Etudiant : MOUADA ANAS

Filière : Master Big Data et Systèmes intelligents (BDSI)

Encadrant : Pr. SATORI HASSAN

Annèe : 2026

Résumé : Ce mémoire propose une analyse comparative de quatre méthodes de détection de régimes de marché — HMM, GMM, LSTM Supervisé et mécanisme Multi-Head Attention — appliquées à l’adaptation dynamique des stratégies de trading sur le S&P 500 (1993–2026). La problématique est la suivante : comment identifier automatiquement les régimes stochastiques (Bull, Bear, Range, Crise) afin d’ajuster l’exposition du portefeuille et de préserver le capital lors des crises ? La méthodologie s’appuie sur un cadre théorique allant du calcul stochastique d’Itô et du mouvement brownien fractionnaire à la théorie de l’arrêt optimal via l’Enveloppe de Snell. Une taxonomie à quatre régimes fondée sur le triplet (µt , σt , Ht) est construite sur l’ensemble d’entraînement (1993–2019) et évaluée sur la période de test (2020–2026) sous un protocole unifié garantissant l’absence de look-ahead bias. Les résultats révèlent une rupture de +28 points entre les modèles classiques (HMM : 56,4%, GMM : 59%) et les modèles profonds (Attention : 87%, LSTM : 85,7%). Sur le plan financier, le pilotage par les Grecs de Black-Scholes réduit le drawdown du krach COVID-19 de −33,4% à −3,4%, tandis que le LSTM améliore le ratio de Sharpe du benchmark de 0,77 à 0,81. Ces résultats confirment la complémentarité des quatre architectures selon le contexte d’utilisation, et établissent un pont entre la théorie stochastique et la pratique du trading algorithmique. Mots clés : détection de régimes, modèle de Markov caché, HMM, GMM, LSTM, mécanisme d’attention, enveloppe de Snell, trading algorithmique