Blogue

Je ne suis pas un blogueur professionnel, mais un vrai passionné de recherche en finance. Au fur et à mesure que divers projets progressent, de nombreuses informations me semblent autant pertinentes pour le milieu universitaire que pour les professionnels de l’industrie de la finance.

Le but de ce blog est de partager ces informations de manière plus concise et de rendre les connaissances issues de la recherche plus accessible en ne faisant pas nécessairement appel aux références académiques, aux citations ou au vocabulaire spécifique. Le blog couvre des sujets aussi variés que la FinTech et ses applications en finance, ainsi que les résultats de mes diverses implications académiques. Bonne lecture!

22 juin 2023

Can Large Language Models Produce More Accurate Analyst Forecasts?

12 avril 2023

Can ChatGPT create Portfolios? Investing at the Age of AI, Volatile Markets and Uncertain Economy

Blogue

Voir tout

Recherche en bref

Mes recherches récentes visent à comprendre comment les pressions de la demande des investisseurs modifient les stratégies de gestion du risque d’inventaire des teneurs du marché des options sur actions.

Les produits dérivés, contrairement aux stocks, ont une offre nette nulle. Ainsi, les pressions de la demande positives ou négatives et l’incapacité à se couvrir parfaitement peuvent entraîner divers écarts par rapport aux prix implicites des modèles. Ces écarts ne sont pas anodins et entraînent différentes qualités d’exécution en fonction de l’heure à laquelle vous négociez. En collaboration avec LiveVol / CBOE, nous travaillons à attirer l’attention des universitaires et des praticiens du secteur sur l’importance d’utiliser des données sur les options de négociation intra-journalières plutôt que sur les cours de clôture de fin de journée.

Voir tout

The Joint Cross Section of Option and Stock Returns Predictability with Big Data and Machine Learning

with Chengyu Zhang (McGill)

Using big data, and machine learning we show that investors can quite successfully predict delta-hedged (or delta-neutral straddle) option returns. The predictability is driven by option specific predictors, and commonly used stock predictors play only marginal role. Large set of stock predictors and machine learning also fail to robustly predict stock returns in more recent data. However, options-based predictors and machine learning allows identifying mispricing even for the cross-section of the most liquid S&P500 stocks. Moreover, machines almost unanimously identify options illiquidity as the main predictor of stock returns. Guided by machines, we uncover positive option illiquidity premium in the stock returns. Stock long-short value-weighted portfolio strategies formed on option illiquidity outperform machine learning based portfolios with Sharpe ratio of 2.

Liquidity Guided Machine Learning: The Case of the Volatility Risk Premium

with Eric Ghysels (UNC) and Chengyu Zhang (McGill)

Volatility and the Cross-Section of Equity Returns: The Role of Short-Selling Constraints

with Paul Schultz (University of Notre Dame)

Price Pressures and Option Returns

with Chengyu Zhang (McGill)