●Partie 1 : Principes fondamentaux de l’analyse et de la prévision des séries chronologiques

Chapitre 1 : Stationnarité des séries temporelles et principes fondamentaux de l'analyse des séries temporelles
1.1 Stationnarité des séries temporelles
1.2 Modèle de série chronologique de base
1.3 Test de racine unitaire
1.4 Conversion en séries temporelles stationnaires
1.5 Pratique

Chapitre 2 Procédures de prévision des séries chronologiques et méthodes d'évaluation
2.1 Procédure de prédiction
2.2 Prédiction prospective multi-étapes
2.3 Fonction d'erreur de prédiction
2.4 Méthode de test du pouvoir prédictif
2.5 Pratique

Partie 2 : Apprentissage automatique et prédiction

Chapitre 3 : Introduction à l'apprentissage automatique et à l'apprentissage supervisé
3.1 Qu'est-ce que l'apprentissage automatique ?
3.2 Apprentissage supervisé

Chapitre 4 : Modèles de régression linéaire et réduction d’échelle
4.1 Modèle de régression linéaire et estimateur des moindres carrés
4.2 Méthode d'estimation réduite
4.3 Exercices pratiques d'utilisation des données de séries chronologiques
4.4 Exercices d'utilisation de données transversales

Chapitre 5 Modèle basé sur un arbre de décision
5.1 Modèle d'arbre de décision
5.2 Ensachage
5.3 Forêt aléatoire
5.4 Boost
5.5 Pratique d'estimation des modèles basés sur les arbres de décision

Chapitre 6 : Modèles basés sur les réseaux de neurones artificiels
6.1 Réseaux de neurones artificiels
6.2 Apprentissage par réseaux de neurones artificiels
6.3 Réseaux de neurones récurrents
6.4 LSTM
6.5 Pratique de l'estimation des modèles de réseaux de neurones artificiels

Chapitre 7 : Exercices pratiques : Prévision de l’inflation à l’aide de l’apprentissage automatique et questions connexes
7.1 Exercice de prévision de l'inflation aux États-Unis
7.2 Exercices pratiques liés à la constitution d'un ensemble de données
7.3 La relation entre la persistance des séries temporelles et la prédiction par apprentissage automatique

Partie 3 : Analyse intermédiaire des séries chronologiques

Chapitre 8 Modèle autorégressif vectoriel
8.1 Modèle autorégressif vectoriel réduit
8.2 Modèle autorégressif vectoriel structurel
8.3 Pratique

Chapitre 9 Modèles de variance et de volatilité conditionnelles
9.1 Modèle de variance conditionnelle
9.2 Développement de modèles de type ARCH/GARCH
9.3 Modèle de volatilité stochastique
9.4 Volatilité réalisée et implicite
9.5 Pratique

supplément
Annexe Installation et utilisation de base d'AR et de RStudio
Annexe B : Installation et utilisation de base de Python et de VS Code
Trouver des références

Ce livre est conçu pour aider les lecteurs à apprendre facilement et systématiquement les techniques d'apprentissage automatique nécessaires à la prédiction des données de séries temporelles dans les domaines de l'économie et de la finance.
Il se concentre sur les méthodes de prévision qui tiennent compte des caractéristiques des données de séries chronologiques et aide les lecteurs à développer leur capacité à appliquer les connaissances théoriques à l'analyse réelle grâce à des exercices pratiques utilisant des données réelles.

Les parties 1 et 2 sont basées sur des cours magistraux du cours de premier cycle « Apprentissage automatique et prévision des séries temporelles économiques et financières » et du cours de deuxième cycle « Apprentissage automatique et prévision économique » du département d'économie quantitative appliquée de l'université Sungkyunkwan.
Nous nous sommes concentrés sur la sélection des seuls concepts et méthodes essentiels à la prédiction des données de séries chronologiques économiques et financières à l'aide de techniques d'apprentissage automatique, et sur leur explication aussi simple et claire que possible.
Nous espérons que ce livre constituera un guide utile pour les étudiants, les chercheurs et les enseignants intéressés par la prévision des séries temporelles économiques et financières à l'aide de l'apprentissage automatique.
La caractéristique la plus remarquable de ce livre est que chaque chapitre comprend des exemples pratiques utilisant R et Python.
La formation est structurée de manière à vous permettre d'apprendre en suivant le processus de prédiction à l'aide de données économiques et financières réelles.
Tous les codes et données relatifs à l'exercice peuvent être téléchargés depuis le site web ci-dessous.

https://github.com/heejoonhan/Machine-Learning-and-Forecasting-Textbook

Chaque chapitre comprend une section pratique distincte, fournissant des instructions étape par étape pour exécuter le code afin de produire des résultats de prédiction.
Les lecteurs peuvent télécharger le code d'exercice depuis le site web ci-dessus et l'exécuter eux-mêmes, tout en apprenant naturellement le contenu de l'exercice en se référant aux explications du manuel.
Pour une explication plus détaillée du programme et du code, veuillez vous référer à la section « Programme et code pratique » ci-après.

La première partie de ce livre traite des principes fondamentaux de l'analyse et de la prévision des séries chronologiques et se compose de deux chapitres.
Le chapitre 1 explique les concepts essentiels de l'analyse des séries temporelles, tels que la stationnarité et la racine unitaire, ainsi que les modèles de séries temporelles de base, tels que l'autorégression et la moyenne mobile.
Le chapitre 2 présente les procédures de prévision et les méthodes d'évaluation du pouvoir prédictif à l'aide de données de séries chronologiques.
La plupart des manuels généraux d'apprentissage automatique supposent des données transversales et ne reflètent souvent pas adéquatement les caractéristiques des données de séries temporelles.
Cependant, étant donné que les données de séries temporelles présentent des caractéristiques uniques différentes de celles des données transversales, il n'est pas conseillé d'appliquer les techniques d'apprentissage automatique telles quelles en ignorant ces caractéristiques.
En particulier, les données économiques et financières contiennent souvent des racines unitaires ; il convient donc d'être particulièrement vigilant lorsqu'on les utilise pour des prévisions sans les convertir correctement en séries chronologiques stationnaires.
Par conséquent, dans la prévision des séries chronologiques économiques et financières, le processus d'évaluation et de traitement de la stationnarité de la série chronologique est très important, et ces connaissances de base doivent être comprises et transmises à travers le contenu abordé dans la partie 1.

La partie 2 est la partie principale qui traite de l'apprentissage automatique et de la prédiction, et se compose de cinq chapitres, des chapitres 3 à 7.
En partant des concepts de base de l'apprentissage automatique, nous présentons les techniques clés largement utilisées dans les domaines pratiques et académiques.
En apprentissage automatique, la classification, qui prédit les variables catégorielles, est également importante, mais comme ce livre se concentre sur la prédiction des séries temporelles économiques et financières, il ne traite que de la régression, qui prédit les variables continues.
Le chapitre 3 présente les concepts de base de l'apprentissage automatique et de l'apprentissage supervisé, vous aidant à comprendre comment fonctionne l'apprentissage automatique et comment il apprend.
Le chapitre 4 explique les modèles de régression linéaire et les techniques d'estimation par réduction d'échelle.
Nous nous concentrons sur la régression Lasso, qui est particulièrement performante en matière de sélection et d'interprétation des variables et qui est largement utilisée dans le domaine de l'économie.
Le chapitre 5 décrit les modèles basés sur les arbres de décision, en se concentrant en particulier sur les forêts aléatoires et le boosting, qui sont fréquemment utilisés en pratique.
Le chapitre 6 traite des méthodes de prédiction basées sur les réseaux neuronaux artificiels, en se concentrant sur les réseaux neuronaux récurrents et les modèles LSTM, qui sont largement utilisés pour la prédiction des séries temporelles.
Pour les modèles basés sur des arbres de décision et les modèles basés sur des réseaux neuronaux artificiels, nous avons tenté de minimiser les explications algorithmiques complexes et de n'expliquer que les concepts fondamentaux qui facilitent la compréhension intuitive.

Le chapitre 7 est un chapitre pratique qui résume et met en pratique ce qui a été appris dans les chapitres 1 à 6.
Nous allons concrètement constituer un ensemble de données, mettre en place une procédure de prévision, réaliser des prévisions à l'aide de divers modèles de séries chronologiques et d'apprentissage automatique, et évaluer et tester le pouvoir prédictif, le tout sur le thème de la prévision de l'inflation.
La partie 3 traite de l'analyse des séries temporelles intermédiaires et se compose de deux chapitres.
Le chapitre 8 traite du modèle autorégressif vectoriel, qui analyse les interactions entre plusieurs variables de séries temporelles, et le chapitre 9 explique la variance conditionnelle et la volatilité des séries temporelles, en se concentrant sur les modèles ARCH et GARCH.
Les sujets abordés dans ces chapitres sont non seulement importants sur le plan théorique en analyse des séries temporelles, mais sont également très utiles en économie et en finance pratiques.
Les modèles autorégressifs vectoriels sont souvent utilisés pour la prévision des séries temporelles, et la prévision de la volatilité des marchés financiers fournit des informations importantes pour la gestion des risques et l'ajustement des portefeuilles des acteurs des marchés financiers.
Dans des cours tels que « Analyse et prévision des séries chronologiques » ou « Économétrie financière », il serait conseillé d'étudier les parties 1 et 3 ensemble, et le chapitre 4 de la partie 2 (Estimation par raccourcissement).

Le contenu de ce livre est une compilation des recherches et de l'enseignement de l'auteur au cours des 20 dernières années à l'Université nationale de Singapour, à l'Université Kyung Hee et à l'Université Sungkyunkwan.
Bien que j'aie fait de mon mieux pour écrire ce livre, il peut comporter quelques imperfections.
Nous vous remercions de votre compréhension à ce sujet, et toute modification qui pourrait survenir après la publication sera disponible dans la salle de données du site web de Free Academy (www.freeaca.com), veuillez donc vous y référer.