Optimisation de portefeuille dans un contexte de données massives (Big Data)
Objectifs
Réduire les erreurs d'estimation dans les modèles d'optimisation de portefeuille (ex: Markowitz) en haute dimension. L'approche vise à estimer directement une matrice de précision parcimonieuse (inverse de la covariance) pour améliorer la fiabilité hors-échantillon.
Méthodes & Analyse
Gérer la dimensionnalité massive où le nombre d'actifs dépasse le nombre d'observations, rendant les matrices singulières. Il a fallu implémenter et comparer Autometrics face au Lasso, et développer une nouvelle approche par décomposition de Cholesky.
Mon Rôle
Chercheur Principal & Développeur R
Résultats & Commentaires
Autometrics performe à un niveau similaire voire supérieur au Lasso. La méthode proposée de décomposition de Cholesky par régression surpasse les approches existantes (nodewise feasible basé sur les résidus), ce qui est confirmé par des applications sur des données financières réelles.