Quels algorithmes d'apprentissage automatique peuvent être utilisés pour les prévisions de séries chronologiques?

Actuellement, je joue avec les prévisions de séries temporelles (spécifiquement pour le Forex). J'ai vu des articles scientifiques sur les réseaux d'état d'écho qui sont appliqués aux prévisions Forex. Existe-t-il d'autres bons algorithmes d'apprentissage automatique à cet effet?

Il serait également intéressant d'extraire des modèles "rentables" de la série chronologique.

Voici trois documents d'enquête qui examinent l'utilisation de l'apprentissage automatique dans la prévision des séries chronologiques:

• "Une comparaison empirique des modèles d'apprentissage automatique pour la prévision de séries chronologiques" par Ahmed, Atiya, El Gayar et El-shishiny fournit une comparaison empirique de plusieurs algorithmes d'apprentissage automatique, notamment:

"... perceptron multicouche, réseaux de neurones bayésiens, fonctions de base radiales, réseaux de neurones de régression généralisée (également appelés régression du noyau), régression K-plus proche voisin, arbres de régression CART, support de la régression vectorielle et processus gaussiens."

• "La prévision des séries chronologiques financières avec les techniques d'apprentissage automatique: une enquête" de Krollner, Vanstone et Finnie trouve:

"... que les réseaux de neurones artificiels (RNA) sont la technique d'apprentissage machine dominante dans ce domaine."

• "Stratégies d'apprentissage automatique pour la prévision de séries chronologiques" par Bontempi, Ben Taieb et Le Borgne se concentre sur trois aspects:

"... la formalisation des problèmes de prévision en une étape en tant que tâches d'apprentissage supervisé, la discussion des techniques d'apprentissage locales comme un outil efficace pour traiter les données temporelles, et le rôle de la stratégie de prévision lorsque nous passons d'une étape à plusieurs - prévision par étapes. "