Contributions en apprentissage profond pour la modélisation des séries temporelles : application au problème d'exécution VWAP

Contributions in Deep Learning for Time Series Modeling : Application to the VWAP Execution Problem

• Auteur / Autrice : Rémi Genet
• Direction : Fabrice Riva
• Type : Thèse de doctorat
• Discipline(s) : Finance
• Date : Soutenance le 07/07/2025
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale SDOSE (Paris)
• Partenaire(s) de recherche : Laboratoire : Dauphine Recherches en management (Paris)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université Paris Dauphine-PSL (1968-....)
• Partenaire(s) de recherche : Entreprise : Aplo
• Jury : Président / Présidente : Serge Darolles
• Jury : Examinateurs / Examinatrices : Fabrice Riva, Iryna Veryzhenko, Charles-Albert Lehalle, Tristan Cazenave, Frantz Maurer
• Jury : Rapporteurs / Rapporteuses : Iryna Veryzhenko, Charles-Albert Lehalle

Mots clés

Mots clés contrôlés

Spéculation

Recherche quantitative

Séries chronologiques

Apprentissage profond

Mots clés libres

Apprentissage profond

Séries temporelles

Vwap

Signatures de chemins

Finance quantitative

Exécution optimale

Deep Learning

Time Series

Vwap

Path Signatures

Quantitative Finance

Optimal Execution

Résumé

Cette thèse, motivée par l'optimisation des stratégies VWAP sur les marchés de crypto-monnaies, propose une refonte substantielle de ces stratégies grâce à l'apprentissage profond. En dépassant l'approche traditionnelle qui réduit le VWAP à un simple problème de prévision des volumes, cette recherche démontre que la flexibilité des réseaux de neurones permet de reformuler le défi d'exécution en un système différentiable unifié où prédiction et optimisation fonctionnent en synergie. Les contributions s'articulent autour de trois axes principaux. Premièrement, de nouvelles architectures neuronales sont développées – notamment le Temporal Kolmogorov-Arnold Network (TKAN), le Temporal Kolmogorov-Arnold Transformer (TKAT) et le Temporal Linear Network (TLN) – pour améliorer la modélisation des séries temporelles. Deuxièmement, des méthodes d'intégration des signatures de chemins dans les réseaux de neurones sont proposées, aboutissant à deux architectures hybrides : SigGate et SigKAN. Enfin, une méthodologie progressive est élaborée pour appliquer ces innovations au problème VWAP : d'abord par l'établissement d'un modèle statique d'allocation des volumes, puis par son extension vers un cadre dynamique intégrant des ajustements en temps réel, et finalement par sa généralisation en un modèle multi-actifs capable de s'adapter à divers contextes de marché. Cette approche intégrée illustre comment l'apprentissage profond peut transformer la résolution de problèmes complexes en en simplifiant grandement la modélisation. Elle permet également de démontrer comment des blocs développés pour un cas spécifique peuvent par la suite s'intégrer naturellement dans d'autres problèmes connexes. Cette thèse met ainsi en évidence l'intérêt d'enrichir les approches possibles et ainsi les outils à disposition, chacun pouvant présenter des avantages dans des contextes spécifiques.

This thesis, motivated by the optimization of VWAP strategies on cryptocurrency markets, proposes a substantial rethinking of these strategies through deep learning. By moving beyond the traditional approach that reduces VWAP to a simple volume forecasting problem, this research demonstrates how neural networks' flexibility enables the execution challenge to be reformulated as a unified differentiable system where prediction and optimization function synergistically.The contributions are structured around three main axes. First, new neural network architectures are developed – namely the Temporal Kolmogorov-Arnold Network (TKAN), the Temporal Kolmogorov-Arnold Transformer (TKAT), and the Temporal Linear Network (TLN) – to enhance time series modeling. Second, methods for integrating path signatures into neural networks are proposed, resulting in two hybrid architectures: SigGate and SigKAN. Finally, a progressive methodology is formulated to apply these innovations to the VWAP problem: beginning with a static volume allocation model, then extending it into a dynamic framework incorporating real-time adjustments, and ultimately generalizing the approach into a multi-asset model capable of adapting to diverse market contexts. This integrated approach illustrates how deep learning can transform the resolution of complex problems by greatly simplifying their modeling. It also demonstrates how components developed for a specific case can subsequently be naturally integrated into other related problems. This thesis thus highlights the value of enriching the possible approaches and available tools, each offering advantages in specific contexts.