Master Thesis Online
Asset Allocation and Machine Learning: a performance analysis within distressed market conditions
Shtini, Sindi 
Promoteur(s) :
Hambuckers, Julien
Date de soutenance : 16-jan-2023/27-jan-2023 • URL permanente : http://hdl.handle.net/2268.2/16750
Master Thesis - Sindi Shtini.pdfDétails
| Titre : | Asset Allocation and Machine Learning: a performance analysis within distressed market conditions |
| Auteur : | Shtini, Sindi
|
| Date de soutenance : | 16-jan-2023/27-jan-2023 |
| Promoteur(s) : | Hambuckers, Julien
|
| Membre(s) du jury : | Jamar, Julie
|
| Langue : | Anglais |
| Nombre de pages : | 49 |
| Mots-clés : | [en] Asset Allocation, Machine Learning |
| Discipline(s) : | Sciences économiques & de gestion > Finance |
| Institution(s) : | Université de Liège, Liège, Belgique |
| Diplôme : | Master en sciences de gestion, à finalité spécialisée en Banking and Asset Management |
| Faculté : | Mémoires de la HEC-Ecole de gestion de l'Université de Liège |
Résumé
[en] The objective of the thesis is to investigate the usefulness of popular investment algorithms and go beyond the traditional mean-variance optimization approach, through the use of a realistic investment universe of stocks and mutual funds. The subject of this thesis would consider asset allocation strategies generated from machine learning and robo-advisors, and compare their performance using state-of-the-art statistical approaches.
Fichier(s)
Document(s)
Citer ce mémoire
Tous les documents disponibles sur MatheO sont protégés par le droit d'auteur et soumis aux règles habituelles de bon usage.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.