Hybrid Artificial Intelligence Models Integrating Statistical Methods for Financial Time Series Forecasting: Applications to the Moroccan Stock Market Indicators

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Ayman MAZZOUZ, soutiendra une thèse de Doctorat intitulée : «Hybrid Artificial Intelligence Models Integrating Statistical Methods for Financial Time Series Forecasting: Applications to the Moroccan Stock Market Indicators».

La soutenance publique aura lieu le Lundi 15 Juin 2026 à 15h00 à la salle 2 du Pôle des Etudes Doctorales de l’Université Sultan Moulay Slimane de Béni-Mellal, devant le jury composé de :

• Monsieur OUHINOU Aziz : Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Président;

• Monsieur GHAZDALI Abdelghani : Maître de Conférences Habilité, École Nationale des Sciences Appliquée, Université Sultan Moulay Slimane, Khouribga, Rapporteur;

• Monsieur HADRI Aissam : Maître de Conférences Habilité, Faculté Polydisciplinaire, Université Ibn Zohr, Ouarzazate, Rapporteur;

• Monsieur IZEM Nouh : Professeur, Faculté des Sciences, Université Ibn Zohr, Agadir, Rapporteur;

• Monsieur LAGHRIB Amine : Maître de Conférences Habilité, École Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Examinateur; 

• Monsieur ELMOUFIDI Abdelali : Maître de Conférences Habilité, École Nationale de Commerce et de Gestion, Université Hassan-II, Casablanca, Co-Directeur de thèse;

• Monsieur NACHAOUI Mourad: Professeur, Faculté des Sciences et Techniques, Université Sultan Moulay Slimane, Béni Mellal, Directeur de thèse.

Résumé: 

Cette thèse porte sur l’application de l’intelligence artificielle à la prévision des séries temporelles financières, avec une attention particulière portée au marché boursier marocain et à certains indices internationaux. L’objectif principal consiste à développer des modèles hybrides robustes et performants, capables de maintenir leur fiabilité dans des contextes de forte volatilité financière, notamment durant les périodes de crise.

Les travaux réalisés reposent sur l’intégration de modèles statistiques classiques (ARIMA, Prophet), de techniques de décomposition du signal (EMD) et d’architectures de deep learning de type LSTM et GRU. L’originalité de l’approche proposée réside dans l’exploitation conjointe des structures linéaires, des dépendances non linéaires et des dynamiques multi-échelles des séries financières afin d’améliorer la précision et la stabilité des prévisions.

Les expérimentations menées sur les indices marocains MASI et FTSE CSE ainsi que sur plusieurs indices internationaux démontrent la supériorité des modèles hybrides proposés par rapport aux approches classiques et à certains modèles de référence de la littérature scientifique. Les résultats obtenus confirment l’intérêt des approches hybrides pour la modélisation des marchés financiers complexes et volatils.

Cette recherche constitue ainsi une contribution significative au domaine de la finance prédictive fondée sur l’intelligence artificielle et ouvre des perspectives prometteuses pour le développement de modèles adaptatifs et explicables appliqués aux marchés financiers émergents.

Mots clés: Intelligence artificielle, prévision financière, séries temporelles, modèles hybrides, apprentissage profond, LSTM, GRU, ARIMA, EMD, marchés boursiers, marché financier marocain, finance prédictive.