Détection des changements de régime avec GBDT et valeurs Shapley.

Résumé La détection des changements de régime sur les marchés financiers est bien connue pour être difficile à expliquer et à interpréter. Un gestionnaire d'actifs peut-il expliquer clairement l'intuition de sa prédiction de changements de régime sur le marché des actions ? Pour répondre à cette question, nous considérons une approche de type gradient boosting decision trees (GBDT) pour planifier les changements de régime sur le 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 automatique (ML) sur les prix à terme du S&P 500. Nous montrons que la rétention d'un nombre réduit de caractéristiques soigneusement sélectionnées permet d'améliorer toutes les approches ML. Les valeurs de Shapley ont récemment été introduites de la théorie des jeux dans le domaine de l'apprentissage automatique. Cette approche permet une identification robuste des variables les plus importantes planifiant les crises boursières, et une explication locale de la probabilité de crise à chaque date, par 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.