Page des modeles

Modèle de machine learning

Modèles classiques

Régressions linéaires / logistiques
SVM
Arbres de décision, random forest, XGBoost
k-NN

Réseaux de neurones

RNN / LSTM / GRU : spécialisés pour les séries temporelles
Transformer pour séries temporelles (plus récent, efficace)
Autoencoders pour réduction de dimension ou détection d’anomalies

Apprentissage par renforcement (RL)

Agents apprenant à acheter/vendre selon des récompenses
Approche utilisée par les hedge funds

Différent modèle possible

Classification supervisée (prévoir si ça monte ou baisse)

Famille	Algorithme	Notes utiles
Linéaire	Logistic Regression	Simple, rapide, solide baseline pour prédiction directionnelle
	Linear Discriminant Analysis (LDA)	Utile si les classes sont bien séparables
Arbres	Decision Tree Classifier	Interprétable mais instable seul
	Random Forest Classifier	Robuste, capte les non-linéarités
	Gradient Boosting (XGBoost, LightGBM…)	Très performant, souvent top en finance
Distance-based	K-Nearest Neighbors (KNN)	Simple, mais lent avec beaucoup de données
Support Vectors	Support Vector Machine (SVM)	Efficace sur données bien séparables, nécessite scaling
Réseaux de neurones	MLPClassifier (Multi-Layer Perceptron)	Non linéaire, demande tuning et plus de données
Bayésien	Naive Bayes	Très rapide, mais trop simpliste pour des données complexes
Ensemble	StackingClassifier, VotingClassifier	Combine plusieurs modèles pour améliorer la robustesse

Famille

Algorithme

Notes utiles

Linéaire

Logistic Regression

Simple, rapide, solide baseline pour prédiction directionnelle

Linear Discriminant Analysis (LDA)

Utile si les classes sont bien séparables

Arbres

Decision Tree Classifier

Interprétable mais instable seul

Random Forest Classifier

Robuste, capte les non-linéarités

Gradient Boosting (XGBoost, LightGBM…)

Très performant, souvent top en finance

Distance-based

K-Nearest Neighbors (KNN)

Simple, mais lent avec beaucoup de données

Support Vectors

Support Vector Machine (SVM)

Efficace sur données bien séparables, nécessite scaling

Réseaux de neurones

MLPClassifier (Multi-Layer Perceptron)

Non linéaire, demande tuning et plus de données

Bayésien

Naive Bayes

Très rapide, mais trop simpliste pour des données complexes

Ensemble

StackingClassifier, VotingClassifier

Combine plusieurs modèles pour améliorer la robustesse

Régression supervisée (prévoir un prix ou un rendement)

Famille	Algorithme	Notes utiles
Linéaire	Linear Regression	Simple, baseline utile mais souvent insuffisante en finance
	Ridge / Lasso Regression	Régularisation pour éviter l’overfitting
Arbres	Decision Tree Regressor	Interprétable mais instable seul
	Random Forest Regressor	Robuste, très bon point de départ
	Gradient Boosting (XGBoost, LightGBM…)	Très efficace, souvent top pour prédire des rendements
Support Vectors	SVR (Support Vector Regression)	Stable mais sensible au bruit, scaling obligatoire
Réseaux de neurones	MLPRegressor	Bon pour apprendre des patterns non linéaires complexes
Ensemble	StackingRegressor, VotingRegressor	Combine plusieurs modèles pour plus de performance

Famille

Algorithme

Notes utiles

Linéaire

Linear Regression

Simple, baseline utile mais souvent insuffisante en finance

Ridge / Lasso Regression

Régularisation pour éviter l’overfitting

Arbres

Decision Tree Regressor

Interprétable mais instable seul

Random Forest Regressor

Robuste, très bon point de départ

Gradient Boosting (XGBoost, LightGBM…)

Très efficace, souvent top pour prédire des rendements

Support Vectors

SVR (Support Vector Regression)

Stable mais sensible au bruit, scaling obligatoire

Réseaux de neurones

MLPRegressor

Bon pour apprendre des patterns non linéaires complexes

Ensemble

StackingRegressor, VotingRegressor

Combine plusieurs modèles pour plus de performance