Un programme d'intelligence artificielle gère efficacement les portefeuilles d'actifs, selon un chercheur du NCSU

Les chercheurs ont développé et démontré un programme d’intelligence artificielle (IA) qui leur permet d’atteindre des objectifs de risque et de rendement d’investissement spécifiques pour des portefeuilles à grande échelle contenant des centaines d’actifs.

«Nous voulions savoir si nous pouvions utiliser l'apprentissage automatique pour améliorer le ratio de Sharpe afin d'obtenir de meilleures informations sur ce qu'il faut acheter, vendre ou conserver dans votre portefeuille afin d'améliorer les performances de votre portefeuille sur des périodes de 6 à 12 mois», explique Mehmet Caner, co-auteur d'un article sur le travail. « Ce travail montre que nous le pouvons. » Caner est professeur émérite Thurman-Raytheon d'économie au Poole College of Management de NC State.

Le ratio de Sharpe est un moyen de mesurer le compromis que fait le portefeuille d'un investisseur entre l'ampleur de ses rendements et le risque de perte de valeur de ses avoirs. Il s’agit d’une mesure bien établie et utilisée dans le secteur de l’investissement.

Cependant, les choses se compliquent lorsqu'un portefeuille contient des centaines de titres, car il devient de plus en plus difficile de réaliser des analyses risques/bénéfices et de prendre des décisions de gestion pour l'ensemble des titres.

Pour mieux gérer ces actifs, le secteur financier se tourne de plus en plus vers des programmes d’IA qui utilisent l’apprentissage automatique pour prendre des décisions de portefeuille.

Caner a déjà contribué au développement un programme d'IA basé sur un nouveau théorème mathématique pour éclairer la prise de décision financière. Cependant, Caner voulait voir s'il pouvait améliorer ce programme d'IA en intégrant une série de facteurs financiers dont le modèle précédent ne tenait pas compte.

«Gérer un portefeuille contenant des centaines d'actifs est un défi», déclare Caner. « Il peut contenir une variété d’actions et de matières premières, dont la plupart sont liées les unes aux autres d’une manière ou d’une autre. Comment gérer une matrice dynamique aussi compliquée ? Nous avons décidé de former un programme d’IA pour tenir compte d’une grande variété de facteurs dans le but ultime d’atteindre un ratio de Sharpe spécifique – et nous l’avons fait.

« Il est important de noter qu'il n'existe pas de ratio de Sharpe « correct » : il varie en fonction du niveau de risque avec lequel l'investisseur est à l'aise. Mais nous avons pu entraîner notre IA pour atteindre l'objectif de ratio de Sharpe que vous avez établi pour votre portefeuille, sur une période de 6 à 12 mois. Nous l’avons démontré à la fois dans des simulations et dans la pratique réelle.

Le papier, "Analyse du rapport de Sharpe en grandes dimensions : régression par nœuds basée sur les résidus dans les modèles factoriels», est publié dans le Journal d'économétrie. L'article a été co-écrit par Marcelo Medeiros de l'Université pontificale catholique de Rio de Janeiro ; et Gabriel FR Vasconcelos de la banque BOCOM BBM au Brésil.

(C) NCSU

Source originale de l’article : WRAL TechWire