Forecasting and Decision Optimization For Financial Trading Strategies

Le Doyen de la Faculté des Sciences et Techniques de Béni Mellal porte à la connaissance du public que Monsieur Mohamed Hassan Oukhouya, soutiendra une thèse de Doctorat intitulée : « Forecasting and Decision Optimization For Financial Trading Strategies».

La soutenance publique aura lieu le Lundi 05 Octobre 2026 à 10h00 à l'Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, devant le jury composé de :

• Monsieur METRANE Abdelmotalib : Professeur, Faculté des Sciences et Techniques, Université Cadi Ayyad, Marrakech, Président/Rapporteur ;

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

• Monsieur LAMGHARI Nidal : Maître de Conférences Habilité, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Rapporteur ;

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

• Monsieur HAFIDI Imad : Professeur, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Co-directeur de thèse ;

• Monsieur ABOUTABIT Noureddine : Professeur, Ecole Nationale des Sciences Appliquées, Université Sultan Moulay Slimane, Khouribga, Directeur de thèse .

Résumé:

La thèse de M. Oukhouya Mohamed Hassan, intitulée « Forecasting and Decision Optimization For Financial Trading Strategies », s’inscrit dans le domaine de l’intelligence artificielle et de l’optimisation appliquées aux marchés financiers. Elle part d’un constat central : une grande partie des travaux existants se concentre sur la précision des prévisions, alors que leur véritable intérêt dépend de leur capacité à être transformées en décisions de trading exécutables, reproductibles et maîtrisées en termes de risque. La recherche propose ainsi une progression cohérente reliant économétrie, machine learning et recherche opérationnelle, depuis la prévision jusqu’à l’allocation sous contraintes. Les premières contributions étudient la prévision du MASI dans le contexte du COVID-19 et montrent l’intérêt d’intégrer des variables exogènes, le MAPE passant de 34,7 % à 26,7 %, tout en montrant qu’un modèle plus complexe n’est pas nécessairement plus performant. Les travaux suivants intègrent les prévisions dans des stratégies de trading sur EURUSD, puis formalisent sur XAUUSD le passage de la prévision à la décision à travers la programmation linéaire. Le cadre ML–LP obtient notamment un rendement de 61,4 % avec un drawdown maximal de 4,8 %. Enfin, la contribution finale combine signaux structurels SMC/ICT, probabilités calibrées et optimisation sous contrainte CVaR, le système hybride atteint un rendement net de 46,7 % avec un drawdown de 6,8 %, surpassant les approches prises isolément. La thèse montre ainsi que la valeur de l’intelligence prédictive réside surtout dans son intégration à une chaîne décisionnelle explicite et sensible au risque

Mots clés : Marchés financiers ; prévision ; machine learning ; stratégies de trading ; programmation linéaire ; optimisation ; gestion du risque.