Les réseaux de neurones artificiels sont employés pour la prévision du taux de change Canada/ États-Unis à fréquence élevée. Ils produisent généralement de meilleures prévisions hors échantillon récursives qu'une marche aléatoire ou un modèle linéaire. L'addition d'une variable microstructurelle (le flux des transactions) entraîne une nette amélioration de la capacité de prévision des modèles tant linéaires que non linéaires. Les auteurs font appel à deux critères pour évaluer le rendement d'un modèle : la racine carrée de l'erreur quadratique moyenne (REQM) et la capacité de prévoir le sens des variations du taux de change. La REQM est systématiquement moins élevée dans le cas des prévisions produites par les réseaux de neurones artificiels que pour celles issues d'une marche aléatoire ou de modèles linéaires, peu importe le nombre d'observations hors échantillon. De plus, les réseaux de neurones artificiels permettent de prédire correctement le sens d'un plus grand pourcentage des variations du taux de change. Selon les résultats empiriques, l'architecture optimale de ces réseaux fournit de meilleures prévisions du taux de change à fréquence élevée qu'une marche aléatoire ou tout autre modèle linéaire.