La pertinence des modèles de Machine Learning dans la prévsion de la rémunération des facteurs de risque de type Smart Beta

Abstract

Le rapport suivant a été écrit dans le cadre de mon stage dans l'entreprise « Behave! ». Son principal objectif est d’identifier et de défendre le modèle de Machine Learning le plus pertinent dans la cadre de prévisions portant sur 7 styles d’investissement différents : « Growth », « Momentum », « Quality », « Size », « Value », « Volatility » et « Yield ».

Étant donné que ce mémoire est rédigé selon une orientation "rapport d’entreprise", une part importante de ce document est consacrée à la construction de modèles et à l’analyse de résultats.

De nombreuses recherches académiques ont néanmoins dû être effectuées et viendront, aussi souvent que possible, appuyer les conclusions établies au fur et à mesure des chapitres.

Ma tâche au sein de l’entreprise peut être divisée en trois étapes majeures, il en va de même pour la construction de ce rapport. Premièrement, les facteurs de risque sont définis et systématiquement liés à leurs styles d’investissement. C’est l’occasion d’étudier les techniques utilisées par l’entreprise pour les calculer.

Dans un deuxième temps, ce sont les modèles de Machine Learning qui sont définis et appliqués à un exemple simple en utilisant les logiciels « RStudio » et « Microsoft Azure Cortana Intelligence ». Dans ce mémoire, l’approche se limite aux modèles suivants : « Hidden Markov », « Random Forest », « Support Vector Machine » et « Neural Network ».

Il s’agira enfin d’appliquer ces modèles aux styles d’investissement proposés par l’entreprise afin de pouvoir faire des comparaisons qui serviront ensuite de base à mes recommandations finales.