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 pour améliorer les performances de votre portefeuille sur des périodes de 6 à 12 mois », explique Mehmet Caner. , co-auteur d’un article sur l’œuvre. « Ce travail montre que nous le pouvons. » Caner est professeur émérite Thurman-Raytheon d’économie au Poole College of Management de l’État de Caroline du Nord.
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 que ses avoirs perdent de la valeur. Il s’agit d’une mesure bien établie utilisée dans l’industrie de l’investissement.
Cependant, les choses se compliquent lorsqu’un portefeuille contient des centaines de participations, car il devient de plus en plus difficile d’effectuer des analyses risques/bénéfices et de prendre des décisions de gestion pour l’ensemble des participations.
Pour mieux gérer ces actifs, le secteur financier s’est de plus en plus tourné vers des programmes d’IA qui utilisent l’apprentissage automatique pour prendre des décisions de portefeuille.
Caner a précédemment aidé à développer un programme d’IA qui a construit 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 incorporant une gamme de facteurs financiers dont le modèle précédent ne tenait pas compte.
« La gestion d’un portefeuille qui contient 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 gérez-vous 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’y a pas de ratio de Sharpe » correct « – il variera en fonction du niveau de risque avec lequel un investisseur est à l’aise. Mais nous avons pu former 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 du monde réel. »
L’article, « Sharpe Ratio Analysis in High Dimensions: Residual-Based Nodewise Regression in Factor Models, » 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 BOCOM BBM Bank au Brésil.
Mehmet Caner et al, Analyse du ratio de Sharpe en grandes dimensions : régression nodale à base de résidus dans les modèles factoriels, Journal d’économétrie (2022). DOI : 10.1016/j.jeconom.2022.03.009