Cet article étudie le problème de la réduction de dimensionnalité pour améliorer la prévision des séries chronologiques à l'aide de prédicteurs de grande dimension. Nous proposons un nouveau cadre d'analyse en composantes principales dynamiques profondes supervisée (SDDP) qui intègre les variables cibles et les observations retardées dans le processus d'extraction des facteurs. Nous construisons des prédicteurs sensibles à la cible en supervisant la taille des prédicteurs initiaux à l'aide d'un réseau de neurones temporel, en attribuant une pondération plus importante aux prédicteurs à fort pouvoir prédictif. Nous effectuons ensuite une ACP sur les prédicteurs sensibles à la cible afin d'extraire les facteurs SDDP estimés. Cette extraction supervisée des facteurs améliore non seulement la précision prédictive des tâches de prévision ultérieures, mais génère également des facteurs latents plus interprétables et spécifiques à la cible. Sur la base de la SDDP, nous proposons un modèle de prévision dynamique non linéaire augmenté de facteurs qui intègre un large éventail d'approches de prévision basées sur des modèles factoriels. Afin de démontrer davantage la large applicabilité de la SDDP, nous étendons nos recherches à des scénarios plus complexes où les prédicteurs ne sont que partiellement observables. Nous validons empiriquement les performances de la méthode proposée sur plusieurs jeux de données publics réels. Les résultats démontrent que l’algorithme proposé améliore considérablement la précision des prévisions par rapport aux méthodes de pointe.
