Distinguer l'indiscernable : une approche d'apprentissage par renforcement profond pour les modèles de ciblage de la volatilité.

Résumé Un agent peut-il apprendre efficacement à distinguer des modèles financiers extrêmement similaires dans un environnement dominé par le bruit et les changements de régime ? Les méthodes statistiques standard basées sur le calcul de la moyenne ou le classement des modèles échouent précisément à cause des changements de régime et des environnements bruyants. Des informations contextuelles supplémentaires dans l'apprentissage par renforcement profond (DRL), aident à former un agent à distinguer différents modèles financiers dont les séries temporelles sont très similaires. Nos contributions sont de quatre ordres : (i) nous combinons l'apprentissage par renforcement (RL) basé sur un modèle et sans modèle. Le dernier RL sans modèle nous permet de sélectionner les différents modèles, (ii) nous présentons un concept, appelé "analyse walk-forward", qui est défini par un entraînement et des tests successifs basés sur des périodes d'expansion, afin d'affirmer la robustesse de l'agent résultant, (iii) nous présentons une méthode basée sur l'importance des caractéristiques qui ressemble à celle des méthodes de boosting de gradient et qui est basée sur la sensibilité des caractéristiques, (iv) enfin et surtout, nous introduisons le concept de signification de la différence statistique basée sur un test T bilatéral, afin de souligner les façons dont nos modèles diffèrent des modèles plus traditionnels. Nos résultats expérimentaux montrent que notre approche surpasse les benchmarks dans presque tous les paramètres d'évaluation couramment utilisés en mathématiques financières, à savoir la performance nette, le ratio de Sharpe, le ratio de Sortino, le maximum drawdown, le maximum drawdown sur la volatilité.