Using Machine Learning to Predict Optimal Parameters in Portfolio Optimization Problems

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F20%3A10432005" target="_blank" >RIV/00216208:11320/20:10432005 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Using Machine Learning to Predict Optimal Parameters in Portfolio Optimization Problems

Popis výsledku v původním jazyce

We use machine learning methods in portfolio optimization problems. Most portfolio optimization problems require selection of one or more parameters and we create machine learning model to predict the optimal values of such parameter with respect to out-of-sample performance. In this paper we use mean-CVaR portfolio optimization model and xgboost machine learning model. Extensive simulations were performed to create the dataset with the optimal choice of the desired parameter. We explore the dependencies of the optimal choice of minimal in-sample mean on input data, like number of stocks or number of scenarios. Predictor importance and prediction evaluation is presented, showing that the model gives reasonable predictions for parameter that is otherwise very hard to select.

Název v anglickém jazyce

Using Machine Learning to Predict Optimal Parameters in Portfolio Optimization Problems

Popis výsledku anglicky

We use machine learning methods in portfolio optimization problems. Most portfolio optimization problems require selection of one or more parameters and we create machine learning model to predict the optimal values of such parameter with respect to out-of-sample performance. In this paper we use mean-CVaR portfolio optimization model and xgboost machine learning model. Extensive simulations were performed to create the dataset with the optimal choice of the desired parameter. We explore the dependencies of the optimal choice of minimal in-sample mean on input data, like number of stocks or number of scenarios. Predictor importance and prediction evaluation is presented, showing that the model gives reasonable predictions for parameter that is otherwise very hard to select.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

<a href="/cs/project/GX19-28231X" target="_blank" >GX19-28231X: Dynamické modely pro digitální finance</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2020

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

38TH INTERNATIONAL CONFERENCE ON MATHEMATICAL METHODS IN ECONOMICS (MME 2020)

ISBN

978-80-7509-734-7

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

307-313

Název nakladatele

MENDEL UNIV BRNO

Místo vydání

BRNO

Místo konání akce

Brno

Datum konání akce

9. 9. 2020

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

000668460800047