Les algorithmes d'apprentissage automatique, tels que les réseaux de neurones, jouent un rôle croissant en gestion de portefeuille. Ce livre propose et compare deux paradigmes d'entraînement de réseaux de neurones en gestion de portefeuille: un premier consistant à entraîner le réseau à prévoir les premiers moments de la distribution conditionnelle des rendements des actifs puis à rendre une décision de répartition moyenne-variance classique, et un second effectuant directement une décision de répartition des actifs, éliminant l'étape de la prévision. Nous étudions également les méthodes de combinaison de modèles, offrant une réponse au problème de choix des hyperparamètres contrôlant le réseau et permettant de stabiliser la performance des modèles en présence d'un niveau de bruit élevé. Une évaluation expérimentale détaillée est présentée, utilisant comme sujet les secteurs de l'indice boursier canadien.
