Covariance versus Precision Matrix Estimation for Efficient Asset Allocation
M. Senneret, Y. Malevergne, P. Abry, G. Perrin, L. Jaffrès
L'allocation d'actifs constitue l'une des tâches les plus cruciales et les plus difficiles dans l'ingénierie financière. Dans de nombreuses stratégies d'allocation, l'estimation des grandes matrices de covariance ou de précision, estimées sur des observations multivariées à partir de courtes fenêtres temporelles est une étape obligatoire mais difficile. Dans la présente contribution, une large sélection de procédures d'estimation de matrices de covariance et de précision est organisée en classes de principes d'estimation pour permettre un examen comparé de leurs performances. Pour compléter cette vue d'ensemble, plusieurs estimateurs supplémentaires sont explicitement dérivés et étudiés théoriquement. Plutôt que de la performance d'estimation évaluée à partir de données simulées, les performances des méthodes d'estimation sont évaluées empiriquement par des critères financiers (volatilité, ratio de Sharpe, ...), pour quantifier la qualité de l'allocation d'actifs dans le cadre moyenne-variance.

Cet article est publié dans le Numéro Spécial de septembre 2016 « Financial Signal Processing and Machine Learning for Electronic Trading » de l’IEEE Journal on Selected Topics in Signal Processing. Il a également été présenté dans le cadre de la 1ère Agora de la Gestion Financière, mise en place par l’AFG pour favoriser les échanges entre praticiens et chercheurs universitaires.