Artificial Neural Network Models for Alternative Investments
Des techniques neuronales dans l'alternatif
Résumé
In this thesis, we propose to redefine widely applied financial models, in less restrictive frameworks that comply with hedge funds return peculiarities. This extended setting leads to more complex models; we propose to solve the proposed approaches using natural computation methods. In the first chapter, we answer to the general issue of the pre-processing of databases with missing values. A new method is proposed that efficiently takes into account non-linear dependences and time-series structure of the underlying observations. The second chapter of the thesis is dedicated to higher-order moments asset allocation models. The set of possible portfolios is non-convex in the first four moment space. Thus, we propose an original approach based on the so-called shortage function to solve optimization programs of a rational investor. Then, in the third chapter, we evaluate the impact of outliers on higher-order moment asset allocations. An ANN-GARCH allows us to model the volatility and to extend the methodology proposed by Charles and Darné (2005) in a four moments world. The impact of outliers is finally evaluated through an analysis of moments of returns on dynamically optimized portfolios (with and without pre-processing). The last chapter of the thesis is devoted to style analysis. We develop an original approach based on the Self-Organizing Maps of Kohonen (1995). In this framework, each neuron is considered as a style factor. A conditional analysis is conducted to establish a link between the conceptual factors and real financial benchmarks. Through a dynamic projection, we finally gauge the stability of manager investment strategies in various market conditions.
Cette thèse s'attache à redéfinir des modèles financiers traditionnels en considérant un cadre d'analyse moins restrictif, s'accordant mieux avec les caractéristiques empiriques des fonds alternatifs. Ce cadre élargi, certes plus réaliste, a néanmoins pour principal effet de complexifier les modèles étudiés ; nous choisissons alors d'employer des procédés de calcul naturel pour les simplifier. Dans le premier chapitre de la thèse, nous répondons à une problématique générale qui concerne l'étape essentielle du traitement des données. Nous proposons ainsi une nouvelle approche de la complétion des valeurs manquantes, autorisant une meilleure prise en compte des dépendances inter-actifs. Nous montrons dans le deuxième chapitre comment intégrer des moments d'ordre supérieur dans les modèles d'allocation. Une technique d'optimisation définie à partir des fonctions dites de pénurie nous permet de résoudre les problèmes d'optimisation dans l'espace non-convexe des quatre premiers moments de la distribution de rendements des portefeuilles optimisés. Le troisième chapitre s'attache à évaluer l'impact des données aberrantes sur les modèles d'allocation d'actifs intégrant les moments d'ordre supérieur. Un réseau de neurones modélisant la volatilité nous permet d'étendre les travaux de Chen et Liu (1993). Nous terminons cette thèse avec le quatrième chapitre en proposant un modèle d'analyse de style défini à partir de cartes de Kohonen. Le lien entre les facteurs de style traditionnels et les neurones de la carte est effectué au moyen d'une analyse conditionnelle. Une projection dynamique des fonds autorise ainsi l'étude de la stabilité des styles des gérants d'actifs.