Etude des performances du Machine Learning dans la gestion de portefeuilles

Details

Supervisors

Vrins, Frédéric ; Petitjean, Mikael

Faculty

Louvain School of Management

Degree label

Master [120] en ingénieur de gestion

Abstract

Ce mémoire analyse les performances du Machine Learning dans la prédiction boursière, comparées à d'autres outils financiers dans trois secteurs distinctifs : la biotechnologie, l'immobilier et l'énergie. Nous allons dans un premier temps parcourir la littérature concernant la sélection de titres et les différentes méthodes couramment utilisées, pour ensuite s'attarder sur le Machine Learning et sur certains de ses algorithmes. De cette revue de littérature, nous observerons que trois grandes méthodes d'analyses financières existent : l'analyse technique, l'analyse fondamentale et l'analyse de sentiment. Nous retiendrons l'analyse technique pour la partie empirique, plus précisément les quatre indicateurs suivants : le Simple Moving Average (SMA), le Moving Average Convergence Divergence (MACD), le Relative Strength Index (RSI) et le Rate Of Change (ROC). Nous verrons également les algorithmes les plus cités de la littérature, qui seront ensuite utilisés dans la partie empirique : deux arbres de décision (CART et C5.0), une forêt aléatoire (RF), un réseau de neurones (ANN) et une machine à vecteurs de support (SVM). Le taux de précision (Accuracy) sera l'outil utilisé pour mesurer la capacité des modèles à prédire le cours du lendemain, à savoir s'il s'agira d'une tendance haussière ou baissière. Le Sharpe Ratio mesurera si chaque modèle propose une stratégie d'investissement intéressante ou non. En considérant la période du 1er janvier 2011 au 1er janvier 2018, et en utilisant un tracker par industrie, respectivement le XBI, le RWR et le XLE, on s'apercevra que le Machine Learning performe mieux que l'analyse technique pour les deux premiers domaines, tant sur le plan des rendements proposés qu'au niveau des taux de précision obtenus. Cependant, on ne peut pas affirmer avec certitude que les modèles ML battent les outils techniques dans le cas du secteur de l'énergie. De manière générale, on constate que les algorithmes ML performent bien dans le cas de cours boursier croissants sur la période considérée.