19 articles
Cet article établit une théorie spectrale des portefeuilles en identifiant les matrices de poids des réseaux de neurones entraînés par descente de gradient stochastique à des matrices d'allocation, démontrant que leurs propriétés spectrales codent la dynamique de la richesse et unifiant divers modèles financiers sous un cadre commun caractérisé par un théorème d'invariance spectrale.
Ce papier présente le cadre de recherche AlgoXpert Alpha, un protocole rigoureux en trois étapes (échantillon d'apprentissage, analyse glissante et échantillon de validation) intégrant des mécanismes de sécurité pour atténuer le surajustement et valider la robustesse des stratégies quantitatives avant leur mise en production.
Cette étude propose un cadre de référence inédit pour évaluer les capacités de raisonnement quantitatif des grands modèles de langage dans l'optimisation de portefeuille, révélant des performances distinctes entre GPT-4, Gemini 1.5 Pro et Llama 3.1-70B selon les objectifs et les contraintes d'investissement.
Cette étude examine comment trois grands modèles de langage (GPT, Gemini et Llama) forment et expriment des profils de risque d'investisseur, révélant des tendances de tolérance au risque distinctes et une capacité variable à ajuster ces profils en fonction de personas spécifiques.
Ce papier établit que l'invariance du numéraire en finance et en mécanique quantique mène à une géométrie projective où un terme cubique dans le développement de Taylor de la distance dirigée crée une asymétrie fondamentale qui explique la flèche du temps, l'échec du démon de Maxwell et les limites des traders séquentiels.
Cet article propose un protocole de distribution basé sur l'optimisation convexe permettant aux gestionnaires de portefeuille d'un même fonds de réduire les coûts de transaction en ajustant itérativement leurs ordres sans révéler leurs stratégies ni échanger leurs listes de trades, tout en convergeant vers une solution optimale collective.
Le papier propose le cadre de régression générative antagoniste (GAR), qui apprend des scénarios de risque conditionnels en alignant les générateurs sur des objectifs de risque élicitables via une formulation minimax, démontrant ainsi une meilleure préservation du risque en aval sur les données du S&P 500 par rapport aux méthodes existantes.
Cet article propose un Indice de Conformité Charia Continue (CSCI) qui unifie les normes de filtrage actuelles en une mesure transparente pour optimiser la conception de portefeuilles, tout en démontrant que cette conformité accrue ne constitue pas un facteur de rentabilité prévisible une fois les caractéristiques standard contrôlées.
Cet article établit pour la première fois une caractérisation complète du choix de portefeuille dynamique optimal sous des préférences moyennes-variances monotones dans des modèles à rendements indépendants, en démontrant que l'utilité maximale correspond au carré du ratio de Sharpe monotone et en fournissant des conditions nécessaires et suffisantes pour l'efficacité des portefeuilles.
L'article présente Onflow, un algorithme d'allocation de portefeuille sans modèle et en ligne basé sur l'apprentissage par renforcement et les flots de gradient, qui optimise les rendements logarithmiques tout en étant robuste aux coûts de transaction et aux risques de modèle.
Cet article propose un cadre bayésien généralisé utilisant la distribution de Gibbs pour optimiser les portefeuilles paramétriques sans modèle de génération de rendements, en introduisant un algorithme KNEEDLE pour sélectionner automatiquement le paramètre d'échelle optimal et en validant empiriquement la méthode sur les actions américaines de 1955 à 2024.
Cet article examine la relation entre le portefeuille de variance minimale à long terme et les expositions aux facteurs dans le cadre d'un modèle de facteurs, en fournissant une description explicite pour un modèle à un facteur et une interprétation géométrique pour plusieurs facteurs, illustrée par des données empiriques sur les actions américaines.
Cet article propose un cadre général pour la gestion de portefeuille dynamique avec des paiements non linéaires et une aversion à l'ambiguïté lisse, démontrant que l'aversion à l'ambiguïté modifie les croyances vers des états défavorables, restreint la prise de risque et réduit la volatilité, comme illustré dans le contexte de la gestion déléguée avec des incitations convexes.
Cet article propose un cadre général Heath-Jarrow-Morton multidevises et multicourbes intégrant la collateralisation et les écarts de base, permettant de modéliser simultanément les taux IBOR prospectifs et les taux rétrospectifs pour évaluer des produits dérivés complexes comme les swaps multidevises.
Ce papier présente un cadre d'investissement explicable et adaptatif basé sur un modèle de Markov caché de Wasserstein qui, en identifiant dynamiquement les régimes de marché, permet d'optimiser la construction de portefeuille avec des performances ajustées au risque supérieures et une réduction significative des pertes par rapport aux stratégies de référence.
Cet article démontre qu'une taxe proportionnelle sur la valeur de marché des actifs est économiquement équivalente à une prise de participation par l'État, ce qui préserve la composition optimale des portefeuilles et la tarification des actifs tant que les marchés sont parfaits et la taxation universelle, tout en identifiant comment les écarts par rapport à ces conditions (comme la taxation sur la valeur comptable ou les frictions de liquidité) brisent cette neutralité.
Cet article examine la robustesse de la neutralité de l'impôt sur la richesse, démontrant qu'elle persiste sous certaines conditions de préférences et de volatilité mais est compromise par des structures progressives et des écarts d'application, tout en évaluant les implications de ces distorsions sur la migration fiscale et les propositions de taxes mondiales.
Cet article reformule la neutralité de l'impôt sur la fortune en langage de physique statistique, démontrant qu'un impôt proportionnel agit comme une symétrie de décalage de la dérive dans une équation de Fokker-Planck, tandis que les écarts pratiques à cette neutralité correspondent à des violations spécifiques de cette symétrie.
Cette étude présente un cadre d'apprentissage par renforcement utilisant l'optimisation proximale des politiques (PPO) pour ajuster dynamiquement les poids d'alphas générés par des modèles de langage, démontrant ainsi une amélioration des ratios de Sharpe et une réduction des tirages maximums par rapport aux stratégies de base.