Abstract (FR)

Ce travail présente une nouvelle façon d’estimer les paramètres d’aversion au risque dans les marchés financiers, en utilisant le Facteur d’Actualisation Stochastique, et en testant formellement leur pouvoir prédictif. Nous proposons un design optimal d’un Réseau de Neurones pour modéliser les fonctions convexes, qui est utilisé pour inférer la surface de volatilité et la Densité Risque Neutre grâce aux prix d’options. En plus de la contrainte de convexité, la densité estimée est sans arbitrage, varie au cours du temps, avec un temps de calcul rapide. Nous proposons ensuite une autre méthodologie d’estimation de la Densité Historique en utilisant des techniques d’apprentissage non-supervisé (Mixture de Gaussiennes), qui prennent mieux en compte le caractère changeant du régime des marchés financiers que les modèles économétriques classiques. Nous construisons ensuite des séries temporelles de la surface d’Aversion Relativeau Risque et testons leur pouvoir prédictif quant à la rentabilité future du S&P 500, d’abord en réduisant le bruit des séries temporelles avec des ondelettes, ensuite en construisant une tache d’apprentissage supervisé pour construireune stratégie d’investissement. Cela résulte en une stratégie avec une Ratio de Sharpe de 1.13 sur la période 2006-2020, meilleure statistiquement que le S&P 500 et l’allocation standard 60/40, à la fois en termes de rentabilité et deRatio de Sharpe, sur les données d’entrainement et les données de test.