Détection d'un événement de crise à l'aide d'arbres de décision par boosting de gradient.

Résumé L'allocation des marchés financiers est une tâche difficile car la méthode doit changer radicalement de comportement lorsqu'elle est confrontée à des événements très rares de type cygne noir, tels que des crises qui modifient le régime du marché. Afin de relever ce défi, nous présentons une approche d'arbres de décision par boosting de gradient (GBDT) pour prédire les grandes baisses de prix des indices boursiers à partir d'un ensemble de 150 caractéristiques techniques, fondamentales et macroéconomiques. Nous rapportons une amélioration de la précision du GBDT par rapport à d'autres méthodes d'apprentissage automatique (ML) sur les prix à terme du S&P 500. Nous montrons que la rétention d'un nombre réduit de caractéristiques soigneusement sélectionnées apporte des améliorations par rapport à toutes les approches ML. Nous montrons que ce modèle a un fort pouvoir prédictif. Nous entraînons le modèle de 2000 à 2014, une période où diverses crises ont été observées et utilisons une période de validation de 3 ans pour trouver les hyperparamètres. Le modèle ajusté prévoit de manière opportune la crise de Covid, ce qui nous donne une méthode de planification pour la détection précoce de crises potentielles futures.