Etude de L'Algorithme Long Short Term Memory (LSTM) Pour la Prédiction des Cours Boursiers

Abstract

L’objectif de notre travail est d'explorer et d’étudier l’algorithme LSTM ainsi que son rôle pour la prédiction des cours boursiers. Nous avons divisé notre mémoire en deux grandes parties : partie théorique et partie pratique. Dans la partie théorique, nous avons d'abord fait appel au machine Learning. Ensuit on a présenté les introductions est les notions de base des réseaux de neurones. Nous avons pris en particulier les réseaux de neurones récurrents ou les LSTMs représentent un cas particulier dans ce dernier. On a exposé les concepts ainsi que les notions de base des LSTMs puis on est passe à l'étude de son fonctionnement. Dans la partie pratique, on a étudié une implémentation élémentaire des algorithmes LSTM et ANN, ou les principales fonctions sont illustrées dans un code Python. Ainsi nous avons ajouté des captures d'écran pour présenter les résultats sous forme graphiques. Ces graphes décrivent la prédiction des cours boursiers par les algorithmes étudiés. Pour valider l’hypothèse énoncée dans l’introduction, on a fait une interprétation de ces résultats en plus des calculs d’erreurs. Finalement, nous sommes arrivés à une conclusion, qui est la suivante : LSTM peut effectivement faire des prévisions futures satisfaisantes et efficaces à la fois pour les stocks.