Three essays on the application of machine learning in equity mutual funds

Le premier chapitre met en évidence une amélioration de la capacité prédictive hors échantillon des flux futurs des fonds grâce à l’utilisation de méthodes de machine learning de pointe. Les modèles non linéaires de machine learning surperforment nettement les modèles linéaires en termes de coefficient de détermination hors échantillon (R^2). À l’aide de méthodes de machine learning interprétables, nous identifions les flux passés et la notation Morningstar comme les principaux prédicteurs des flux nets, tandis que les autres variables relatives aux performances passées revêtent une importance moindre. Nous constatons que l’importance des notations Morningstar et des frais a augmenté au fil du temps. En outre, l’effet d’interaction entre les flux passés et la notation Morningstar exerce une influence substantielle sur les flux futurs. Par ailleurs, nos résultats montrent que les prédictions de flux des fonds fondées sur le machine learning peuvent être utilisées ex ante afin de différencier les fonds communs de placement à performance élevée de ceux à faible performance. Enfin, les fonds pour lesquels les prédictions de flux peuvent être le plus fortement améliorées grâce au machine learning affichent les performances les plus faibles, ce qui est cohérent avec l’idée que la gestion de la liquidité est particulièrement difficile pour ces fonds.<br>Le deuxième chapitre réexamine le résultat récent de DeMiguel, Gil-Bazo, Nogales and Santos (2023) selon lequel les méthodes de machine learning (ML) permettent d’identifier des portefeuilles long-only de fonds communs de placement gérés activement générant un alpha net annuel positif pouvant atteindre 2,69%. En utilisant leur package de réplication, nous montrons que ces conclusions sont dues à une erreur de programmation qui introduit un biais d’anticipation dans la construction des rendements des portefeuilles. La suppression de ce biais fait disparaître l’alpha des portefeuilles long-only. Sur la base d’une réplication indépendante, nous constatons que les méthodes ML non linéaires permettent d’identifier de manière systématique les fonds sous-performants. Toutefois, ce résultat vaut également pour les modèles linéaires. Par conséquent, les portefeuilles long-short génèrent des alphas robustes et économiquement significatifs, qui sont principalement attribuables à la position vendeuse. Nous étendons en outre l’analyse en prolongeant la période d’échantillonnage jusqu’à la fin de 2024, en considérant des horizons de prévision allant jusqu’à 36 mois et en réalisant des tris univariés selon les caractéristiques des fonds. Ces extensions n’améliorent pas sensiblement la capacité de prédiction pour les portefeuilles long-only, mais fournissent des éléments empiriques en faveur des avantages relatifs des méthodes ML à des horizons plus longs. Dans l’ensemble, nos résultats suggèrent que les méthodes ML créent principalement de la valeur en permettant d’éviter de manière systématique les fonds sous-performants, plutôt qu’en identifiant des fonds long-only surperformants. Ces résultats ont des implications importantes tant pour l’interprétation académique de la performance des méthodes ML que pour leur application pratique à la sélection active de fonds communs de placement.<br>Le troisième chapitre examine comment les choix de conception des modèles de machine learning influencent la capacité à prédire la performance des fonds communs de placement en actions. En considérant 2,052 spécifications de modèles réparties sur sept catégories de choix de conception, je trouve peu d’éléments en faveur d’un alpha robuste pour les portefeuilles long-only. Seules deux spécifications produisent une surperformance statistiquement significative, ce qui reflète vraisemblablement un phénomène de data snooping plutôt qu’une véritable capacité de prédiction. Néanmoins, les choix de conception ont des effets économiquement significatifs sur les résultats des portefeuilles. Les méthodes non linéaires, telles que les forêts aléatoires et le gradient boosting, surpassent généralement les modèles linéaires, tandis que les fenêtres d’apprentissage plus longues, en particulier les schémas à fenêtre d’apprentissage croissante, produisent des résultats plus stables. Ces effets ne sont toutefois pas uniformes entre les différents modèles. Cela indique que l’impact des choix de conception est intrinsèquement spécifique au modèle considéré. Afin de quantifier la sensibilité aux choix méthodologiques, j’estime des erreurs standards non conventionnelles (non-standard errors, NSE). La NSE s’élève à 0,83% d’alpha annualisé, tandis que le ratio entre la NSE et l’erreur standard, égal à 0,86, indique que l’incertitude liée à la spécification est d’une ampleur comparable à la variabilité d’échantillonnage. Dans l’ensemble, les résultats mettent en évidence la sensibilité des conclusions fondées sur le machine learning dans la recherche sur les fonds communs de placement aux choix de conception des modèles.

Abstract: The first chapter demonstrates improved out-of-sample predictability of future fund flows using state-of-the-art machine learning methods. Nonlinear machine learning models significantly outperform linear models in terms of out-of-sample R-squared. Using interpretable ML methods, we identify past flows and the Morningstar rating as the most important predictors for net-flows, while other past performance variables are of minor importance. We find that the importance of Morningstar ratings and expenses has increased over time. In addition, the interaction effect of past flows with the Morningstar rating has a substantial impact on future flows. Furthermore, our results demonstrate that machine learning-based fund flow predictions can be used to ex-ante differentiate between high and low-performing mutual funds. Finally, funds whose flow predictions can be improved the most using ML reveal the worst performance, consistent with the idea that liquidity management is particularly challenging for these funds.<br>The second chapter revisits the recent finding of DeMiguel, Gil-Bazo, Nogales and Santos (2023) that machine learning (ML) methods can identify long-only portfolios of actively managed mutual funds with positive net annual alpha of up to 2.69%. Using their replication package, we show that these conclusions are driven by a coding error that introduces a forward-looking bias in the construction of portfolio returns. Removing the bias eliminates the long-only alpha. Based on an independent replication, we find that nonlinear ML methods consistently identify underperforming funds. However, this also holds for linear models. Consequently, long–short portfolios deliver robust and economically meaningful alphas, driven predominantly by the short leg. We further extend the analysis by expanding the sample period to the end of 2024, by considering forecast horizons up to 36 months and conducting univariate sorts across fund characteristics. These extensions do not materially enhance long-only predictability but offer empirical evidence of the relative advantages of ML at longer horizons. Overall, our results suggest that ML adds value primarily through the consistent avoidance of poorly performing funds rather than by identifying long-only outperforming ones. This has important implications for both the academic interpretation of ML performance and its practical application in active mutual fund selection.<br>The third chapter examines how machine learning design choices affect the predictability of equity mutual fund performance. Using 2,052 model specifications across seven design choice categories, I find little evidence of robust long-only alpha. Only two specifications yield statistically significant outperformance, likely reflecting data snooping rather than genuine predictability. Nevertheless, design choices have economically meaningful effects on portfolio outcomes. Nonlinear methods, such as random forest and gradient boosting, generally outperform linear models, while longer training windows, particularly expanding schemes, yield more stable results. However, these effects are not uniform across models. This indicates that the impact of design choices is inherently model-specific. To quantify sensitivity to methodological decisions, I estimate non-standard errors (NSE). The NSE amounts to 0.83% annualized alpha, and the NSE-to-standard-error ratio of 0.86 indicates that specification uncertainty is comparable in magnitude to sampling variation. Overall, the results highlight the sensitivity of machine learning-based evidence in mutual fund research to design choices.