Les réseaux de neurones et l'intelligence artificielle

Depuis une dizaine d'année, les réseaux de neurones artificiels habituellement utilisés en physique appliquée font leur entrée dans la finance en tant que méthode quantitative de prévision, à côté des méthodes statistiques classiques.

Il existe deux raisons principales qui nous ont conduit à s'intéresser à cet outil et à l'intégrer dans notre logiciel de bourse (Finance).


La première est que contrairement aux méthodes statistiques classiques les réseaux de neurones artificiels ne nécessitent aucune hypothèse sur les variables.

La seconde est qu'ils sont tout à fait adaptés pour traiter des problèmes complexes non structurés, c'est-à-dire des problèmes sur lesquels il est impossible a priori de spécifier la forme des relations entre les variables utilisées.

C'est grâce à des algorithmes, que ces systèmes apprennent par eux-mêmes les relations entre les variables à partir d'un ensemble de données, à l'image de ce que ferait le cerveau humain. Ainsi, le réseau se paramètre de lui même à partir des exemples qui lui sont fournis.

Cette approche dénommée approche connexionniste se démarque des systèmes experts en ce sens que dans ces derniers, l'utilisateur est tenu d'élaborer une base de connaissances qui renferme les règles de déduction qui doivent être appliquées.

La construction de cette base est souvent fastidieuse et demande un long travail de formalisation des connaissances de l'expert. L'attrait de l'approche connexionniste face aux systèmes experts réside donc bien dans le fait que les réseaux de neurones sont capables d'apprendre par eux-mêmes les relations entre les variables.