Advanced Predictive Modeling and Analysis of Financial Markets: A Comparative Study using Machine Learning and Statistical Methods in Moroccan and International Contexts

Abstract

Cette thèse développe des méthodes classiques et des techniques d'apprentissage automatique afin d'examiner les modèles de prévision pour le marché boursier marocain. Nous évaluons la performance de plusieurs modèles, y compris ARIMA, Support Vector Regression (SVR), eXtreme Gradient Boosting (XGBoost), Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM), et des modèles hybrides. Nos études révèlent que les modèles non linéaires tels que LSTM et SVR sont légèrement plus performants que ARIMA pour la prévision de l'indice MASI. Les modèles SVR et MLP optimisés atteignent une grande précision dans la prévision de l'indice MSI 20. Pour les indices internationaux, le modèle hybride LSTM-XGBoost fait preuve d'une précision supérieure. Les modèles hybrides tels que SVR-XGBoost et LSTM-XGBoost sont particulièrement efficaces pour l'indice MASI (Moroccan All Shares Index). Les comparaisons des données post-COVID mettent en évidence les avantages de la combinaison d'éléments linéaires et non linéaires. Un modèle hybride robuste intégrant des méthodes d'apprentissage automatique et d'apprentissage profond présente une précision prédictive améliorée. Cette recherche offre des perspectives précieuses pour les investisseurs, les analystes financiers et les décideurs politiques, en soulignant le potentiel des modèles hybrides dans les prévisions financières. Les travaux futurs permettront d'affiner ces modèles et d'explorer leurs applications dans le trading algorithmique et la prévision de la volatilité.