[Lisa_seminaires] Rappel: Soutenance de these de Nicolas Chapados, vendredi 13h00

vincentp at iro.umontreal.ca vincentp at iro.umontreal.ca
Jeu 15 Oct 19:22:35 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