{"version":"1","article":{"id":"monte-carlo-tree-search-sparse-financial-regression","slug":"monte-carlo-tree-search-sparse-financial-regression","language":"fr","url":"https://haberpaper.com/fr/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=fr","title":"La recherche arborescente Monte-Carlo compare la sélection parcimonieuse de variables en régression financière","summary":"Un préprint d’auteurs affiliés à Paris Dauphine-PSL et au CNRS évalue l’ajustement hors échantillon d’une sélection de variables par recherche pour une régression explicative du NASDAQ-100.","category":"finance","region":"world","topics":["ai"],"published_at":"2026-10-13T20:11:52+03:00","modified_at":"2026-10-13T20:11:52+03:00","publication_basis":"publication-record","event_period":"2026-10-09","event_period_basis":"event-or-reference-period","sources":[{"name":"arXiv","url":"https://arxiv.org/html/2610.13574v1","publishedAt":"2026-10-09","checkedAt":"2026-10-13"}],"translations":[{"language":"tr","url":"https://haberpaper.com/tr/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=tr"},{"language":"en","url":"https://haberpaper.com/en/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=en"},{"language":"ar","url":"https://haberpaper.com/ar/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=ar"},{"language":"fr","url":"https://haberpaper.com/fr/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=fr"},{"language":"es","url":"https://haberpaper.com/es/news/monte-carlo-tree-search-sparse-financial-regression","api_url":"https://haberpaper.com/api/v1/articles/monte-carlo-tree-search-sparse-financial-regression?lang=es"}],"data_types":[],"data":null,"data_compilations":[],"data_downloads":[],"content":{"paragraphs":["Soumise à arXiv le 9 octobre, l’étude combine la recherche arborescente Monte-Carlo et l’adaptation généralisée de politique de rollout imbriqué afin de sélectionner un sous-ensemble plus réduit parmi 1 072 variables construites. Les sous-ensembles candidats sont évalués selon leurs performances de validation hors échantillon, et non selon l’erreur d’entraînement ; la méthode peut aussi tenir compte de la taille du sous-ensemble et de la multicolinéarité. La première page indique que les deux auteurs sont affiliés à LAMSADE, Université Paris Dauphine-PSL et CNRS, à Paris.","Pour une régression explicative des rendements hebdomadaires du NASDAQ-100 de janvier 2000 à mars 2026, les auteurs rapportent un R² hors échantillon de 0,6961 pour leur méthode et de 0,6313 pour une comparaison avec un Lasso optimisé. L’article précise que la cible est une régression explicative utilisant des variables observées au même moment ; le résultat ne représente donc pas une performance de prévision prospective des rendements. Il s’agit d’un résultat de prépublication associé à un jeu de données financières et à un protocole particuliers. Le travail propose une autre méthode de recherche pour sélectionner des modèles parcimonieux et interprétables lorsque de nombreuses variables corrélées sont disponibles."],"key_points":[],"sections":[]},"text":"Un préprint d’auteurs affiliés à Paris Dauphine-PSL et au CNRS évalue l’ajustement hors échantillon d’une sélection de variables par recherche pour une régression explicative du NASDAQ-100.\n\nSoumise à arXiv le 9 octobre, l’étude combine la recherche arborescente Monte-Carlo et l’adaptation généralisée de politique de rollout imbriqué afin de sélectionner un sous-ensemble plus réduit parmi 1 072 variables construites. Les sous-ensembles candidats sont évalués selon leurs performances de validation hors échantillon, et non selon l’erreur d’entraînement ; la méthode peut aussi tenir compte de la taille du sous-ensemble et de la multicolinéarité. La première page indique que les deux auteurs sont affiliés à LAMSADE, Université Paris Dauphine-PSL et CNRS, à Paris.\n\nPour une régression explicative des rendements hebdomadaires du NASDAQ-100 de janvier 2000 à mars 2026, les auteurs rapportent un R² hors échantillon de 0,6961 pour leur méthode et de 0,6313 pour une comparaison avec un Lasso optimisé. L’article précise que la cible est une régression explicative utilisant des variables observées au même moment ; le résultat ne représente donc pas une performance de prévision prospective des rendements. Il s’agit d’un résultat de prépublication associé à un jeu de données financières et à un protocole particuliers. Le travail propose une autre méthode de recherche pour sélectionner des modèles parcimonieux et interprétables lorsque de nombreuses variables corrélées sont disponibles.","corrections":[],"editorial_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"finance","url":"https://haberpaper.com/assets/illustrations/finance-1536.webp","width":1536,"height":1024,"alt":"Représentation symbolique du système financier avec porte de coffre, colonnes et pièces vierges.","language":"fr"},"section_illustration":{"kind":"symbolic-editorial-illustration","documentary":false,"scope":"section","asset_id":"finance","url":"https://haberpaper.com/assets/illustrations/finance-1536.webp","width":1536,"height":1024,"alt":"Représentation symbolique du système financier avec porte de coffre, colonnes et pièces vierges.","language":"fr"}}}