Prévision et investissements avec avis d'experts

Jean-Yves Audibert

 

Présentation du cours

Le cours à dominante mathématique est à l'interface entre la théorie des jeux, la théorie de l'information, les statistiques et les mathématiques financières.
Il aborde le problème de la prévision en l'absence de toute hypothèse probabiliste.
Le but principal du cours est d'exhiber des méthodes originales de prédiction, ayant des garanties théoriques étonnamment fortes et des applications variées en finance et dans bien d'autres industries.
Les points suivants seront abordés:
- Prévision avec avis d'expert (prendre des décisions aussi bonnes que celle du meilleur expert sans le connaître a priori): Méthodes par pondération des experts, méthodes randomisées, influence de la fonction de perte, poursuite du meilleur expert
- Prédiction en présence d'information partielle. Problèmes de bandits à plusieurs bras: cadre stochastique et cadre adversarial, identification de l'expert optimal
- Prédiction et théorie des jeux répétés, équilibre de Nash, consistance de Hannan
- Investissement séquentiel, portefeuille constant de placement, stratégie minimax optimale, portefeuille universel à la "Cover" et variantes.

Positionnement du cours dans le master M2MO

Ce cours est complémentaire de ceux sur les techniques de processus empiriques (au sens où certaines inégalités de concentration du type Hoeffding et Bernstein sont employées) et du cours d'apprentissage statistique (au sens où l'hypothèse de données d'apprentissage indépendantes et identiquement distribuées y est relaxée). Ces 2 cours ne sont pas néanmoins des prérequis.

Séances

10/02 : 10h - 12h, salle 2013 à Sophie Germain, Feuille d'exercice I, Solution
17/02 : 10h - 12h, salle 2013 à Sophie Germain, Feuille d'exercice II
10/03 : 10h - 12h, salle 2013 à Sophie Germain, Feuille d'exercice III
17/03 : 10h - 12h, salle 2013 à Sophie Germain
24/03 : 10h - 12h, salle 2013 à Sophie Germain
31/04 : 10h - 12h, salle 2013 à Sophie Germain
07/04 : examen final

Modalités d'évaluation

  • 75% : examen final (documents/notes de cours autorisés)
  • 25% : au minimum 2 DM à rendre parmi les 4 DM proposés lors des premières séances. Un DM est à rendre pour le cours suivant (soit en version papier soit par courriel).
  • Bibliographie

    Le cours s'appuie sur le livre
    N. Cesa-Bianchi and G. Lugosi. Prediction, learning, and games. Cambridge University Press, 2006
    et, dans une moindre mesure, sur les travaux résumés dans le chapitre 4 du mémoire
    J.-Y. Audibert, PAC-Bayesian aggregation and multi-armed bandits, 2010
    De très bonnes références pour approfondir la partie bandit sont:
    S. Bubeck and N. Cesa-Bianchi, Regret Analysis of Stochastic and Nonstochastic Multi-armed Bandit Problems, 2012
    A. Slivkins, Introduction to Multi-Armed Bandits, 2019
    T. Lattimore et C. Szepesvari, Bandit algorithms, 2020