Canada Spends Logo

Explore our Budget 2026 analysis

Grant: Engage Grants Program

Université de Sherbrooke

$24,952.00

Prédiction en séries chronologiques financières à l'aide de réseaux neuronaux récurrents

FY 2014-15

Summary
Un problème important dans la modélisation statistique de la distribution des rendements d'actifs financiersréside dans la caractérisation précise des queues de distribution. Bien qu'au cours des deux dernières décenniesdes progrès significatifs aient été accomplis dans la modélisation des moments de second ordre de ladistribution de la dynamique des séries chronologiques, les moments d'ordre supérieur restent encore beaucoupplus difficiles à estimer de manière fiable et la plupart des modèles existants ne peuvent incorporer desvariables explicatives de façon flexible (e.g. de façon non-linéaire).Ces dernières années ont vu le développement d'algorithmes dits d'apprentissage profond, qui sont capablesd'entraîner des réseaux de neurones profonds afin de modéliser une certaine expertise donnée et d'effectuer desprédictions utiles. Dans ce projet, nous visons à explorer comment les algorithmes d'apprentissage profondpeuvent être appliqués à la prédiction de séries temporelles financières. Plus précisément, nous allonsdévelopper de nouveaux algorithmes d'apprentissage pour une classe de réseaux appelée réseaux de neuronesrécurrents. Ce type de réseaux est une solution naturelle pour la prédiction de séries temporelles. Nous nousattendons à ce que les progrès récents dans le développement d'algorithmes de réseaux neuronaux profondspuissent être exploités et adaptés afin d'améliorer la performance des réseaux de neurones récurrents dans cecontexte. Plus précisément, ils aideront à réduire les difficultés liées au surapprentissage, qui est caractéristiquedes problèmes tels la prédiction de séries financières où le ratio signal sur bruit est faible.
Program
Engage Grants Program
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data

As published

Application id
466452-2014
Name nom
Dussault, JeanPierre
Department département
Informatique
Organization id
68
Institution établissement
Université de Sherbrooke
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2014
Competition year année de concours
2014
Award amount
24952
Program id
EGP
Program name en
Engage Grants Program
Program name fr
Programme de subventions d'engagement partenariat
Group en
Research partnerships programs
Group fr
Programmes de partenariat
Committee code
1552
Committee name en
Quebec Internal Decision Committee
Committee name fr
Comité de décision interne pour le Québec
Area of application code
1207
Area of application group en
Advancement of knowledge
Area of application group fr
Avancement des connaissances
Area of application en
Information, computer and communication technologies
Area of application fr
Technologie de l'information, des ordinateurs et des réseaux de communications
Research subject code
2805
Research subject group en
Artificial intelligence
Research subject group fr
Intelligence artificielle
Research subject en
Learning and inference theories
Research subject fr
Théories de l'apprentissage et l'inférence
Partie
1
Nb partie
1
Application title
Prédiction en séries chronologiques financières à l'aide de réseaux neuronaux récurrents
Keyword
NSERC
Application summary
Un problème important dans la modélisation statistique de la distribution des rendements d'actifs financiersréside dans la caractérisation précise des queues de distribution. Bien qu'au cours des deux dernières décenniesdes progrès significatifs aient été accomplis dans la modélisation des moments de second ordre de ladistribution de la dynamique des séries chronologiques, les moments d'ordre supérieur restent encore beaucoupplus difficiles à estimer de manière fiable et la plupart des modèles existants ne peuvent incorporer desvariables explicatives de façon flexible (e.g. de façon non-linéaire).Ces dernières années ont vu le développement d'algorithmes dits d'apprentissage profond, qui sont capablesd'entraîner des réseaux de neurones profonds afin de modéliser une certaine expertise donnée et d'effectuer desprédictions utiles. Dans ce projet, nous visons à explorer comment les algorithmes d'apprentissage profondpeuvent être appliqués à la prédiction de séries temporelles financières. Plus précisément, nous allonsdévelopper de nouveaux algorithmes d'apprentissage pour une classe de réseaux appelée réseaux de neuronesrécurrents. Ce type de réseaux est une solution naturelle pour la prédiction de séries temporelles. Nous nousattendons à ce que les progrès récents dans le développement d'algorithmes de réseaux neuronaux profondspuissent être exploités et adaptés afin d'améliorer la performance des réseaux de neurones récurrents dans cecontexte. Plus précisément, ils aideront à réduire les difficultés liées au surapprentissage, qui est caractéristiquedes problèmes tels la prédiction de séries financières où le ratio signal sur bruit est faible.