Évaluation et validation de prévisions en loi
Auteur / Autrice : | Michael Richard |
Direction : | Jérôme Collet, Christophe Hurlin |
Type : | Thèse de doctorat |
Discipline(s) : | Économie |
Date : | Soutenance le 09/05/2019 |
Etablissement(s) : | Orléans |
Ecole(s) doctorale(s) : | École doctorale Sciences de la Société : Territoires, Économie et Droit (Centre-Val de Loire) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'Economie d'Orléans (Orléans ; 2018-....) |
Jury : | Président / Présidente : Christophe Rault |
Examinateurs / Examinatrices : Jérôme Collet, Christophe Hurlin, Christophe Rault, Peter Tankov, Olivier Darné, Yannig Goude | |
Rapporteurs / Rapporteuses : Peter Tankov |
Résumé
Cette thèse porte sur l’évaluation et la validation de prévisions en loi. Dans la première partie, nous nous intéressons à l’apport du machine learning vis à vis des prévisions quantile et des prévisions en loi. Pour cela, nous avons testé différents algorithmes de machine learning dans un cadre de prévisions de quantiles sur données réelles. Nous tentons ainsi de mettre en évidence l’intérêt de certaines méthodes selon le type de données auxquelles nous sommes confrontés. Dans la seconde partie, nous exposons quelques tests de validation de prévisions en loi présents dans la littérature. Certains de ces tests sont ensuite appliqués sur données réelles relatives aux log-rendements d’indices boursiers. Dans la troisième, nous proposons une méthode de recalibration permettant de simplifier le choix d’une prévision de densité en particulier par rapport à d’autres. Cette recalibration permet d’obtenir des prévisions valides à partir d’un modèle mal spécifié. Nous mettons également en évidence des conditions sous lesquelles la qualité des prévisions recalibrées, évaluée à l’aide du CRPS, est systématiquement améliorée, ou très légèrement dégradée. Ces résultats sont illustrés par le biais d’applications sur des scénarios de températures et de prix.