Quantification d'incertitudes, fluctuations statistiques et machine learning appliquées à l'étude de la stabilité et de la robustesse de stratégies systématiques.

par Linda Chamakh

Projet de thèse en Mathématiques appliquées

Sous la direction de Emmanuel Gobet et de Zoltan Szabo.

Thèses en préparation à l'Institut polytechnique de Paris , dans le cadre de École doctorale de mathématiques Hadamard (Orsay, Essonne ; 2015-....) , en partenariat avec Centre de mathématiques (Palaiseau, Essonne) (laboratoire) et de SIMPAS : Signal IMage Probabilités numériques Apprentissage Statistique (equipe de recherche) depuis le 02-05-2018 .


  • Résumé

    Dans le secteur financier en général et dans la gestion d'actifs en particulier, la conception de stratégies d'investissement performantes et robustes est l'une des préoccupations les plus importantes pour attirer des clients. Le marché des stratégies d'investissement est très compétitif entre banques et gestionnaires d'actifs, et il est de plus en plus essentiel de concevoir des outils pour évaluer la stabilité et la robustesse des stratégies, quantifier à quel point sa calibration dépend des paramètres d'entrée (données historiques) ou des hypothèses qui ont été faites pour concevoir la stratégie. Il s'agit de mieux comprendre l'impact de l'erreur de spécification du modèle/des paramètres ou de la sur-optimisation sur les données historiques. Ce projet de recherche va contribuer à aborder ces problèmes en utilisant des outils issus du machine learning, des algorithmes stochastiques et de la quantification des incertitudes.

  • Titre traduit

    Uncertainty Quantification and statistical fluctuations applied to the robustness of systematic strategies.


  • Résumé

    In the financial industry in general and in asset management in particular, de- signing performant and robust investment strategies is one of the most important concerns to attract clients. The market of investment strategies is very competitive between banks and asset managers, and it is more and more essential to design tools to assess the stability and robustness of strategies, to quantify how much its tuning depends on the input parameters (historical data) or the assumptions that have been taken to design the strategy. This is about better understanding the impact of misspecification of model/parameters or of over-optimization on historical data. This research project contributes to tackle these issues using tools from machine learning, stochastic algorithms and uncertainty quantification.