Construction et optimisation de portefeuilles
: comparaison des techniques conventionnelles avec les techniques de Machine Learning

  • Martin GRIFNÉE

Student thesis: Master typesMaster in Business Engineering Professional focus in Data Science

Abstract

Ce mémoire analyse et compare les techniques traditionnelles de construction et d'optimisation de portefeuilles avec les techniques de \textit{Machine Learning}. Une première rubrique décrit la littérature existante en termes de sélection d'actifs et d'optimisation de portefeuille, selon l'approche classique et moderne avec ses différents cas d'applications. La partie empirique de ce mémoire se concentre sur la construction et l'optimisation d'un portefeuille comprenant dix actions allemandes. Sur base des différentes estimations de rendements attendus et de variances fournies par l'approche classique et les algorithmes de Machine Learning, le but est d'analyser la performance des différentes compositions du portefeuille via le ratio de Sharpe. L'horizon temporel utilisé pour fournir les estimations et les résultats de performance est de cinq ans, allant du $1^{er}$ janvier 2016 au 31 décembre 2020. Le modèle le plus performant a obtenu un ratio de Sharpe de 1,09, battant ainsi le second modèle traditionnel (0,804) et l'indice de référence DAX (0,576).
Date of Award26 Aug 2022
Original languageFrench
Awarding Institution
  • University of Namur
SupervisorSophie Bereau (Supervisor)

Cite this

'