Valeurs de Shapley pour le modèle LightGBM appliqué à la détection des régimes.

Résumé Nous considérons une approche d'arbres de décision par boosting de gradient (GBDT) pour prédire les grandes baisses de prix du S&P 500 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 machine (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. Les valeurs de Shapley ont récemment été introduites de la théorie des jeux dans le domaine de l'apprentissage automatique. Elles permettent une identification robuste des variables les plus importantes prédisant les crises boursières, et une explication locale de la probabilité de crise à chaque date, grâce à une attribution cohérente des caractéristiques. Nous appliquons cette méthodologie pour analyser en détail l'effondrement financier de mars 2020, pour lequel le modèle a offert une prédiction hors échantillon opportune. Cette analyse dévoile en particulier le rôle prédictif contrariant du secteur des actions technologiques avant et après le crash.