Résumé - Optimisation du portefeuille à objectifs multiples par descente de gradient

Optimisation du portefeuille à objectifs multiples par descente de gradient

2025-07-22 15:55:00

{"Christian Oliva","Pedro R. Ventura","Luis F. Lago-Fernández"}

{cs.CE,cs.LG}

Le papier présente un cadre pour l'optimisation de portefeuille à objectifs multiples (MPO) en utilisant la descente de gradient et la différentiation automatique dans Tensorflow. Ce cadre répond aux limites des approches traditionnelles, qui peinent en termes de scalabilité, de flexibilité et de gestion des contraintes complexes et des objectifs multiples. Les points clés du papier sont les suivants : - **Cadre de descente de gradient pour l'optimisation MPO** : Le papier introduit un cadre de référence pour l'optimisation MPO en utilisant la descente de gradient avec la différentiation automatique. Cela permet une optimisation efficace et scalable, permettant l'identification de solutions optimales en ajustant itérativement les poids du portefeuille. - **Support pour plusieurs objectifs** : Le cadre supporte tout objectif d'optimisation, tel que la minimisation de mesures de risque (par exemple, CVaR) ou la maximisation du ratio Sharpe. Cette flexibilité permet aux investisseurs et aux gestionnaires de portefeuille de traiter plusieurs objectifs conflictuels simultanément. - **Gestion des contraintes** : Les contraintes sont gérées par des termes inspirés de la régularisation, assurant que le processus d'optimisation respecte les contraintes tout en explorant le compromis entre les objectifs. - **Extensibilité** : Le cadre est facilement extensible à des problèmes MPO plus complexes en ajoutant simplement de nouvelles contraintes. Cela le rend approprié pour une large gamme d'applications dans des scénarios réels. - **Reproductibilité et accessibilité** : Le cadre est pleinement reproductible et accessible pour les chercheurs et les praticiens. Cela favorise la transparence et permet des recherches et des développements supplémentaires. Le papier évalue le cadre dans six scénarios expérimentaux, en comparant ses performances avec des solveurs standard comme CVXPY et SKFOLIO. Les résultats montrent que le cadre atteint une performance concurrentielle tout en offrant une flexibilité accrue pour la modélisation d'objectifs et de contraintes multiples. Dans l'ensemble, le papier présente un outil pratique et extensible pour les chercheurs et les praticiens explorant des problèmes d'optimisation de portefeuille avancés dans des conditions réelles. Il constitue une contribution précieuse au domaine de l'optimisation MPO et a le potentiel d'améliorer la construction de portefeuille et la gestion des risques.