Évaluation empirique du prix des actifs via l'apprentissage automatique : preuves du marché boursier européen

Résumé Cet article évalue la performance prédictive des méthodes d'apprentissage automatique dans la prévision des rendements boursiers européens. Comparé à un modèle de référence linéaire, les interactions et les effets non linéaires aident à améliorer la performance prédictive. Cependant, les modèles d'apprentissage automatique doivent être correctement formés et réglés pour surmonter le problème de haute dimensionnalité et éviter le surajustement. Parmi toutes les méthodes d'apprentissage automatique, les prédicteurs les plus importants sont basés sur les tendances de prix et des signaux fondamentaux tirés des ratios d'évaluation. Cependant, les modèles présentent une variation substantielle dans leur performance prédictive statistique, se traduisant par des différences marquées en rentabilité économique. Les mesures de rendement et de risque des stratégies de trading uniquement à long terme indiquent que les modèles d'apprentissage automatique produisent des gains considérables par rapport à notre référence. Les réseaux neuronaux se comportent le mieux, même après prise en compte des coûts de transaction. Une formation de portefeuille basée sur la classification, utilisant une machine à vecteurs de support qui évite d'estimer les rendements attendus au niveau des actions, fonctionne même mieux que l'architecture de réseau neuronal.