Cycles économiques et gestion de portefeuille

par Thomas Raffinot

Thèse de doctorat en Sciences économiques

Sous la direction de Anne Epaulard.

Soutenue le 28-09-2017

à Paris Sciences et Lettres , dans le cadre de Ecole doctorale de Dauphine (Paris) , en partenariat avec Laboratoire d’Economie de Dauphine (Paris) (laboratoire) et de Université Paris-Dauphine (Etablissement de préparation de la thèse) .

Le président du jury était Bertrand Villeneuve.

Le jury était composé de Anne Epaulard, Bertrand Villeneuve, Christophe Hurlin, Laurent Ferrara, Marie Brière, Valérie Mignon.

Les rapporteurs étaient Christophe Hurlin, Laurent Ferrara.


  • Résumé

    Cette thèse cherche à lier les cycles économiques et la gestion de portefeuille. Le premier chapitre construit un cadre théorique entre les cycles économiques et les primes de risques. Il met en évidence l’importance des points de retournement du cycle de croissance, plus connu sous le nom d’écart de production. Les deux chapitres suivants ont pour objectif de détecter en temps réel ces points de retournement. La première approche se concentre sur une méthode non paramétrique d’apprentissage automatique simple et facilement compréhensible appelée quantification vectorielle adaptative. La seconde approche utilise des méthodes plus complexes d’apprentissage automatique, dites ensemblistes : les forêts aléatoires et le boosting. Les deux démarches permettent de créer des stratégies d’investissement performantes en temps réel. Enfin, le dernier chapitre élabore une méthode d’allocation d’actifs à partir de différents algorithmes de regroupement hiérarchique. Les résultats empiriques démontrent l’intérêt de cette tentative : les portefeuilles créés sont robustes, diversifiés et lucratifs.

  • Titre traduit

    Asset Allocation, Economic Cycles and Machine Learning


  • Résumé

    A well-worked theory of macro-based investment decision is introduced. The theoretical influence of economic cycles on time-varying risk premiums is explained and exhibited. The importance of the turning points of the growth cycle, better known as the output gap, is outlined. To quickly and accurately detect economic turning points, probabilistic indicators are first created from a simple and transparent machine-learning algorithm known as Learning Vector Quantization. Those indicators are robust, interpretable and preserve economic consistency. A more complex approach is then evaluated: ensemble machine learning algorithms, referred to as random forest and as boosting, are applied. The two key features of those algorithms are their abilities to entertain a large number of predictors and to perform estimation and variable selection simultaneously. With both approaches investment strategies based on the models achieve impressive risk-adjusted returns: timing the market is thus possible. At last, exploring a new way of capital allocation, a hierarchical clustering based asset allocation method is introduced. The empirical results indicate that hierarchical clustering based portfolios are robust, truly diversified and achieve statistically better risk-adjusted performances than commonly used portfolio optimization techniques.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Autre version

Cycles économiques et gestion de portefeuille


Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : PARIS-PSL (Paris). Université Paris-Dauphine. Service commun de la documentation : Thèses électroniques Dauphine.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.

Consulter en bibliothèque

à

Informations

  • Sous le titre : Cycles économiques et gestion de portefeuille
  • Détails : 1 vol. (150p.)
La version de soutenance de cette thèse existe aussi sous forme papier.

Où se trouve cette thèse\u00a0?

Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.