Progetto didattico
Overfitting in portfolio optimization
SUPSI Image Focus
Abbiamo sviluppato una metodologia per valutare correttamente portafogli le cui decisioni di investimento sono guidate da reti neurali. Lo studente del Master e il suo tutor hanno pubblicato un articolo basato su questi risultati nel 2023.
Confrontiamo portafogli le cui decisioni di investimento sono guidate da reti neurali (NN). Iniziamo mostrando che spesso le valutazioni dei portafogli producono risultati ottimistici. Con l’obiettivo di ottenere misure più affidabili delle performance dei portafogli, abbiamo sviluppato una metodologia basata sulla cross-validation, che prevede la misurazione delle performance su diversi periodi di holdout e con differenti composizioni di portafoglio.
Confrontiamo una varietà di strategie basate su NN con estensioni classiche del modello media–varianza e con la strategia 1/N. Dimostriamo che le strategie basate su NN, se configurate correttamente, superano sistematicamente il benchmark 1/N. La configurazione delle strategie NN richiede tecniche avanzate come weight-shrinkage, weight-regularization e un accurato tuning della regolarizzazione e delle architetture dei modelli.
Riferimento all’articolo: Maggiolo, M. e Szehr, O. “Overfitting in portfolio optimization.” Journal of Risk Model Validation, 17.3, 1-33, 2023.
Confrontiamo una varietà di strategie basate su NN con estensioni classiche del modello media–varianza e con la strategia 1/N. Dimostriamo che le strategie basate su NN, se configurate correttamente, superano sistematicamente il benchmark 1/N. La configurazione delle strategie NN richiede tecniche avanzate come weight-shrinkage, weight-regularization e un accurato tuning della regolarizzazione e delle architetture dei modelli.
Riferimento all’articolo: Maggiolo, M. e Szehr, O. “Overfitting in portfolio optimization.” Journal of Risk Model Validation, 17.3, 1-33, 2023.