L'IA face aux grands problèmes du monde · Économie et sciences sociales · arXiv · 2026-10-26
Problèmes d'apprentissage par renforcement de sélection de portefeuille moyenne-variance en temps continu pour un système markovien à changement de régime avec contraintes d'interdiction de vente à découvert
Titre original: Continuous-Time Mean-Variance Portfolio Selection Reinforcement Learning Problems for a Markov Regime-Switching System with No-Shorting Constraints
Il s'agit de la première étude à appliquer l'apprentissage par renforcement à la sélection de portefeuille moyenne-variance en temps continu avec contraintes de non-vente à découvert dans un marché à changement de régime markovien. Les auteurs imposent la contrainte uniquement à la moyenne d'une politique exploratoire gaussienne et montrent qu'avec une variance d'exploration adaptée, sa moyenne optimale coïncide avec la politique optimale du problème contraint d'origine. Ils développent ensuite un algorithme sans modèle qui apprend la politique de portefeuille à partir de données de trajectoires, et des expériences numériques montrent qu'il retrouve le portefeuille optimal sans vente à découvert.