Optimisation de portefeuille en utilisant des techniques de machine learning
Un des éléments clé d'une l'optimisation de portefeuille est la capacité à estimer l'espérance mathématique du retour sur investissement d'un ensemble d'actifs donnés. L'objet de ce travail est d'appliquer plusieurs méthodes prédictives, paramétriques et non-paramétriques pour estimer ces retours sur investissement (techniques à apprendre durant le semestre d'été). Des données de plusieurs milliers d'actifs sur un historique de 10 ans seront mises à disposition pour calibrer les modèles de prédiction (basés sur des corrélations croisées, entre autres) à développer en Python. Le but de ce travail est ainsi d'appliquer, de compléter et de développer de nouveaux outils prédictifs (plateforme en temps réel pour la consultation) pour les obligations.
Etudiant: Anastasia Zharkova
Année: 2018
Département: TIC
Filière: Informatique et systèmes de communication (anciennement Télécommunications) avec orientation en Réseaux et Services
Type de formation: Plein temps
Enseignant responsable: Stephan Robert
Institut: IICT
Ce travail est confidentiel