L'objectif est d'adapter les méthodes d'apprentissage à deux applications financières : l'analyse du défaut de crédit et l'analyse de séries financières.
Dans le cadre de l'analyse de défaut de crédit, l'étude se concentre sur les méthodes de réduction de dimension pour améliorer l'interprétation des prédictions de défaut de crédit. Les méthodes de réduction comprennent la sélection et l'extraction de caractéristiques issues de la théorie de l'information permettent de conserver la qualité de la prédiction en résumant l'information d'entrée, particulièrement lorsqu'il y a un grand nombre de variables en entrée. L'extraction de caractéristiques opérée par l'algorithme Correlation Explanation (CorEx) offre une analyse de données intelligible pour identifier les facteurs liés au défaut de crédit.
En ce qui concerne l'analyse de séries financières, la méthode Deep Variational Information Bottleneck (VIB) est appliquée pour prédire les séries financières et pour en déduire une mesure d'incertitude associée car la prédiction s’avère complexe dans le contexte financier. Cette mesure d’incertitude repose sur la représentation issue du principe d’Information Bottleneck (IB). Enfin, une extension du VIB, adaptée aux séries temporelles, est proposée en explorant le principe d'IB et en utilisant les réseaux récurrents de type Gated Recurrent Unit (GRU). La représentation obtenue par cette nouvelle méthode permet de suivre la prédiction et l’incertitude à chaque unité de temps. Une extraction de tendance sur une série simulée ainsi qu'un indicateur de tendance pour une série financière sont présentés.