Descriptif

Modélisation des bases de données financières en grande dimension couvrant différents actifs, secteurs et
régions, à l'aide de méthodes linéaires et non linéaires pour la réduction de dimensionnalité, le regroupement et
l'estimation de matrices de faible rang. Effet de l'introduction de la parcimonie, de la sélection de variables, depuis
l'ACP jusqu'aux modèles génératifs. Les techniques d'apprentissages supervisés et non supervisés seront
confrontées aux données financières. Un accent sera mis sur les métriques opérationnelles, les distances L2
classiques et d'autres comme la distance de Wasserstein. Toutes ces techniques de compression seront mises en
perspectives d'applications pratiques en matière d'investissement.