Prédiction profonde de l'intérêt des investisseurs : Une approche de clustering supervisé.

Résumé Nous proposons une nouvelle architecture d'apprentissage profond adaptée à la prédiction de l'intérêt des investisseurs pour un actif donné dans un laps de temps donné. Cette architecture effectue à la fois le regroupement et la modélisation des investisseurs. Nous vérifions d'abord ses performances supérieures sur un scénario simulé inspiré de données réelles, puis nous l'appliquons à une grande base de données propriétaire de BNP Paribas Corporate and Institutional Banking.