Square
 

Risques de marché

La puissance du « deep learning » commence à être maîtrisée

Créé le

14.06.2023

-

Mis à jour le

21.06.2023

Encore balbutiante, cette technologie d’intelligence artificielle a sans doute beaucoup à apporter dans le domaine de la modélisation. Son histoire, avec ses échecs et ses succès, nous éclaire sur ses contraintes et ses atouts.

L’intelligence artificielle (IA) bouleverse l’ensemble des secteurs économiques et particulièrement le secteur financier. Une rétrospective de l’utilisation du deep learning dans la modélisation des risques de marché, avec ses échecs et ses succès, fait apparaître ses contraintes mais aussi ses forces, déterminant ses évolutions actuelles et les défis des années à venir. Les risques de marché peuvent être définis comme les risques liés aux fluctuations des prix des actifs financiers. Ces fluctuations peuvent être causées par des facteurs économiques, politiques et des facteurs géopolitiques.

Tout ...

À retrouver dans la revue
Revue Banque Nº882
Les avantages du « deep learning » dans la modélisation des risques de marché
$!La puissance du « deep learning » commence à être maîtrisée
« Deep learning » - Repères
« Machine learning » : ensemble de techniques donnant la capacité aux machines d’apprendre automatiquement un ensemble de règles à partir de données, contrairement à la programmation qui consiste en l’exécution de règles prédéterminées.
Les méthodes de visualisation en « deep learning » sont des techniques pour comprendre et interpréter les modèles de réseaux de neurones profonds. Ces techniques permettent de visualiser et d’analyser les relations apprises par le modèle entre les données d’entrée et les sorties du modèle. L’une des méthodes de visualisation les plus courantes consiste à visualiser les activations des neurones dans chaque couche du réseau de neurones. Cette technique permet de voir comment les informations sont traitées et transformées au fur et à mesure qu’elles traversent le réseau.
La normalisation des données consiste à mettre les données à la même échelle pour que les valeurs de chaque caractéristique soient comparables.
RB