Contributions à l'étude de flux de trésorerie : Approches basées sur l'apprentissage automatique

Treasury cash flow studies : Machine learning based approaches

• Auteur / Autrice : Mohamed Ndiaye
• Direction : Mamadou Mboup
• Type : Thèse de doctorat
• Discipline(s) : ATS - Automatique et Traitement de Signal
• Date : Soutenance le 11/12/2024
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (Reims, Marne ; 2004-....)
• Partenaire(s) de recherche : Equipe de recherche : Equipe ATS-CRESTIC
• Jury : Président / Présidente : Valeriu Vrabie
• Jury : Examinateurs / Examinatrices : Mamadou Mboup, Aline Neves de Oliveira, Bernard Kamsu-Foguem, Gaël Mahé
• Jury : Rapporteurs / Rapporteuses : Aline Neves de Oliveira, Bernard Kamsu-Foguem

Mots clés

Mots clés contrôlés

Apprentissage non supervisé (intelligence artificielle)

Apprentissage automatique

Applications financières

Génie logiciel

Gestion de trésorerie

Traitement du signal

Réseaux neuronaux (informatique)

Prévision

Séries chronologiques

Mots clés libres

Séries temporelles

Prévision

Réseaux de neurones

Traitement du signal

Gestion de trésorerie

Combinaison de prévisions

Time series

Forecast

Neural Networks

Signal Processing

Treasury Management

Forecast Combinations

Résumé

Cette thèse propose des méthodes avancées pour la prévision des données de trésorerie. Les systèmes de gestion de trésorerie génèrent de grandes quantités de données transactionnelles, créant un besoin croissant de techniques de prévision efficaces. En collaboration avec Diapason, une société de logiciels financiers, cette recherche développe un framework de prévision robuste.L'étude exploite des techniques de décomposition de signaux, en particulier la décomposition modale empirique (EMD), l'extraction d'enveloppes (EX) et l'analyse multi-résolution (MRA), pour simplifier les séries temporelles non linéaires et non stationnaires. Ces méthodes réduisent la complexité des données, améliorant les performances des modèles tels que l'ARIMA et des approches d'apprentissage automatique comme les réseaux de mémoire longue à court terme (LSTM) et les unités récurrentes à portes (GRU). La décomposition des séries en sous-composants permet des prévisions plus précises.Une contribution novatrice de ce travail est l'ajout d'une étape de décomposition supplémentaire, l'extraction d'enveloppes, appliquée après l'EMD pour affiner la décomposition des fonctions modales intrinsèques. Cela améliore la précision des prévisions, notamment pour les séries non stationnaires. Une stratégie de combinaison de prévisions pondérée est également proposée. Elle repose sur l'intégration de variables spécifiques au domaine d'activité du client générant les données, pour le calcul des poids de la combinaison.Les expériences menées sur des données réelles de trésorerie démontrent une précision et une évolutivité accrues par rapport aux approches traditionnelles. Ce cadre flexible, alliant décomposition de signaux, apprentissage automatique et techniques de combinaison de prévisions, présente des applications prometteuses en gestion de trésorerie d'entreprise.

This thesis presents advanced methods for forecasting treasury data, focusing on the complexities of corporate cash flow management. In collaboration with Diapason, a financial software company, this research develops a robust forecasting framework.The study leverages signal decomposition methods, particularly Empirical Mode Decomposition (EMD), Envelope Extraction (EX), and Multiresolution Analysis (MRA), to simplify non-linear and non-stationary time series. These methods reduce data complexity, improving the performance of models such as ARIMA and machine learning approaches like Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU). By decomposing time series into simpler sub-signals, individual component forecasting leads to higher accuracy.A novel contribution of this work is the introduction of an additional decomposition step, Envelope Extraction, applied after EMD to further decompose Intrinsic Mode Functions. This improves forecast precision, especially for non-stationary series. Additionally, a weighted forecast combination strategy is proposed, incorporating domain-specific control features to compute the weights of the combinations.Through experiments on real-world treasury data, the proposed methods outperform traditional approaches, demonstrating improved accuracy and scalability. This research offers a flexible forecasting pipeline, combining signal decomposition, machine learning, and forecast integration techniques, and has significant practical applications in corporate treasury management.