèle sur plusieurs marchés et plusieurs périodes ;
• vérifier sa résistance lorsque la volatilité change brusquement de régime ;
• comparer ses résultats à des méthodes statistiques et d’apprentissage automatique pertinentes.

Le fait que l’équipe ait étudié sept grands indices mondiaux est donc notable. Cela élargit l’observation au-delà d’un seul marché. Cela ne dispense pas, pour autant, d’examiner la manière dont un modèle réagit dans des contextes financiers nouveaux ou particulièrement instables.

Des usages possibles au-delà de la Bourse

Les chercheurs présentent GINN comme une approche susceptible de dépasser le cadre strict de la finance. Son principe général concerne les séries temporelles, c’est-à-dire des données enregistrées dans leur ordre d’apparition : cours financiers, trajectoires, capteurs industriels ou mesures successives d’un phénomène.

L’étude évoque notamment des perspectives pour les véhicules autonomes et l’intelligence artificielle générative. Dans ces domaines, comme en finance, il peut être utile de mêler des connaissances déjà établies et la capacité d’apprentissage de réseaux neuronaux. Une voiture autonome traite par exemple des observations successives issues de son environnement, tandis que de nombreux systèmes d’IA manipulent des séquences de données.

Il s’agit à ce stade de perspectives d’application, et non de la démonstration que GINN est déjà déployé dans ces secteurs. Le résultat le plus directement établi par les travaux concerne la prévision de la volatilité financière. Mais la démarche illustre une tendance importante de la recherche en IA : plutôt que d’opposer modèles théoriques et réseaux de neurones, les faire coopérer.

Le projet a été mené avec des collaborations incluant l’université d’État de Pennsylvanie et l’université de New York. Les travaux ont été présentés dans le cadre de la 5e Conférence internationale ACM sur l’intelligence artificielle en finance, un rendez-vous consacré aux méthodes computationnelles appliquées aux enjeux financiers.

Ce qu’il faut surveiller pour la suite

La question décisive sera celle de la généralisation. Un modèle performant sur plusieurs indices et dans une évaluation donnée doit encore montrer qu’il reste fiable lorsque les marchés changent, lorsque les données deviennent plus rares ou lorsqu’un événement exceptionnel bouleverse les comportements habituels.

L’interprétabilité sera également essentielle. Les institutions financières ne cherchent pas uniquement une prévision plus précise : elles doivent souvent comprendre les facteurs qui soutiennent une estimation, surveiller les risques de biais et justifier leurs décisions. L’association de GARCH et d’un réseau neuronal pourrait offrir un compromis intéressant entre cadre statistique connu et apprentissage flexible, mais ce compromis devra être validé dans des usages réels.

Enfin, GINN rappelle qu’en intelligence artificielle, les progrès ne viennent pas toujours d’un modèle entièrement nouveau. Ils peuvent aussi naître d’une meilleure articulation entre l’expérience accumulée par une discipline et les capacités de calcul des réseaux de neurones. Pour la finance, où l’incertitude ne disparaît jamais, améliorer la mesure du risque constitue déjà une avancée significative.