[Lisa_seminaires] Soutenance de

vincentp at iro.umontreal.ca vincentp at iro.umontreal.ca
Sam 10 Oct 13:48:04 EDT 2009


Vous êtes tous cordialement invités à assister à la soutenance de  thèse
de doctorat de Nicolas Chapados, qui aura lieu ce Vendredi 16 octobre 2009
à 13:00, salle 3195 Pavillon André Aisenstadt, 2920 Chemin de la Tour.

TITRE: "Sequential Machine Learning Approaches for Portfolio Management"
(un résumé en Français suit le résumé Anglais).

ABSTRACT:

This thesis considers a number of approaches to make machine learning
algorithms better suited to the sequential nature of financial portfolio
management tasks.

We start by considering the problem of the general composition of learning
algorithms that must handle temporal learning tasks, in particular that of
creating and efficiently updating the training sets in a sequential
simulation framework.  We enumerate the desiderata that composition
primitives should satisfy, and underscore the difficulty of rigorously and
efficiently reaching them.  We follow by introducing a set of algorithms
that accomplish the desired objectives, presenting a case-study of a
real-world complex learning system for financial decision-making that uses
those techniques.

We then describe a general method to transform a non-Markovian sequential
decision problem into a supervised learning problem using a K-best paths
search algorithm.  We consider an application in financial portfolio
management where we train a learning algorithm to directly optimize a
Sharpe Ratio (or other risk-averse non-additive) utility function.  We
illustrate the approach by demonstrating extensive experimental results
using a neural network architecture specialized for portfolio management
and compare against well-known alternatives.

Finally, we introduce a functional representation of time series which
allows forecasts to be performed over an unspecified horizon with
progressively-revealed information sets.  By virtue of using Gaussian
processes, a complete covariance matrix between forecasts at several
time-steps is available.  This information is put to use in an application
to actively trade price spreads between commodity futures contracts.  The
approach delivers impressive out-of-sample risk-adjusted returns after
transaction costs on a portfolio of 30 spreads.


RÉSUMÉ:

Cette thèse envisage un ensemble de méthodes permettant aux algorithmes
d'apprentissage statistique de mieux traiter la nature séquentielle des
problèmes de gestion de portefeuilles financiers.

Nous débutons par une considération du problème général de la composition
d'algorithmes d'apprentissage devant gérer des tâches séquentielles, en
particulier celui de la mise-à-jour efficace des ensembles d'apprentissage
dans un cadre de validation séquentielle.  Nous énumérons les desiderata
que des primitives de composition doivent satisfaire, et faisons ressortir
la difficulté de les atteindre de façon rigoureuse et efficace.  Nous
poursuivons en présentant un ensemble d'algorithmes qui atteignent ces
objectifs et présentons une étude de cas d'un système complexe de prise de
décision financière utilisant ces techniques.

Nous décrivons ensuite une méthode générale permettant de transformer un
problème de décision séquentielle non-Markovien en un problème
d'apprentissage supervisé en employant un algorithme de recherche basé sur
les K meilleurs chemins.  Nous traitons d'une application en gestion de
portefeuille où nous entraînons un algorithme d'apprentissage à optimiser
directement un ratio de Sharpe (ou autre critère non-additif incorporant
une aversion au risque).  Nous illustrons l'approche par une étude
expérimentale approfondie, proposant une architecture de réseaux de
neurones spécialisée à la gestion de portefeuille et la comparant à
plusieurs alternatives.

Finalement, nous introduisons une représentation fonctionnelle de séries
chronologiques permettant à des prévisions d'être effectuées sur un
horizon variable, tout en utilisant un ensemble informationnel révélé de
manière progressive.  L'approche est basée sur l'utilisation des processus
Gaussiens, lesquels fournissent une matrice de covariance complète entre
tous les points pour lesquels une prévision est demandée.  Cette
information est utilisée à bon escient par un algorithme qui transige
activement des écarts de cours (price spreads) entre des contrats à terme
sur commodités.  L'approche proposée produit, hors échantillon, un
rendement ajusté pour le risque significatif, après frais de transactions,
sur un portefeuille de 30 actifs.


COMPOSITION DU JURY:

Président-Rapporteur:   Pascal Vincent
Directeur de Recherche: Yoshua Bengio
Examinateur Externe: Doina Precup
Membre du Jury: Michel Gendreau
Représentante du Doyen: Yves Sprumont



Plus d'informations sur la liste de diffusion Lisa_seminaires