Prévision des distributions de probabilité des rendements financiers avec des réseaux de neurones profonds

Forecasting Probability Distributions of Financial Returns with Deep Neural Networks

August 26, 2025

papers.authors: Jakub Michańków

cs.AI

papers.abstract

Cette étude évalue les réseaux de neurones profonds pour la prévision des distributions de probabilité des rendements financiers. Des architectures de réseaux de neurones convolutifs 1D (CNN) et de mémoire à long terme (LSTM) sont utilisées pour prédire les paramètres de trois distributions de probabilité : normale, de Student et de Student asymétrique. En utilisant des fonctions de perte personnalisées basées sur la log-vraisemblance négative, les paramètres des distributions sont optimisés directement. Les modèles sont testés sur six indices boursiers majeurs (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225 et KOSPI) à l'aide de métriques d'évaluation probabilistes, notamment le score prédictif logarithmique (LPS), le score de probabilité classée continue (CRPS) et la transformée intégrale de probabilité (PIT). Les résultats montrent que les modèles d'apprentissage profond fournissent des prévisions distributionnelles précises et rivalisent avec les modèles GARCH classiques pour l'estimation de la valeur à risque. Le modèle LSTM avec distribution de Student asymétrique obtient les meilleures performances selon plusieurs critères d'évaluation, capturant à la fois les queues épaisses et l'asymétrie des rendements financiers. Ce travail démontre que les réseaux de neurones profonds constituent des alternatives viables aux modèles économétriques traditionnels pour l'évaluation des risques financiers et la gestion de portefeuille.

English

This study evaluates deep neural networks for forecasting probability distributions of financial returns. 1D convolutional neural networks (CNN) and Long Short-Term Memory (LSTM) architectures are used to forecast parameters of three probability distributions: Normal, Student's t, and skewed Student's t. Using custom negative log-likelihood loss functions, distribution parameters are optimized directly. The models are tested on six major equity indices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225, and KOSPI) using probabilistic evaluation metrics including Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS), and Probability Integral Transform (PIT). Results show that deep learning models provide accurate distributional forecasts and perform competitively with classical GARCH models for Value-at-Risk estimation. The LSTM with skewed Student's t distribution performs best across multiple evaluation criteria, capturing both heavy tails and asymmetry in financial returns. This work shows that deep neural networks are viable alternatives to traditional econometric models for financial risk assessment and portfolio management.