Méthodes statistiques pour la modélisation de la volatilité conditionnelle avec des applications à la finance

Cette thèse de doctorat se concentre sur le développement de méthodes statistiques innovantes pour la prévision de la volatilité conditionnelle, en intégrant des techniques d’apprentissage automatique et en améliorant les stratégies d’optimisation numérique. Avec un accent particulier sur le marché hautement volatil du Bitcoin, la recherche introduit l’algorithme de sélection de variables Log-TGARCHX (VS-LTGARCHX), qui permet d’identifier les variables exogènes pertinentes pour améliorer les prédictions de volatilité tout en réduisant le surapprentissage. La thèse présente également l’algorithme Entropie Croisée avec Brisure de Symétrie et Kmeans (CESBKM), qui affine les techniques de clustering pour capturer les comportements à changement de régime dans les séries temporelles financières. De plus, elle introduit l’algorithme Entropie Croisée avec Arbres de Décision (CEDT) pour les modèles Autorégressifs à Seuil en Boucle Ouverte (OLTAR), combinant l’optimisation globale avec l’apprentissage par arbres de décision afin de mieux capturer les dynamiques de régime. Les applications empiriques montrent que les modèles proposés surpassent les références traditionnelles, offrant des outils méthodologiquesutiles avec des applications pratiques dans la modélisation financière.