A new framework optimizes portfolios by directly embedding financial metrics into deep learning models.
This method uses differentiable surrogates for Sharpe, Omega, CVaR, and Risk Parity.
It allows neural networks to learn optimal portfolio weights through backpropagation.
The approach outperformed the S&P 500 during challenging market conditions.
This demonstrates robust, economically meaningful outperformance by embedding financial objectives.
Raisons
- It avoids compounding prediction errors common in traditional methods.
- It directly optimizes for risk-adjusted returns, not just return predictions.
- It accounts for real-world factors like bid-ask spread costs.
- It adapts to non-stationary financial markets and regime shifts.
- It provides more stable and effective portfolio allocations.
Simplifions : affirmer que l'intégration directe des objectifs financiers est essentielle pour la surperformance est une simplification excessive.
C'est utile, mais loin d'être une condition sine qua non pour la réussite financière.
Une volatilité du marché imprévue ou des changements réglementaires peuvent annuler n'importe quel gain, peu importe le modèle.
Par exemple, même le meilleur modèle ne protégerait pas des interventions strictes de l'AMF sur les produits dérivés.
La parcimonie est parfois plus résiliente que la complexité.
