Application du machine Learning pour la détection et la prévision des crises financières dans le système financier Marocain
DOI :
https://doi.org/10.5281/zenodo.14567202Mots-clés :
Crises financières, machine Learning, régression logistique, forêts aléatoires, les SVMRésumé
Résumé
Cet article analyse l'application de la machine Learning pour la détection et la prévision des crises financières au Maroc. L'objectif principal est de développer des modèles prédictifs capables d’anticiper les crises en exploitant les variables macroéconomiques critiques, afin de renforcer les systèmes d'alerte précoce et améliorer la résilience économique. La méthodologie repose sur l'utilisation d'algorithmes avancés, notamment la régression logistique, les forêts aléatoires et les SVM, qui ont été évalués en termes de précision, rappel et capacité à discriminer les périodes de crise. La période d'étude s'étend de 2005 à 2023 et inclut des événements économiques majeurs tels que la crise financière mondiale de 2008 et la pandémie de COVID-19. Les variables utilisées incluent la croissance du PIB réel, le taux d'inflation, le taux d'intérêt, le taux de chômage et le prix du pétrole, toutes collectées à partir de sources fiables comme le FMI et la Banque mondiale. Les résultats montrent que la croissance du PIB et le taux de chômage sont des prédicteurs clés des crises financières. Les modèles ont montré des performances variées : par exemple, la régression logistique atteint une précision globale de 75 %, tandis que le SVM excelle dans la prédiction des périodes stables mais échoue à capturer les crises rares.
Mots clés : Crises financières, machine Learning, régression logistique, forêts aléatoires, les SVM
Abstract
This article examines the application of machine learning to detect and predict financial crises in Morocco. The study aims to develop predictive models using key macroeconomic variables to enhance early warning systems and strengthen economic resilience. Advanced algorithms like logistic regression, random forests, and SVM were evaluated for their precision and ability to identify crisis periods. Covering 2005-2023, the analysis includes major events such as the 2008 financial crisis and the COVID-19 pandemic. Key variables, including real GDP growth, inflation, interest rates, unemployment, and oil prices, were sourced from the IMF and World Bank. Results highlight GDP growth and unemployment as critical predictors, with logistic regression achieving 75% accuracy, while SVM excelled in stable periods but struggled with rare crises.
Keywords: Financial crises, machine Learning, logistic regression, random forests, SVMs.
Téléchargements
Publiée
Comment citer
Numéro
Rubrique
Licence
(c) Tous droits réservés African Scientific Journal 2024

Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.