/ML

Primary LanguageJupyter Notebook

Rayan Nitcheu Touko & Nicolas Manelli: Prédiction et simulation des taux d'intérêts immobiliers européens

Notre projet vise à développer des modèles prédictifs pour estimer les taux d'intérêt immobilier en Europe en utilisant les rendements des obligations souveraines comme variables d'entrée. Pour atteindre cet objectif, nous avons entrepris plusieurs étapes clés.

Pour atteindre cet objectif, nous avons entrepris plusieurs étapes clés. Tout d'abord, nous avons procédé à une exploration et une analyse approfondie des données, en les manipulant et en les préparant pour nos modèles.

Tout d'abord, nous avons mis en œuvre la régression linéaire ordinaire (OLS) pour établir un point de référence solide. Ensuite, nous avons exploré les avantages des arbres de décision en utilisant la méthode Random Forest, qui permet de capturer des relations non linéaires entre les variables. Nous avons également utilisé le modèle Lasso pour sélectionner les variables les plus importantes et réduire l'overfitting. Ensuite, nous avons adopté une approche plus exploratoire en utilisant la simulation pour obtenir des aperçus supplémentaires et des scénarios hypothétiques. En outre, nous avons exploré l'utilisation du Gradient Boosting, une technique d'apprentissage ensembliste qui combine plusieurs modèles faibles pour améliorer les performances prédictives. Enfin, nous avons utilisé des techniques d'apprentissage non supervisé, telles que KMeans et PCA, pour extraire des informations clés et réduire la dimensionnalité des données dans le but de visualiser la qualité de notre clustering. En combinant ces six approches, nous avons cherché à maximiser la précision des prédictions des taux d'intérêt immobiliers et à découvrir des relations complexes entre les variables.

Tout au long de notre projet, nous cherchons à trouver le modèle le plus performant et à fournir des prédictions précises tout en utilisant un ensemble de métriques qui permettent de controler la qualité des dits modèles.