Article · Finance & statistiques
VertiFuseX : fusionner des représentations temporelles avant la prédiction
Une architecture LSTM multi-flux évaluée sur plusieurs indices avec une séparation chronologique stricte, mais encore limitée à un cadre expérimental.
Le goulot d'étranglement de la fusion
Quand plusieurs réseaux temporels résument une série, les sorties finales peuvent perdre les informations intermédiaires qui distinguent mémoire courte, contexte bidirectionnel et tendance hiérarchique. VertiFuseX propose de fusionner les représentations du pénultième niveau, avant la régression finale, plutôt que de moyenner plusieurs prédictions déjà compressées.
L'architecture combine un LSTM, un Bi-LSTM et un St-LSTM. Un flux DNN parallèle apporte des variables non récurrentes. Les représentations intermédiaires sont empilées et repondérées, puis optimisées conjointement. Les auteurs maintiennent une configuration d'hyperparamètres fixe afin de comparer les indices sans réglage spécifique à chaque dataset.
Un protocole chronologique
L'étude utilise quinze années de cours de clôture, de 2010 à 2024, sur dix indices mondiaux. Pour les comparaisons principales, les 365 derniers jours de bourse sont conservés comme test verrouillé ; une portion finale de l'entraînement sert à l'arrêt anticipé et au réglage du taux d'apprentissage. Les jours non négociés sont retirés au lieu d'être remplis artificiellement.
Ce choix réduit une source courante de fuite temporelle, mais il ne transforme pas une série de prix en signal stable. Le modèle est univarié dans l'étude principale : la liquidité, les coûts, les nouvelles et les autres actifs ne sont pas directement fournis à l'entrée.
Résultats rapportés
Face aux baselines LSTM de la comparaison, le papier rapporte des réductions de MAPE pouvant atteindre 30–54 % et des améliorations supérieures à 40 % pour MAE et RMSE dans les configurations décrites. Il annonce aussi une avance sur sept modèles de l'état de l'art dans 33 comparaisons métrique–dataset. Les ablations attribuent le gain principal à la fusion au pénultième niveau plutôt qu'à une simple fusion de sorties.
Dans un stress test figé, le modèle obtient sur la période du Covid un rendement total de −9,63 %, contre −16,08 % pour l'achat-conservation, avec un drawdown maximal de −26,45 % contre −33,67 %. Pour le bear market 2022, les valeurs rapportées sont −10,04 % et −17,67 % pour le modèle, contre −19,56 % et −25,38 % pour l'achat-conservation. Ces chiffres proviennent d'une simulation avec règles de seuil, stop et refroidissement ; ils ne sont pas des rendements attendus.
Ce que la fusion explique
Le design fournit une hypothèse testable : conserver plusieurs abstractions temporelles avant la compression pourrait aider un modèle à distinguer des horizons de dépendance. Une analyse de saillance du papier met en avant des retards intermédiaires, autour de 9 à 15 jours dans les configurations rapportées. Cette observation peut inspirer un diagnostic, mais une saillance n'est pas une règle de trading et ne démontre pas une causalité.
L'intérêt éditorial se situe donc dans le protocole autant que dans le réseau. Une amélioration doit rester visible après une séparation temporelle, une comparaison à des baselines correctement réglées et des tests par régime. Les métriques de prévision et la simulation économique doivent être présentées séparément.
Limites et prudence
Les auteurs identifient plusieurs suites : validation walk-forward répétée, variables multivariées, analyses de sensibilité, horizons multiples et intervalles d'incertitude. Le protocole actuel, la sélection d'indices et la nature univariée limitent la généralisation. Le preprint ne fournit pas de conseil d'investissement et ne garantit aucune performance future.
Sources
Aashish Bohra et Vivek Vijay, « VertiFuseX: Generalizable Financial Forecasting via Multi-Stream Temporal Fusion », ArXiv 2609.12793v1 : résumé et preprint, PDF.