Ce rapport détaille le processus d'analyse visant à prédire la performance future de l'indice MASI, représentant le marché boursier marocain. L'objectif principal est de développer un modèle prédictif robuste tout en identifiant les facteurs clés influençant les rendements.

L'étude débute par une compréhension approfondie du problème, des données disponibles, et des objectifs spécifiques, mettant l'accent sur l'estimation de la performance future et l'identification des facteurs d'influence.

Une analyse exploratoire des données examine l'historique des prix de l'indice MASI, des indicateurs macroéconomiques et d'autres indices sectoriels pour comprendre les tendances, saisons, et corrélations.

Les étapes incluent le nettoyage des données, la normalisation, et la création de nouvelles caractéristiques pour améliorer la performance des modèles.

Les modèles de régression linéaire, forêts aléatoires et réseaux de neurones sont sélectionnés pour leur diversité et leur aptitude à traiter la complexité du problème.

L'analyse temporelle du cours de clôture de l'indice MASI révèle des tendances significatives et des schémas émergents.

Une matrice de corrélation évalue la force et la direction des relations linéaires entre le cours de clôture et d'autres variables.

Une exploration approfondie des variables macroéconomiques, avec des visualisations des tendances et des distributions, vise à comprendre leur impact potentiel sur la performance de l'indice MASI.

Les modèles sélectionnés sont entraînés et testés, avec l'identification des caractéristiques les plus importantes pour chaque modèle.

L'évaluation de la performance des modèles se fait sur des ensembles de données distincts, en utilisant la métrique d'erreur quadratique moyenne (MSE) pour quantifier leur précision.

Le modèle de forêt aléatoire est optimisé avec une recherche sur grille des hyperparamètres, comparant les performances avant et après l'optimisation.

L'analyse conduit à un modèle prédictif solide, mettant en lumière l'influence significative des facteurs macroéconomiques. Les modèles de forêts aléatoires et de réseaux de neurones présentent des performances prometteuses. Le rapport fournit une méthodologie détaillée, des analyses approfondies et des justifications pour les choix de modélisation. Ces résultats offrent des perspectives essentielles pour des décisions éclairées sur le marché boursier marocain. Des itérations futures pourraient explorer des modèles plus complexes et intégrer davantage de données pour une analyse plus holistique.

Enjoy Code 👨‍💻 My portfolio