Prévision de la volatilité du S&P 500 : comparaison des performances du modèle Realized GARCH et de modèles de deep learning (GRU, LSTM et TCN)

Details

Supervisors

Nguyen, Anh

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

frCe mémoire analyse la prévision à un jour de la volatilité réalisée du S&P 500 en comparant un modèle économétrique, le Realized GARCH (R-GARCH), à trois architectures de deep learning : GRU, LSTM et TCN. Afin d’assurer une comparaison homogène, les quatre modèles ont pour cible commune la realized kernel variance, construite à partir de données intrajournalières à fréquence d’une minute couvrant la période du 22 janvier 2008 au 6 mai 2021. L’évaluation est réalisée hors échantillon selon un découpage chronologique entraînement-validation-test. Les modèles neuronaux sont entraînés sur dix graines aléatoires afin de mesurer leur stabilité, et leurs performances sont évaluées principalement à l’aide de la MSE, de la QLIKE et du test de Diebold-Mariano. La question de recherche de ce mémoire est la suivante : les modèles de deep learning permettent-ils d’améliorer la prévision de la volatilité réalisée du S&P 500 par rapport à un modèle économétrique de type Realized GARCH ? Les résultats montrent qu’aucun modèle ne domine systématiquement. Le R-GARCH obtient la meilleure performance selon la MSE devant le GRU et le LSTM, tandis que le TCN présente une MSE nettement plus élevée en raison de fortes sur-prévisions lors de la crise du Covid-19. À l’inverse, le classement selon la QLIKE favorise les modèles neuronaux : le TCN obtient la meilleure valeur suivi du LSTM, du GRU puis du R-GARCH. Le GRU et le LSTM présentent globalement des trajectoires plus stables entre les différentes initialisations, tandis que le TCN se révèle particulièrement sensible aux graines aléatoires et peut produire des prévisions extrêmes lors des épisodes de forte volatilité. La réponse à la question de recherche est donc positive de manière partielle et conditionnelle. Les modèles de deep learning peuvent améliorer la prévision selon certains critères, notamment la QLIKE, mais ils ne remplacent pas systématiquement le Realized GARCH. La trajectoire moyenne du TCN présente un avantage statistiquement significatif par rapport au R-GARCH selon la QLIKE, alors qu’aucune différence significative n’est observée selon la MSE. Le R-GARCH conserve ainsi des avantages importants en matière de robustesse et d’interprétabilité, tandis que les modèles neuronaux offrent davantage de flexibilité. Le principal enseignement est que le choix du modèle dépend du critère d’évaluation, du régime de volatilité et de l’usage financier envisagé, plutôt que de l’existence d’un modèle universellement supérieur.