L ’intérêt de ces modèles par rapport aux modèles classiques d’analyse statistique, les réseaux
de neurones artificiels possèdent plusieurs avantages :

- ils permettent, comme cela a déjà été signalé, de traiter des problèmes non structurés, c’est-à-dire des problèmes sur lesquels on ne dispose d’aucune information a priori. En particulier, on notera qu’il n’est
pas nécessaire de connaître la distribution de probabilité des variables, ce qui n’est pas le cas dans la plupart des modèles d’analyse statistique sauf s’il s’agit d’analyses non paramètriques.

- en découvrant eux-mêmes les relations entre les variables, ils sont tout à fait adaptés pour traiter des problèmes non linéaires éminemment complexes. Cet aspect est tout à fait intéressant car il n’oblige pas à s’interroger sur la forme de la fonction à estimer.

- ils peuvent travailler sur des données incomplètes ou des données bruitées. L’incomplétude des données peut être prise en compte par l’ajout de neurones supplémentaires.

- l’arrêt du processus itératif lorsque le réseau produit les meilleurs résultats sur l’échantillon de validation lui confère une certaine robustesse.On peut en effet considérer que de cette manière, seule l’information pertinente est intégrée dans le système. Les bruits qui pourraient concourir à la spécialisation du réseau ne sont pas intégrés.

- La prévision des séries temporelles.

La prévision des séries temporelles semble constituer aujourd’hui un champ d’investigation privilégié.
Typiquement, dans les prévisions univariées, il s’agit d’utiliser le passé d’une variable afin d’en extraire des relations permettant de prédire sa valeur future. Mais, à supposer que ces relations existent
réellement, le problème le plus délicat à résoudre est d’en déterminer leur forme qui, le plus souvent n’est pas linéaire.

Cela a d’ailleurs conduit à développer ces dernières années, des modèles de prévision statistiques non
linéaires. Mais, les chercheurs qui se tournent vers les réseaux de neurones artificiels comptent sur leur capacité à découvrir des formes récurrentes dans les séries, dont la complexité pourrait échapper aux modèles statistiques.
L’arrivée de ce nouvel instrument d’analyse permet en particulier de relancer la question de l’efficience des marchés. On s’interroge, en effet, sur la question de savoir si la puissance des réseaux de neurones ne serait pas de nature à mettre en lumière certaines formes d’inefficience qui auraient, jusqu’à maintenant, échappées aux outils d’analyse classiques.