On the generalization of machine learning models in finance : five essays on bridging the empirical gap

Cette thèse contient une courte collection d'articles de recherche contribuant aux domaines des mathématiques financières et de l'apprentissage automatique. L'accent est mis sur le réalisme, en identifiant les aspects de la théorie existante qui décrivent de manière inexacte la réalité et en corrigeant ces aspects. Cette idée est présentée de manière très poignante dans le premier article, La dérive négative d'un remplissage d'ordre limité. Il s’agit d’une nouvelle interprétation de la dynamique de l’exécution des ordres limités dans la finance à haute fréquence. L'étude associe un modèle probabiliste théorique à une analyse de données réelles pour montrer que les ordres limités sont impactés par le processus de prix d'une manière cohérente et négative, qui reste à décrire par la communauté de la recherche financière. Le deuxième article, Era Splitting : Invariant Learning for Decision Trees, applique les idées du domaine de la généralisation hors distribution (OOD) aux arbres de décision améliorés par gradient (GBDT). Le paradigme traditionnel de l'apprentissage supervisé repose sur le principe empirique de minimisation des risques (ERM), qui suppose que les données dans l'échantillon et hors échantillon suivent la même distribution. La réalité est différente, notamment dans le domaine des données financières, où les distributions et les relations changent au fil du temps. L'article passe en revue certaines théories majeures du domaine de la généralisation des OOD, conduisant au développement de deux nouveaux critères de division pour les GBDT. Les nouveaux critères de fractionnement conduisent à de meilleures performances hors échantillon avec un écart de généralisation réduit. Les trois derniers articles abordent des sujets liés aux systèmes de vision approfondie pour la prédiction alpha à court terme, à l'apprentissage profond pour la détection des fraudes et à un pipeline d’apprentissage automatique complet de bout en bout pour le trading sur le marché à terme. Dans chaque étude, l’analyse statistique et les arguments théoriques confirment que cette recherche élargit et améliore l’ensemble des outils permettant de comprendre la véritable nature des marchés financiers.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.