Repenser l’importance des variables dans l’apprentissage automatique

Nous étudions quelles caractéristiques de l’entreprise déterminent la valeur économique des portefeuilles d’apprentissage automatique. Trois résultats ressortent. Premièrement, l’significance des variables dans l’échantillon est surajustée et fournit peu d’indications fiables, soulignant la nécessité d’une évaluation hors échantillon utilisant des critères économiques. Deuxièmement, les modèles conventionnels sont dominés par les microcapitalisations, qui gonflent les rendements et concentrent les good points sur les actions coûteuses à négocier ; l’exclusion des microcaps est essentielle pour une inférence significative. Troisièmement, certains prédicteurs ont une significance négative et dégradent systématiquement les performances ; les supprimer améliore les rendements ajustés au risque et clarifie les caractéristiques importantes. Ces résultats montrent que ce n’est qu’en présence de restrictions économiques que l’apprentissage automatique peut fournir des informations solides sur la tarification des actifs.