Construction de stratégies d'investissement en utilisant des algorithmes de Machine Learning

Creating Investment Strategies Based on Machine Learning Algorithms

• Auteur / Autrice : Hachem Madmoun
• Direction : Bernard Lapeyre
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 30/11/2022
• Etablissement(s) : Marne-la-vallée, ENPC
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication
• Partenaire(s) de recherche : Laboratoire : Centre d'enseignement et de recherche en mathématiques et calcul scientifique (Champs-sur-Marne, Seine-et-Marne)
• Jury : Président / Présidente : Agnès Sulem
• Jury : Examinateurs / Examinatrices : Bernard Lapeyre, Nabil Kahale, Tristan Cazenave, François Longin
• Jury : Rapporteurs / Rapporteuses : Nabil Kahale, Tristan Cazenave

Mots clés

Mots clés contrôlés

Stratégie

Investissements

Investissements -- Modèles mathématiques

Traitement du signal

Markov, Processus de

Apprentissage automatique

Mathématiques financières -- Solutions numériques

Mots clés libres

Modèle graphiques

Traitement du signal

Réseaux de neurones

Mécanismes d'attention

Stratégies d'investissement

Modèle de Markov caché

Graphical Model

Signal Processing

Neural Networks

Attention mechanism

Investment Strategies

Hidden Markov Models

Résumé

La thèse a permis de développer deux stratégies d'investissement issues d'algorithmes de Machine Learning:La première (Low Turbulence Model) est une stratégie sur indice qui combine à la fois du traitement du signal et des modèles graphiques afin de créer une représentation en basse dimension des séries temporelles. Cette représentation permet d'identifier deux régimes de marché, stables dans le temps, associés à l’indice en question: un régime de forte turbulence et un régime de faible turbulence. L’étude de la dynamique de ces régimes nous permet de prédire l’état de turbulence futur d’un indice et d’ainsi réduire les périodes d’investissement aux périodes de faible turbulence qui lui sont associées. Un tel paradigme d'investissement permet d’éviter au maximum les périodes de crise, sans pour autant sacrifier le niveau de rendement.La seconde (Attention Based Ranking Model) est une stratégie de sélection de stocks basée sur un système de Ranking. Le modèle prédit le classement futur des actifs en s’appuyant sur la dynamique de leurs skills, estimés grâce à un réseau bayésien. L’étude de la dynamique des skills repose, quant à elle, sur l’utilisation de mécanismes d’attention qui permettent aux réseaux de neurones de se focaliser sur la partie la plus pertinente de l’information. On retrouve d’ailleurs cette logique de pondération asymétrique de l’information en neuroscience et en psychologie pour qualifier le processus de raisonnement lent, réfléchi et logique, auquel l’humain a recours pour résoudre des problèmes complexes. Ainsi, en s’inspirant de ces architectures récentes, qui ont fait le succès des modèles de langage naturel, nous avons proposé un modèle à même de s’adapter aux différentes configurations de marché en brisant la propension au pur momentum. De fait, le modèle surperforme significativement le marché ainsi que les stratégies momentum classiques.

The goal of this thesis is to show how portfolio allocation can benefit from the development of Machine Learning algorithms. We propose two investment strategies based on such algorithms.The first strategy (Low Turbulence Model) is an asset allocation method based on an interpretable low-dimensional representation framework of financial time series combining signal processing, deep neural networks, and bayesian statistics. This representation framework exhibits particularly good clustering properties, which enables us to define two market regimes: The High and the Low Turbulence regimes. By modeling their dynamics, we are able to forecast the market regime over the next period of time. Hence, we enrich the paradigm of asset management by reducing investable periods for any risky asset to their low turbulence periods and alternatively invest in safe assets (typically cash or treasuries) during high turbulence periods. By doing so, we not only enable investors to enjoy smoother “investment journeys'', but we also aim at generating reasonable returns by considerably reducing the volatility and the drawdowns along the way.The Second Strategy (Attention Based Ranking Model) is a stock picking strategy for large-cap US stocks. Our approach involves two steps: First, we transform the series of price data into skill vectors using the TrueSkill Algorithm with Optimal Quantized Belief Propagation. An Attention-based Recurrent Neural Network is then applied to selectively focus on relevant parts of the skill vectors in order to predict the ranking of a group of assets over the next period of time. By doing so, the ranking system learns to adapt to different market configurations and significantly outperforms both the market and classic momentum strategies.