Ana səhifə

Membres du jury


Yüklə 4.72 Mb.
səhifə1/40
tarix09.06.2016
ölçüsü4.72 Mb.
  1   2   3   4   5   6   7   8   9   ...   40
UNIVERSITÉ MONTESQUIEU – BORDEAUX IV

Institut d’Administration des Entreprises

Centre de Recherches en Contrôle et Comptabilité Internationale


Thèse pour le Doctorat ès Sciences de Gestion

Présentée et soutenue publiquement le 27 mars 2007
Par
Zakwan KREIT

MEMBRES DU JURY

M. Pascal BARNETO
Professeur à l’Université de Bretagne Sud, rapporteur

M. Jean-Guy DEGOS
Professeur à l’Université Montesquieu-Bordeaux IV, directeur de thèse
M. Serge EVRAERT

Professeur à l’Université Montesquieu-Bordeaux IV



M. Didier LECLERE

Professeur au Conservatoire National des Arts et Métiers, rapporteur


REMERCIEMENTS

Mon séjour en France m’a enrichi considérablement sur le plan culturel et scientifique. La conclusion en est une contribution au domaine scientifique et technique certes modeste, mais,  j’espère, qui présente un certain intérêt.

Je tiens à exprimer mes plus sincères remerciements à :


  • Mon directeur de thèse, le professeur Jean-Guy DEGOS  pour l’aide compétente qu’il m’a apportée, pour sa patience et ses encouragements tout au long d’un travail de plusieurs années. Ses critiques pertinentes m’ont toujours été précieuses pour structurer mon travail et en améliorer la qualité.



  • Monsieur Serge EVRAERT,  Professeur à l’Université Bordeaux IV, pour avoir bien voulu me faire l’honneur de  présider le jury.



  • Monsieur Pascal BARNETO,  Professeur à l’Université de Bretagne Sud, pour l’honneur qu’il me fait d’accepter de participer au jury de soutenance de cette thèse. 



  • Monsieur Didier LECLERE, Professeur  au Conservatoire National des Arts et Métiers, qui m’honore en étant  membre de ce jury et rapporteur de cette thèse.



  • La SYRIE mon pays, et la FRANCE qui m’a permis de réaliser cette recherche.



  • Le CROUS de Bordeaux représenté par Madame C. LAOUÉ (Service des étudiants étrangers) pour son soutien et sa compréhension.



  • Madame J.OUSTALET et Monsieur R.CUILLIERIER qui m’ont aimablement accueilli et conseillé  pendant les années de préparation de ma thèse.

J’adresse aussi mes plus vifs remerciements à toutes les personnes qui m’ont aide d’une manière ou d’une autre à effectuer mes recherches- je ne citerai pas de noms  de peur d’en oublier certains.

Enfin, je dédie ce travail à ma femme aimée et ma fille Aya qui occupent une si grande place dans mon cœur, à ma famille et à tous mes amis français et syriens.


SOMMAIRE

REMERCIEMENTS 1

SOMMAIRE 3

INTRODUCTION 6

1- Revue et examen de la littérature 12

2- Méthodologie de la recherche 22

Première Partie

Analyse et méthodes d’aide à la décision ………………………………….29

Chapitre 1- ANALYSE DE LA DECISION 32

1- Définitions 32

2- Les bases de la prise de décision 35

3- Typologie de décision 44

4- Les cntextes du choix 51

5- Le degré de formalisation du comportement du décideur 52

6- Les classifications syntétiques 52

Chapitre 2- THÉORIE DU PROCESSUS DE DÉCISION 57

1- Définitions  263

Une décision est un choix entre une ou plusieurs possibilités et si on applique cette définition simple et réaliste au décideur dans l’entreprise on comprend que son comportement consiste à choisir : il décide de son action. La décision est à la fois l’élément moteur et le point culminant de gestion. 265

2-Les bases de la prise de décision 267

2.1. Présentation historique 267

2.2. Les ressources de la prise de décision 268

3- Typologie de décision 276

3.1. L'objet de la décision (le modèle pyramidal traditionnel) 276

3.2. L'échéance de la décision 278

3.3. Le degré de structure de la décision 281

4- Les contextes du choix 284

5- Le degré de formalisation du comportement du décideur 285

6- Les classifications synthétiques 285

Chapitre 2 291

THÉORIE DU PROCESSUS DE DÉCISION 291

1- Les théories de la décision 292

2.2. Le modèle classique 301

6 - Le système de décision 309

7 - Le management décisionnel 311

1 - L'aide à la décision en univers certain 316

2 - L'aide à la décision en univers aléatoire 320

3 - L'aide à la décision en univers conflictuel (hostile) 329

4 - L'aide à la décision en univers incertain 335

4.2. Le critère de WALD ou du « Maximin » 338

4.3. Le critère de SAVAGE ou du « Minimax Regret » 339

4.4. Le(s) critère(s) de HURWITZ 339



Chapitre 6 387

MÉTHODES DE PRÉVISION 387

1. La méthode ARIMA (moyenne mobile intégrée auto-régressive) 388

1.1.1. Premier critère : la différenciation 389

1.1.2. Deuxième critère : l’auto-régression 390

391


1.1.3. Troisième critère : la moyenne mobile 392

1.2. Signification des paramètres des modèles ARIMA 394

1.3. Les différentes étapes 395

1.3.1. Détermination de l'ordre de différenciation 396

1.3.2. Identification des termes AR (p: Auto-régressifs) 397

1.3.3. Identification des termes MA (q : Moyennes mobiles) 398

1.3.4. Estimation des paramètres 399

1.3.5. Validation 400

1.3.6. Prévision 400

2- Méthode des réseaux de neurones artificiels ANN 401

2.1. Présentation historique 402

2.2. Définitions 403

2.3. Composants de réseau neurones 404

405


2.4. Les étapes de la construction d'un réseau 405

2.4.1. Choix et préparation des échantillons 407

2.4.2. Elaboration de la structure du réseau 407

2.4.3. Apprentissage 407

2.4.4. Validation et Tests 408

2.5. Quelques types de réseaux connus 409

2.5.1. Le Perceptron 409

2.5.2. Les perceptrons multicouches (PMC) 409

2.5.3. Les réseaux de HOPFIELD 410

2.6. Applications des réseaux neurones artificiels 411

2.6.1. Réseaux neuronaux artificiels dans les marchés financiers 412

2.7. Les avantages de ANN 413



Chapitre 3- MÉTHODES D'AIDE À LA DÉCISION 81

1- L'aide à la décision en univers certain 81

2- L'aide à la décision en univers aléatoire 85

3- L'aide à la décision en univers conflictuel (hostile) 93

4- L'aide à la décision en univers incertain 99
Chapitre 4 - SYSTÈMES D'AIDE À LA DÉCISION 104

1- Systèmes interactifs d'aide à la décision (SIAD) 105

2- Les tableaux de bord électroniques TBE/EIS 110

3- Les systèmes d'entrepôts de données (Data Warehouse) 114

4- Les systèmes experts SE 119

Conclusion de première partie 125
Deuxième partie

Application des méthodes d’aide à la décision ………………………….129
Chapitre 5- MÉTHODES D’ANALYSE DES VALEURS DU MARCHÉ 132

1- Définitions et principes 131

2- Analyse chartiste (analyse tehnique traditionnelle) 134

3- Analyse fondamentale 141

4- L’efficience de marché 156

Chapitre 6 - MÉTHODES DE PRÉVISION 160

1- La méthode ARIMA (moyenne mobile intégrée auto- régressive) 161

2- Méthode des réseaux de neurones artificiels ANN 173

Chapitre 7- IDIOSYNCRASIE DU MARCHÉ BOURSIER ÉGYPTIEN 186

1- Introdiction historique 187

2- L’indice du marché Egyptien CASE 192

3- Analyse de l’indice CASE 30 199

4- Le cadre de normalisation 207

5- La Bourse des valeurs de l’Egypte 210

6- Efficience du marché Egyptien 213

Chapitre 8 - PERTINENC DES APPLICATIONS PRATIQUES 216

1- Présentation des données de l’échantillon 216

2- Le test de l’efficience du marché boursier Egyptien 217

3- Application de la méthode ARIMA 219

4- Application de la méthode de réseaux neurones artificiels ANN 233

5 - Les critères de comparaison 232
CONCLUSION GENERALE 237

- Recommandations 242

-Limites de la recherche 244

-Perspectives de la recherche 245

BIBLIOGRAPHIE 246

LISTE DES FIGURES ET TABLEAUX 266

ANNEXES 268
INDEX 331

TABLE DES MATIERES 340

RÉSUMÉS EN LANGUES ANGLAISE ET ARABE 347

INTRODUCTION

Au cours des dernières décennies, on a assisté au développement specta­culaire des méthodes quantitatives (MQ) appliquées à la gestion en général et à la finance en particulier. On peut définir ces méthodes comme un ensemble de techniques for­malisées (mathématiques, statistiques, et informatiques) visant à fournir une aide à la décision par le traitement logique d'un ensemble d'informations de nature quantitative. D'innombrables articles et ouvrages sont chaque année consacrés aux techniques statistiques, aux métho­des d'optimisation, de simulation, de gestion de projets, etc., sujets qui sont aussi désormais partie intégrante de la plupart des programmes universitaires en sciences de l'administration.

Ce développement s'est longtemps appuyé sur la conviction que le fait d'utiliser des méthodes formalisées, et partant, rationnelles à en croire certains, entraînait nécessairement une amélioration de la qualité des décisions au sein des entreprises et aussi au niveau des individus.


Des voix se sont cepen­dant élevées pour dénoncer cet engoue­ment. Ainsi PETERS et WATERMAN (1982), dans leur ouvrage «ln Search of Excel­lence», attribuent-ils principalement les échecs du management américain à la trop grande importance accordée aux méthodes quantitatives par les écoles de gestion. À une période d'optimisme général a succédé une ère de doute et de remise en question, comme en témoigne le célèbre article d' ACKOFF (1979). Ce désenchantement tient peut-­être en partie au fait que les spécialis­tes des méthodes quantitatives ont déve­loppé des techniques de calcul dont la sophistication est souvent loin d'être en rapport avec la signification des don­nées manipulées et le caractère probant des hypothèses effectuées.
Pour se faire une idée de la nature des problèmes abordés par les métho­des quantitatives dans le domaine de la gestion, de la nature des outils utilisés et du type d'organisations qui recourent à ces outils, nous avons décidé d'exa­miner quelques publications récentes présentant des applications de ce type d'outils. Dans cette perspective, la bro­chure intitulée «Réussites en recherche opérationnelle», publiée en 1983 par la Société Canadienne de Recherche Opérationnelle (SCRO) à l'occasion du 25 e anniversaire de sa fondation, apparaît comme particulièrement révélatrice.
D'ailleurs, traditionnellement, les MQ appli­quées à la gestion ont été conçues pour fournir une aide à la décision sous la forme d'une solution «optimale», cette solution optimale étant obtenue par la maximisation (minimisation) d'une fonction sensée incorporer les objectifs de l'entreprise ou des individus dans les contraintes que son environnement lui impose. Ce type de modèle recourt généralement à une formalisation débouchant sur la quan­tification, le calcul et l'utilisation de l'instrumentation mathématique (MOS­COROLA, 1978).
Ainsi se sont développées des méthodes algorithmiques et des codes de plus en plus puissants : les program­mations linéaires, quadratiques, en nom­bres entiers, dynamiques, accompagnées de leurs applications spécifiques à cer­tains problèmes généraux de production, d'ordonnancement, de file d'attente, de transport, etc. Avec le développement de la recherche théori­que et des capacités de l'informatique, ces techniques se sont enrichies de la programmation non linéaire, de certains algorithmes de décomposition permet­tant le traitement de programmes linéai­res géants, de la programmation stochastique, et avec la progression informatique nous avons assisté à la grande révolution de la naissance de la notion d'intelligence artificielle, définie comme la discipline visant à comprendre la nature de l'intelligence humaine et sur cette base construire des programmes d'ordinateur imitant cette intelligence. Toutes ces méthodes se sont aussi diversifiées pour aborder de nouveaux problèmes.
- La complexité des liaisons et interac­tions agissant sur le domaine à contrô­1er: en particulier, lorsque se développent les effets de boucles avec rétroactions, on a utilisé des tech­niques de simulation de la dynamique industrielle ainsi que l'analyse structurale ;

- La diversité d’informations dispa­rates sur des activités de gestion diffi­ciles à classer a entraîné le développement de diverses techniques d'analyse statistique ;


- La diversité des objectifs ou critères présidant au choix d'une solution a été à l'origine de la programmation à objec­tifs multiples, de la théorie de l'utilité multi- attribut et de diverses techniques multicritères.
Comme nous allons le présenter dans cette recherche, la diversité des applications (réelles ou potentielles) des MQ couvre la quasi totalité des problè­mes de gestion (gestion de la produc­tion, gestion financière, gestion commerciale, gestion du personnel) dans la plupart des secteurs. Elles offrent une aide à la décision, au plan opérationnel et tactique et aussi au niveau stratégique dans le développement d’une société ou dans la recherche attachée à une entreprise, ou encore dans une décision boursière. Selon CHEN (1981), l'utilité de ces diverses techni­ques pour les praticiens calculée selon les fréquences d'utilisation obtenues à la suite de plusieurs sondages est, dans l'ordre :

1- l'analyse statistique ; 2- la simulation ; 3- la programmation linéaire ; 4- le PERT/CPM ; 5- les tech­niques d'inventaire ; 6- l'analyse de la décision ; 7- les processus markoviens ; 8- les files d'attente ; 9- la programma­tion dynamique ; 10- la programmation en nombres entiers ; 11- la programma­tion non linéaire ; 12- la théorie des jeux.


Même si les cas d'application des MQ dont nous avons parlé plus haut n'en faisaient pas mention, l'outil statistique est pratiquement toujours employé, du moins au niveau des méthodes descriptives.
Bien que ces méthodes soient presque toujours appliquées avec succès, il reste néanmoins vrai, comme le note THEYS (1975), que les chercheurs opérationnels ne sont pas parvenus à convaincre définitivement les dirigeants d'entreprises ou d'autres organisations de l'efficacité de ces tech­niques. Les difficultés de mise en oeu­vre découlent en partie des rapports généralement distants qu'entretiennent les chercheurs en MQ et les praticiens, au point que les deux groupes s'expri­ment le plus souvent dans des revues différentes- par exemple, qu’y a-t-il de commun entre OPE­RATIONS RESEARCH et INTERFA­CE ?

Les problèmes d' «implémentation» ont engendré une littérature considérable (DOKTOR et al. 1979). Face à ces difficultés, des spécialistes parlent même de crise entre la recherche opérationnelle et l'approche rationnelle (HEURGON 1979) ; ce constat a été exprimé avec éloquence par ACKOFF en 1979 dans un article intitulé «The Future of Opera­tional Research is Past». Sans vraiment nous engager dans ce débat, nous ten­terons ici de souligner certains éléments qui peuvent contribuer à dire si les méthodes quantitatives d’aide à la décision sont vraiment capables de remplacer l'intelligence humaine - ce qui est l’ambition des réseaux de neurones artificiels – dans le cas particulier de la prévision des cours des valeurs de la Bourse.


En tout état de cause, dans la majorité des études dont l’objectif est l’aide à la décision par des méthodes quantitatives, on part de l’hypothèse que le décideur est un homme rationnel cherchant à maximiser ses objectifs personnels. De plus, comme l'indique (HAMMOND 1977), on suppose que ses objectifs se confondent avec ceux de son organisation, et donc que le décideur recherche l'action optimale qui lui per­mettra de maximiser simultanément ses objectifs et ceux de l'organisation. Comme le démontre ROY (1981), cette quête de l'optimum a certainement une part de responsabilité dans les difficul­tés d'application pratique des méthodes quantitatives.
Les contraintes inhérentes à la recherche d'un optimum sont



  • la globa­lité. Cette première contrainte impose que chaque action potentielle doive englober la totalité des aspects de la réalité en cause. Cela revient à dire que, dans le modèle, deux actions potentielles quelconques sont, par construction, mutuellement exclusives ;

  • la stabilité. La contrainte de stabilité porte sur la famille des actions potentielles prises en compte dans l'étude. Il doit s'agir d'un ensemble trivial ayant un caractère exhaustif. On entend par ensemble trivial un ensemble dans lequel chaque action imaginable peut être déclarée possible ou impossible; cela impose que soit définie une fron­tière précise séparant les actions possi­bles des actions impossibles. Dire que la famille des actions potentielles a un caractère exhaustif, cela signifie que cette frontière ne doit pas laisser échapper d'actions suscep­tibles d'être reconnues possibles ulté­rieurement. Ainsi, la méthodologie d'aide à la décision doit considérer une famille d'actions imposée a priori et durable ;

  • la complète comparabilité transitive. Cette troisième con­trainte porte sur la modélisation des pré­férences. Face à un couple d'actions, elle restreint la possibilité du choix : préférence stricte ou indifférence. Ces relations complémentaires doivent de plus être tran­sitives.

Prenant appui sur ces contraintes, ROY identifie quelques difficul­tés liées à cette problématique de l'optimisation :




  • Dans la réalité, les préférences sont souvent floues, incomplètement formu­lées, non transitives, différentes d'un acteur à l'autre et susceptibles d'évo­luer tout au long du processus. Il est donc difficile d'imposer la complète comparabilité transitive;




  • Le critère d'optimisation favorise un biais instrumental au niveau de la modélisation. En pratique, la comparai­son de deux actions potentielles prend appui sur ce que l'on peut appeler les conséquences. Or, celles-ci sont géné­ralement multiples, hétérogènes, enchevêtrées. Pour parvenir à asseoir cette complète comparabilité transitive, on sera inévitablement amené à chiffrer ces conséquences et à agréger tous ces chif­fres de façon à construire une fonction d'évaluation grâce à laquelle la compa­raison de deux actions deviendra sim­ple. Cette façon de faire pousse à modéliser les conséquences pour les­quelles de bons instruments permettent de «voir clair», et à délaisser la modé­lisation là où la médiocrité des instru­ments empêche de faire toute la lumière, c'est-à-dire là où les chiffres seraient en partie subjectifs, même s'ils concernent des facteurs qui peuvent paraître déterminants ;




  • Une conception trop formelle, trop figée, du travail à exécuter conduit fré­quemment à l'isolement pour trouver la solution du problème. On raisonne comme si on « évacuait » le décideur ou comme s'il s'agissait d'un décideur abstrait. Lorsque les décideurs font appel à un chercheur opérationnel pour résoudre un problème, ce spécialiste, après avoir recueilli toute l'information pertinente, prend en quelque sorte possession du problème et, par l'inter­médiaire d'un certain modèle, propose une solution dite «optimale». Ce type d'intervention a pour objectif final la présentation d’un rapport aux dirigeants, et non seulement le chercheur opérationnel n'est pas vraiment tenté d'insérer le décideur dans le processus de décision, mais en général il redoute même de le faire. Pourtant l'inser­tion du décideur dans le processus de décision est primordiale car, compte tenu de la contingence par rapport au contexte organisationnel, la décision ne peut être réduite à la résolution d'un problème abstrait seulement soumis à l'environnement ;




  • Le but de l'étude étant la découverte de l'action optimale, les techniques de calcul l’emportent souvent sur la formulation du problème, la collecte des données, etc. À la puissance théo­rique des techniques d'optimisation cor­respond souvent leur opacité pour l'utilisateur non spécialiste. Lorsqu'un manager veut utiliser des modèles de ce genre pour résoudre un problème de décision, il doit avoir recours à un spécialiste ; des difficultés de communication peuvent alors surgir. Une erreur fréquente consiste à vouloir absolument appliquer des techniques mathématiques qui imposent des hypo­thèses inacceptables pour tenter de résoudre des problèmes plutôt mal posés ; le «problem solving» l'emporte alors sur le «problem finding».


1- REVUE ET EXAMEN DE LA LITTERATURE

Cette partie a pour objectif de présenter une revue de littérature relative aux objectifs de la recherche. On se propose d’étudier dans le cadre de la littérature les méthodes quantitatives concernant d'aide à la décision en général, le processus et les modèles de prise de décision et de présenter les principaux types des systèmes d'aide à la décision et surtout d’appliquer de nouvelles méthodes de prévision (méthodes modernes relativement).


L’identification des problèmes et la prise de décision sont le souci quotidien du gestionnaire (décideur). La logique suppose qu’on identifie le problème et qu’on prenne en compte les options et que, finalement, on passe à l’action.

Le décideur consacre une bonne partie de son temps à prendre des décisions. SIMON va même jusqu’à dire que gérer, c’est décider. MINTZBERG souligne « que la résolution de problèmes et la prise de décision sont probablement les activités les plus cruciales du travail du gestionnaire : de la qualité de ses décisions dépendra la survie à moyen et à long terme de son entreprise ».

 

1. Fondements épistémologiques

 

C’est à partir des années cinquante qu’on a commencé à parler de la théorie moderne de la décision dans les salles des facultés de mathématiques1. Cette théorie concernait la statistique et la théorie des jeux.



 

Mais c’est dans les années soixante que « les sciences de décisions » allaient voir le jour avec les mathématiques de la décision. H.A SIMON emploie pour la première fois, en 1959, l’expression «science (au singulier) de la décision».

 

Pour LEMOIGNE, c’est dans l’épistémologie néo-positiviste qu’il faut rechercher les fondements épistémologiques de la science de la décision, et c’est dans ce sens qu’il a proposé cette définition conceptuelle : « la science de la décision (organisationnelle) étudie non seulement les modalités de détermination rationnelle de choix de solutions multiples susceptibles d’affecter une situation décrite, bien que tenue pour variable, en référence à quelques groupes de normes explicites, mais aussi les processus d’élaboration de ces modalités et de ces normes et les transformations possibles de ces processus ». 2



Aussi LEMOIGNE, ajoute-t-il dans le contexte retenu par SIMON « la science de la décision fait son objet du traitement de l’information dans et par un système multiple afin d’aboutir à une résolution complète ».

 

LEMOIGNE a souligné également « la contribution décisive qui a permis l’extension du concept de décision à celui de système de décision, extension que toute entreprise contemporaine sur la science de la décision se doit désormais de considérer. » 3

 

2. Modèles du processus de prise de décision

 

De nombreux de modèles et de théories d’aide à la prise de décision ont été élaborés. Et dans un cas pratique concerné dans sa gestion quotidienne et sa planification stratégique par la prise de décision, divers modèles sont proposés pour l’étude du processus décisionnel.



 

2.1. Le modèle bureaucratique

 

Le modèle bureaucratique, proposé par WERBER et FAYOL, part de l’hypothèse suivante :



 

«Les décisions sont prises par des personnes compétentes détenant le pouvoir nécessaire et oeuvrant dans le cadre d’un plan global bien arrêté. Dans un contexte relativement stable et prévisible, et avec des ressources suffisantes, le critère décisionnel devient alors l’utilisation optimale des ressources, dans le respect des règles administratives et du plan global ». 4

 

2.2. Le modèle de la théorie statistique de la décision (T.S.D.)

 

A la différence des modèles classiques qui cherchent à formaliser les relations existantes entre des grandeurs objectives, le modèle de la T.S.D. se base sur les probabilités et essaie de formaliser le comportement du décideur devant une situation incertaine. « Cette formalisation fonctionne à partir d’axiomes qui constituent le corpus de la théorie, et le système de représentation du décideur doit satisfaire ces exigences. » 5 



Malgré la modélisation du problème, le décideur ne sait pas avec certitude quel « état de la nature » interviendra, mais il connaît les probabilités des divers états de la nature possible. Cette situation exige le passage à la phase du choix. Ce dernier est fondé sur la règle de maximisation de l’espérance mathématique de l’utilité de gain.

 

La TSD, pour résoudre des problèmes de management complexes, propose l’approche de la décomposition hiérarchique du problème en problèmes plus simples. « Cette approche a été examinée de façon critique par divers auteurs qui ont tenté d’en cerner l’utilité et les limites ».


2.3. La Théorie de H. A. SIMON

 

ANDRE THEORET considère que c’est grâce aux travaux réalisés par SIMON et ses collaborateurs vers la fin des années 50 et le début des années 60 qu’est née « la théorie du comportement décisionnel ». Cette théorie vise à étudier le décideur dans son milieu naturel.

Dans une situation où le décideur se trouve devant une information partielle et imparfaite les ressources limitées (y compris le temps), les objectifs à satisfaire sont souvent multiples et diffus et la capacité cognitive est limitée. Dans ce cas, il faut « discerner les trois grandes phases du processus : identification du problème, élaboration d’options et choix d’une solution. Le processus s’arrête lorsqu’est trouvée une solution relativement satisfaisante, puisqu’il ne saurait être question de rechercher une solution optimale dans de telles conditions».

 

H. A. SIMON, dans son ouvrage « le nouveau management, la décision par les ordinateurs », a montré avec clarté les différents stades par lesquels passe le dirigeant dans sa prise de décision. Il s’agit, en fait, de quatre phases principales : 6

 

- Trouver l’occasion de prendre une décision ;



- Envisager les modes d’actions possibles ;

- Choisir un mode ;

- Juger les choix effectués auparavant.

Il est à signaler que chacune de ces quatre phases de la prise de décision est un processus décisionnel compliqué, par exemple, « la phase de conception peut exiger d’autres activités de renseignement, à n’importe quel niveau, les problèmes engendrent des sous-problèmes qui, à leur tour, supposent des phases de renseignement, de conception, de sélection, etc. Ce sont des engrenages d’engrenages ». 7

 

Pour les trois premières phases de la prise de décision, Simon les considère étroitement liées aux étapes de la résolution des problèmes, décrites pour la première fois par JOHN DEWEY :



 

Quel est le problème ?

Quelles sont les solutions possibles ?

Laquelle est la meilleure ?

 

En ce qui concerne la quatrième phase de la prise de décision, celle relative à l’exécution de la décision ; SIMON a observé que « la distinction est impossible entre l’exécution de l’opération et sa définition dans le détail ».



 

Et pour montrer comment les dirigeants prennent aujourd’hui des décisions, SIMON a établi la distinction entre deux principaux types de décisions : « les décisions programmées et les décisions non programmées. »8 Les décisions sont programmées lorsqu’elles sont répétitives et routinières et ne demandent pas d’être reconsidérées chaque fois qu’elles se présentent. Les décisions sont non programmées -comme des décisions boursières- lorsqu’elles sont nouvelles et non structurées et que le problème se pose pour la première fois.

 

2.4. Modèles qualitatifs de prise de décision organisationnelle

 

Le recours à ces modèles s’impose au moment où la réalité de la prise de décision est complexe et surtout lorsque le processus de choix ne se prête pas à la formulation mathématique.



 

Les modèles qualitatifs sont structurés autour de deux éléments à savoir :

 

- La clarté des buts de l’entreprise



- Le degré de structuration des processus de décision.

 

MC MILAN propose une typologie de ces modèles qualitatifs de prise de décision constituée de quatre catégories distinctes :

1) buts bien compris/processus de décision structuré ;

2) buts mal compris/processus de décision structuré ;

3) buts bien compris/processus de décision non structuré ;

4) buts mal compris/processus de décision non structuré.

 

2.5. Autres théories et modèles de prise de décision

 

La recherche de la décision rationnelle a ouvert le champ à la théorie moderne qui a écarté les hypothèses de la théorie marginaliste en favorisant les hypothèses du concept d’ « univers » dans lesquels naissent les décisions.



 

3. Les réseaux neuronaux et la prévision financière
Les conclusions des chercheurs sur le travail effectué par EDWARD GATELY9 dans son ouvrage conduisent à l’utilité des réseaux neuronaux pour les prévisions financières. Dans son livre, GATELY (1996) décrit la méthodologie générale à suivre pour établir, former, et examiner un réseau neuronal sous forme d’un logiciel disponible dans le commerce.

Dans l’exposé, il a été utilisé un modèle de réseau neuronal (appliqué à l'indice, objet de notre étude) : S&P500 GATELY.


Le modèle de GATELY ayant été légèrement amélioré récemment, les deux modèles ont été comparés à un modèle de régression multiple. En combinant des probabilités historiques de mouvement du marché avec la probabilité modèle d'exactitude, la probabilité conditionnelle ainsi fournie a pu s'avérer être un outil essentiel pour la prise de décision boursière. Jusqu’à une date récente, la recherche de réseaux neuronaux, comme sous-ensemble de l'intelligence artificielle, était limitée au monde des universités, des organismes de recherches, et des grandes sociétés de placement en valeurs mobilières.
L'entrée du réseau neuronal comme outil de l'investisseur individuel fut une des nombreuses conséquences de la croissance explosive des ordinateurs personnels. Les logiciels de réseau de neurones sont facilement disponibles et leurs publicités largement répandues en magasins, en particulier ceux de l'analyse technique des titres et des produits. Par contre on ne parle pas du degré de compétence et de la quantité d’effort exigés pour réaliser un modèle efficace. GATELY (1996) décrit le développement d'un réseau neuronal qui a prévu une croissance du marché avec une probabilité de 93,3%, et une baisse du marché avec une probabilité de 88,07%, dans le S&p500. La théorie du réseau neuronal de fond s'est développée dans la recherche de la conception de machines avec des capacités cognitives.


  1. Un réseau neuronal est un programme machine ou une machine câblée qui est conçue pour apprendre, semblable en quelque sorte au cerveau humain. HAYKIN (1994)10 décrit les réseaux neuronaux comme une machine adaptative ;

  2. Un réseau neuronal est un processeur qui a la propriété normale de stocker des connaissances empiriques et de les rendre disponibles.

Il ressemble au cerveau sur deux points : la connaissance est acquise par un apprentissage, et des forces de raccordement entre les neurones connues sous le nom de poids synaptiques sont employées pour stocker la connaissance.



La cellule fonctionnelle de base d'un cerveau et du réseau neuronal est le neurone (adaptation du neurone humain par BEALE et JACKSON (1990)11).
Depuis le début de la décennie 1990, les applications financières mettant en oeuvre des réseaux de neurones artificiels se sont multipliées. D'une façon générale, elles tombent dans l'une des trois catégories suivantes : la prévision des séries temporelles, les substituts aux systèmes experts, et les applications de classification. Pour notre recherche nous intéressons à la prévision des séries temporelles.
La prévision des séries temporelles semble constituer aujourd'hui un champ d'investigation privilégié, à tel point que AZOFF (1994)12 lui consacre un ouvrage entier. Typiquement, dans les prévisions à une seule variable, il s'agit d'utiliser le passé de la variable afin d'en extraire des relations permettant de prédire sa valeur future. Mais, à supposer que ces relations existent réellement, le problème le plus délicat à résoudre est d'en déterminer leur forme qui, le plus souvent n'est pas linéaire. Cela a d'ailleurs conduit à développer ces dernières années, des modèles de prévision statistiques non linéaires. Mais, les chercheurs qui se tournent vers les réseaux de neurones artificiels comptent sur leur capacité à découvrir des formes récurrentes dans les séries, dont la complexité pourrait échapper aux modèles statistiques.
L'arrivée de ce nouvel instrument d'analyse permet en particulier de relancer la question de l'efficience des marchés. On s'interroge, en effet, sur la question de savoir si la puissance des réseaux de neurones ne serait pas de nature à mettre en lumière certaines formes d'inefficience qui auraient, jusqu'à maintenant, échappées aux outils d'analyse classiques.
En utilisant simplement le signe des taux de rendement passés de six titres américains, TSIBOURIS et ZEIDENBERG (1995)13 reconnaissent un certain pouvoir prédictif au réseau testé. Cependant, si les résultats sont satisfaisants sur l'échantillon d'apprentissage, ils sont moins convaincants sur l'échantillon test, comme l'avait déjà remarqué WHITE (1988) à partir du titre IBM. Plus pertinents sont les résultats obtenus par AVOUYI-DOVI et CAULET (1995) qui obtiennent des performances remarquables en termes de prévision d'indices boursiers (DAX, CAC40) et de taux de change (Mark/Dollar), face à des modèles statistiques traditionnels de type ARMA.
Plus récemment, les réseaux de neurones ont été utilisés pour prévoir la volatilité des indices boursiers des grandes places financières (DONALDSON et KAMSTRA, 1996).
Mais, c'est naturellement en multipliant les variables d'entrée que les réseaux fournissent les meilleurs résultats. Ainsi, KIMOTO et YODA (1993) rapportent qu'à partir d'un réseau comprenant 5 variables en entrée, ils arrivent à prédire de façon relativement satisfaisante l'évolution du TOPIX (Tokyo Stock Index) sur la période 1989-1992. Une simulation de stratégie d'investissement dérivée des résultats du modèle aurait rapporté une rentabilité moyenne annuelle de 1,60% alors que dans le même temps l'indice chutait de 20,63%.
Des tests furent aussi entrepris avec quelques succès à partir des contrats à terme sur l'or et sur l'indice S&P (GRUDNITSKI et OSBURN, 1993 ; GRUDNITSKI et QUANG DO, 1995) en utilisant un réseau comportant des variables contextuelles.
Enfin, pour rester dans le domaine des marchés financiers, signalons encore que des travaux ont porté sur les options. En particulier, HUTCHINSON et al. (1994) montrent qu'un réseau entraîné sur un échantillon de données journalières observées sur deux années, retrouve la formule de BLACK and SCHOLES (1973).
La question de la prévision des taux de change, a aussi été explorée à plusieurs reprises (RAWANI et al, 1993 ; REFENES et al, 1993 ; AZOFF, 1994 ; MEHTA, 1995 ; A VOUYI-DOVI et CAULET, 1995)14.

En particulier, un travail original de REFENES et ZAIDI (1995) montre comment les prévisions de taux de change peuvent être améliorées en combinant les recommandations issues de méthodes classiquement utilisées par les professionnels, dans un réseau. Ainsi, sur le taux de change USDIDEM, l'application des recommandations du réseau donne une rentabilité de 18% sur une base annuelle, lorsque les stratégies de moyenne mobile et valeur moyenne donnent des rentabilités de 12,3% et de 13,1%.


La recherche qui s’occupe de l’application des réseaux neuronaux à la finance, s'est surtout concentrée sur la comparaison entre les méthodes du non -linéaire et la méthode « analyse discriminante » (MDA). Par exemple, en utilisant un échantillon de 58 entreprises, TURBAN (1996)15 a comparé les prédictions de MDA et les prédictions d'ANN, et il a constaté qu'ANN est meilleur que MDA. L'étude a donc conclu que la méthode d'approche d’ANN peut améliorer la qualité de la prise de décision d'un investisseur. Cependant, ces résultats ne permettent pas de dire si ANN a la capacité de faire obtenir des gains exceptionnels.
Des réseaux neuronaux artificiels ont été testés comme moyens de prévisions boursières et ils ont semblé gagner l'attention grandissante du public. Plusieurs sociétés commerciales d’informatique essaient maintenant de vendre des programmes de réseaux neuronaux artificiels qui exécutent l'analyse financière. Ils promettent d’aider et d’apporter leur soutien aux investisseurs ; ils utilisent les données historiques pour développer des règles du commerce.
La capacité de ces programmes de favoriser l’obtention de recettes exceptionnelles fondée sur les modèles rencontrés dans les recettes historiques n’est pas liée à l'hypothèse de l'efficacité du marché.

2- METHODOLOGIE

En ce qui concerne l’aspect méthodologique du développement de ce travail de recherche, les principes de « l’École de Chicago » ont été scrupuleusement observés, et en particulier les normes imposées aux travaux de recherche scientifique et académique selon les conseils des professeurs WAYNE C. BOOTH, GREGORY G. COLOMB et JOSEPH M. WILLIAMS (cf. The Craft of Research, The University of Chicago Press, 1995).


Selon ces principes, toute recherche commence par un étonnement devant une situation ou un questionnement sur un phénomène, et ceci aboutit à la définition de l’objet de la recherche en vue d’explorer des solutions nouvelles. Cela dit, la recherche consiste également à apporter une perspective nouvelle sur des méthodes ou concepts déjà connus. La revue critique de la littérature permet alors au chercheur d’effectuer une mise au point sur le sujet et de clarifier également chaque problème spécifique et ses développements actuels. Cette revue permet en outre au chercheur de concentrer son champ d’exploration sur des thèmes précis, focalisés et solidement établis par les hypothèses de base qui conditionnent ces explorations. Ainsi, il est nécessaire au chercheur de respecter une méthodologie solide afin d’éviter des résultats biaisés par divers facteurs.
Voici le bref exposé de ces quelques points essentiels.

2.1. OBJECTIFS ET QUESTIONS DE RECHERCHE
2. 1.1. Objectifs
 Comme les informations économiques, politiques, culturelles constituent autour de l'agent financier humain (investisseur) un apport aussi indispensable que peuvent l’être les matières premières, et que leur importance pour mener toute action de décideur n’est plus à démontrer, elles constituent donc un support indispensable à la décision. Dans ce sens, et en relation avec l’énoncé du problème, notre recherche s’est articulée autour des objectifs suivants :


  1. Identifier et étudier les modèles de prise de décision ;

  2. Identifier et étudier les méthodes et les systèmes d'aide à la décision ;

  3. Etudier et analyser les différentes Univers de référence des méthodes d’aide à la décision ;

  4. Identifier les méthodes de prévision du marché d'actions ; 

  5. Comparer entre elles les deux méthodes les plus connues (Méthodes statistiques traditionnelles ARIMA Autorégressifs Intégrés Mobile, versus Méthodes d'intelligence artificielle, Réseaux de neurones artificiels ANN) ;

  6. Aider le décideur (investisseur) à prendre des décisions les plus performantes possibles et à bien gérer son portefeuille ;

  7. Ouvrir une nouvelle perspective sur des méthodes récentes d'aide à la décision par l'utilisation de l'intelligence artificielle.

Les objectifs de cette recherche sont d'aider le décideur (investisseur) à bien comprendre le contexte de prévision du marché financier (l'indice du marché d'actions). Cela doit le conduire à prendre une décision rationnelle en vue d'acheter et de vendre des actions au moment propice et d’éviter au maximum de prendre un risque de perte.


De plus, cette étude a pour but d'évaluer les méthodes et les techniques utilisées dans la détection du mouvement de l'indice du marché et d’en apprécier l'efficacité. En particulier elle nous aidera à estimer la méthode la plus performante dans la prédiction de l'indice dans un marché inefficient dont les informations financières sont incomplètes.
Dans cette recherche nous examinerons et nous analyserons l'utilisation des réseaux neuronaux comme outil de prévision de l'indice du marché des actions (marché inefficient ou faiblement efficient). Nous allons appliquer deux méthodes quantitatives différentes : réseaux neuronaux et statistique traditionnelle (ARIMA), et constaterons celle qui donne le meilleur résultat.
En conclusion, cette recherche déterminera l’intérêt pratique à employer les réseaux neuronaux comme outil de prévisions pour aider l'investisseur individuel à prendre une bonne décision.
Cette étude est parmi les premières études portant sur les bourses arabes en général et égyptienne en particulier.
2.2.2. La problématique de la recherche
Cette recherche a pour but principal d'analyser la façon dont les nouvelles approches mathématiques et informatiques comme les réseaux de neurones (ANN, artificial neural networks) peuvent contribuer à une meilleure prévision des valeurs des actions du marché boursier en comparaison avec les méthodes habituellement utilisées dans ce domaine. Ce problème est d'autant plus intéressant que les méthodes classiques apparaissent souvent défaillantes dans le contexte de la prévision ou de la classification.

Partant d’un nouveau modèle neuronal appliqué à l’analyse de séries chronologiques sur les valeurs de la Bourse, on arrive à des résultats significatifs tant sur la performance prévisionnelle du modèle que sur ses capacités de détection. Cela montre l'intérêt de cette nouvelle approche pour une meilleure prévision, obtenue grâce à la grande souplesse de ces méthodes.


Nous pouvons résumer ainsi les questions principales de notre recherche :


  1. Pourquoi nous avons choisi le marché financier d'Egypte ? la Bourse Egyptienne ?

  2. Y a-t-il une spécificité ou une spécialité concernant cette bourse ?

  3. Pouvons-nous appliquer les deux types de méthodes différentes (modèle ARIMA et Réseaux de Neurones Artificiels) pour prévoir l'indice de marché, en sachant que les deux modèles ont été déjà utilisés dans plusieurs marchés d’Europe et des Etats Unis ? En d'autres mots nous allons essayer d'appliquer les deux types de méthodes différentes au niveau des marchés financiers inefficients ou faiblement efficients.

  4. Les réseaux neurones peuvent-ils exactement prévoir un indice du marché boursier ?

  5. Les réseaux neurones peuvent-ils être employés comme outil pratique de prévisions par différents investisseurs ?

  6. Les réseaux neurones peuvent-ils être plus performants que d'autres méthodes classiques ?


2. 2. Les hypothèses de la recherche
H1- la décision boursière est une décision

  • non structurée ;

  • faiblement programmée ;

  • dans un contexte incertain.

H2- les méthodes quantitatives classiques d'aide à la décision boursière sont non efficaces pour prévoir l'indice du marché face à d’autres méthodes comme les réseaux neurones.


H3- le marché financier égyptien est inefficient.
H4- la méthode de réseaux neurones artificiels donne des résultats plus exacts que la méthode ARIMA.
Nous considérons que la notion générale de décision que nous allons définir en première partie reste valable pour la décision boursière par un agent financier humain (l'investisseur individuel).

Nous avons choisi la bourse d'Egypte (CASE) parce que c’est un bon exemple pris parmi les autres bourses du monde arabe, et plus précisément parce que la SYRIE est sur le point de créer une Bourse. Il y a une très grande similitude entre les deux pays si on observe les circonstances dans lesquelles ils sont placés, les infrastructures industrielles et commerciales, les politiques monétaires, etc…


Donc, il nous a paru pertinent de prendre et d’analyser la Bourse Egyptienne pour prévoir, par analogie, le fonctionnement de la future Bourse Syrienne.

Une réflexion sur le thème de notre recherche nous a conduit à travailler autour de quatre axes principaux :




  1. Les Méthodes Quantitatives (aide à la décision) ;

  2. Prise de décision ;

  3. Indice du marché (Bourse) ;

  4. Prévision.

Donc, nous avons commencé dans cette recherche par établir les bases essentielles de l'analyse et des méthodes d’aide à la décision, puis nous sommes passés à la phase d'applications au marché des actions. Les axes sont représentés sur la figure suivante :


Figure 1: Les axes de la thèse

Source : auteur

Nous avons considéré les résultats de plusieurs études qui ont été menées sur des marchés efficients comme point de départ de notre recherche, mais ces travaux ne traitaient pas du cas où le marché des actions est inefficient, qui est justement celui de notre étude.
2. 3. Termes techniques et style de rédaction
Dans le domaine des réseaux de neurones, comme dans beaucoup d’autres domaines scientifiques récents, la plupart des publications académiques s’effectuent en langue anglaise. Se posent donc les problèmes de la traduction des termes techniques et parfois ceux du style du langage scientifique. Aussi, le lecteur de ce document est prié de bien vouloir excuser certaines imperfections de rédaction ainsi que certaines tournures et expressions pouvant relever de l'anglais. Pour cette raison nous allons rédiger un index, mais nous présentons ici les mots clés :
Prise de la décision- aide à la décision- méthodes quantitatives- prévision- séries chronologiques- Réseaux neurones artificiels – l'indice du marché des actions – la Bourse.


2. 4. Plan de la thèse
L’objectif de ce travail n’est pas de proposer une démarche « nouvelle» qui puisse être appliquée dans n’importe quelle situation concernant la Bourse, car dans des environnements différents le contexte propre à une Bourse peut être déterminant. Notre ambition est « d’aider » les investisseurs en leur proposant une démarche « générale » qui réunisse les aspects empirique et pratique du problème à résoudre. Bien entendu, cette démarche générale peut être l’objet de modifications dans certains cas d’application. Cependant, l’approche adoptée permet de fournir un modèle valable pour les marchés financiers arabes et en particulier le marché égyptien.
Cette thèse est constituée de 2 grandes parties. La première partie est consacrée à l’analyse et aux méthodes d’aide à la décision, la deuxième partie à la prévision de l’indice du marché et aux méthodes d’aide à la décision boursière (comparaison et application)

La première partie est formée de 4 chapitres ;

Le premier chapitre présente le concept de décision. Dans ce chapitre nous donnons la définition de la décision, les différents types de décision, ainsi que les bases et la typologie de la prise de décision.
Cet exposé nous permet dans le deuxième chapitre de bien identifier les différentes théories et modèles du processus de décision.
Puis le troisième chapitre donne rapidement les méthodes traditionnelles décrites dans la littérature concernant les décisions ; de plus ce chapitre nous permettra de cerner les caractères spécifiques des méthodes traditionnelles d'aide à la décision.

Dans le chapitre quatre, nous décrivons des méthodes modernes d'aide à la décision : ce sont des systèmes informatiques plus détaillés et capables de donner des résultats plus précis que les méthodes statistiques traditionnelles.


La deuxième partie est constituée des chapitres cinq à huit.

Dans le chapitre cinq nous parlons de l'analyse technique du marché financier et de ses répercussions sur la décision boursière.

Le chapitre six propose, à l’aide de deux méthodes différentes, une démarche « globale » d’aide à la décision boursière ayant pour but de prévoir correctement l'indice de la Bourse et ses mouvements en hausse ou en baisse, de façon à bien maîtriser son portefeuille.

Puis le chapitre sept présente et explique le statut du marché des actions en Egypte, avec ses causes et ses conséquences.


Enfin, le chapitre huit est consacré à la mise en application sur le marché égyptien de deux méthodes, dont on compare les résultats pour en déduire la plus efficace.
La conclusion reprend les grandes lignes de cette thèse. Elle propose également diverses perspectives de recherche à partir de ce travail, en particulier sur l’avenir boursier et financier de la SYRIE.

Chapitre 1




ANALYSE DE LA DÉCISION

L'activité du dirigeant est souvent perçue au travers de la fonction jugée la plus caractéristique : la prise de décision. Gérer, c'est décider.

Afin d'expliquer le fonctionnement et l'apport des méthodes d’aide à la décision en général et, en particulier à la décision boursière, précisons la définition de la décision et les différents types de décisions ainsi que les bases sur lesquelles est fondée la prise de décision et sa typologie.

  1   2   3   4   5   6   7   8   9   ...   40


Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©kagiz.org 2016
rəhbərliyinə müraciət