ISBN-13: 9786131534096 / Francuski / Miękka / 2018 / 172 str.
Les algorithmes d''apprentissage automatique, tels que les rA(c)seaux de neurones, jouent un rAle croissant en gestion de portefeuille. Ce livre propose et compare deux paradigmes d''entraA(R)nement de rA(c)seaux de neurones en gestion de portefeuille: un premier consistant A entraA(R)ner le rA(c)seau A prA(c)voir les premiers moments de la distribution conditionnelle des rendements des actifs puis A rendre une dA(c)cision de rA(c)partition moyenne-variance classique, et un second effectuant directement une dA(c)cision de rA(c)partition des actifs, A(c)liminant l''A(c)tape de la prA(c)vision. Nous A(c)tudions A(c)galement les mA(c)thodes de combinaison de modA]les, offrant une rA(c)ponse au problA]me de choix des hyperparamA]tres contrAlant le rA(c)seau et permettant de stabiliser la performance des modA]les en prA(c)sence d''un niveau de bruit A(c)levA(c). Une A(c)valuation expA(c)rimentale dA(c)taillA(c)e est prA(c)sentA(c)e, utilisant comme sujet les secteurs de l''indice boursier canadien.
Les algorithmes dapprentissage automatique, tels que les réseaux de neurones, jouent un rôle croissant en gestion de portefeuille. Ce livre propose et compare deux paradigmes dentraînement de réseaux de neurones en gestion de portefeuille: un premier consistant à entraîner le réseau à prévoir les premiers moments de la distribution conditionnelle des rendements des actifs puis à rendre une décision de répartition moyenne-variance classique, et un second effectuant directement une décision de répartition des actifs, éliminant létape de la prévision. Nous étudions également les méthodes de combinaison de modèles, offrant une réponse au problème de choix des hyperparamètres contrôlant le réseau et permettant de stabiliser la performance des modèles en présence dun niveau de bruit élevé. Une évaluation expérimentale détaillée est présentée, utilisant comme sujet les secteurs de lindice boursier canadien.