Gestion de Portefeuille

ENSAE 6 janvier 2006

Axel Cabrol

1. Présentation du processus d’investissement

2. L’optimisation de portefeuille
3. Au-delà de l’approche de Markowitz
 Processus de gestion de portefeuille (1) :
trois étapes
Revue des
Construction objectifs et
•Objectifs de Rendement
et de risque Politique de Portefeuille contraintes de
l’investisseur
•Contraintes de d’investissement
l’investisseur
• Allocation
stratégique Mesure de
performance et
• Allocation tactique de risque
• Sélection de titre
•Conjoncture
économique et politique Anticipations de • Transactions
•Analyse financière Rendement réelles Revue des
•Offre de titres sur les (et de risque?)
anticipations de
divers marchés
rendement

Planification Exécution Vérification

 Processus de gestion de portefeuille (2.1) :
la politique d’investissement

Différents types d’investisseurs

particulier, banque, fonds de retraite, assurance vie ou
dommage
– Différents objectifs de rendements : fonction de la consommation
future ou d’un passif (plus ou moins incertain)
– Objectif de risque dépend de l’aversion au risque : capacité à
prendre du risque et volonté de prendre des risques
– « Contraintes » d’investissement : horizon de placement,
régime d’imposition, niveau de liquidité nécessaire, exigences
règlementaires et légales (banques, assurances, fonds de
pension) et contraintes spécifiques
• Critères spécifiques de construction et de rebalancement
du portefeuille
 Processus de gestion de portefeuille (2.2) :
Univers de gestion et allocation de référence
Univers de gestion
Allocation
ensemble des actifs Stratégique
Anticipations de susceptibles d’intégrer le
portefeuille •Composition de
marché selon
l’horizon référence entre chaque
classe d’actifs
d’investissement:
•Niveau de risque
peut être très long !
tactique alloué à chaque
classe
•Technique
Choix du type de d’optimisation de
Contraintes de gestion portefeuille
l’investisseur
•Active ou indicielle
•Benchmarkée (choix de
l’indice) ou Immunisation
d’un passif
•Mesures de risque et de
performance pour chaque
gérant
 Processus de gestion de portefeuille (3.1) :
Allocation tactique

Allocation tactique :
1. identification d’un opportunité de rendement qui n’est pas prise
en compte dans l’allocation stratégique (horizon
d’investissement différent)
2. Construction d’un nouveau portefeuille qui maximise le
rendement risque compte tenu de cette nouvelle anticipation
3. Nouvelle contrainte : ne pas trop s’éloigner de l’allocation
stratégique (limite de tracking error, de duration, etc..)
CL°: nouvelle répartition des classes d’actifs dans le portefeuille
 Processus de gestion de portefeuille (3.2) :
Sélection de titres
Sélection des titres :
1. Le gérant détermine les critères qui distinguent le
rendement/risque de chaque titre de son univers, par exemple:
1. Secteur économique/pays et devise/émetteur pour les
actions cotées
2. Maturité/pays et devise/Notation de l’émetteur pour la dette
souveraine
2. Formule des anticipations de rendement pour chaque groupe et
en déduit une allocation entre chaque groupe (qui doit respecter
les contraintes de l’AS et de l’AT)
3. Sélectionne les quelques titres les meilleurs dans chaque
groupe (relative value) et s’assure que les tailles cibles sont
implémentables sans risque de liquidité particulier
CL°: un portefeuille virtuel, mais implémentable. L’étude du coût
de transaction de ce portefeuille (amendé si besoin) permet de
conclure.
 Processus de gestion de portefeuille (4) :
Conclusion

Dans le processus on distingue deux types d’analyse

cruciales lors de l’AS, l’AT et la ST :
• Formulation des anticipations de marché : nécessite un
méthode rigoureuse et parfois un analyse statistique
poussée (série temporelles et économétrie, filtrage des
données)
• Optimisation de portefeuille : technique fondée sur la
théorie moderne du portefeuille de Markowitz (1950’s) et
qui a évoluée pour s’adapter aux spécificités de chacune
des 3 étapes
 Gestion de Portefeuille
ENSAE janvier 2006

1. Présentation du processus d’investissement

2. L’optimisation de portefeuille
3. Au-delà de l’approche de Markowitz
 L’optimisation de portefeuille :
La théorie moderne du portefeuille

• Modélisation vient de la microéconomie

• les articles fondateurs de Harry M.
Markowitz, Prix Nobel 1990 : ‘Portfolio
Selection’ (1952), ‘Fast Computation of Efficient Frontier’
(1956) et ’Portfolio Selection: Efficient Diversification’
(1959)
• =>Présentation synthétique selon trois points:
– Aversion au risque et modélisation du problème de ‘choix de
portefeuille’
– L’optimisation Moyenne-Variance : présentation et algorithme
– En pratique : les vertus et les défauts de l’OMV
 Optimisation de portefeuille (1) :
le cadre microéconomique
•Les agents sont averses au risque : modélisé par une fonction
d’utilité associée à une trajectoire aléatoire de leur richesse
•L’utilité s’écrit comme l’espérance de l’utilité associée à chaque
trajectoire de richesse (et de consommation) : U=E[u(W0.(1+Rt))]
• u(.) est strictement concave : inégalité de Jensen =>
u(E(Wt))>U(W) : à même rdt on préfère un actif certain
•On définit deux coéfficients d’aversion au risque :
• Aversion absolue: -u’/u’’
-> plus on est riche plus on peut prendre du risque
• Aversion relative: -w.u’(w)/u’’(w)
-> le niveau de risque acceptable est proportionnel à w
 Optimisation de portefeuille (1.1) :
le cadre microéconomique
•Une classe de fonctions particulières : Constant Relative Risk
Aversion (CRRA)
•U(w)=wl/(1- l), où l est l’aversion relative au risque

Fonctions d'utilités CRRA

1000

100

10

1
1 11 21 31 41 51 61 71 81 91
lbda=0.1 lbda=0.5 lbda=0.9
 Optimisation de portefeuille (1.3) :
programme d’optimisation de portefeuille
•Le portefeuille est investi dans d actifs risqués (R est le vecteur des
rendements)
•Il faut maximiser l’utilité selon les programme suivant (A et B
représentent les contraintes de l’investisseurs, choix d’indices, etc…)

   d i i 
  Rt  
    
 i 1 
E u W0 .e
Max  
 ,;    
  
1 d

 d
 i
 100%

sc. i 1
 A    B
 Optimisation de portefeuille (2.1) :
L’approche de Markowitz
•Sous certaines hypothèses, le programme se réécrit à partir des deux
premiers moments de la distribution de R
•Le risque est défini comme la volatilité (écart type des rendements)
du portefeuille -> la volatilité va rendre ‘inutile’ la connaissance de
lambda
•Diversification  prise en compte des corrélations des rendements
 '.V ( R).
d
  R
1
Max
i
t
i
Min
 ,;
2
 ,;
1 d
i 1 1 d

 '.V ( R).    '.R  r

 d  d
sc.   i  100% sc.   i  100%
i 1 i 1
 A    B  A    B
 Optimisation de portefeuille (2.2) :
L’approche de Markowitz
Notion de frontière efficiente : à chaque niveau de rendement est
associé un unique portefeuille de risque minimal. L’ensemble des
couples (s,r) forme la frontière efficiente.
Frontière Efficiente
r
Rendement
7.5
maximal
7
FE
6.5 Ensemble des
couples
6
rendement/risque
5.5 l’investisseur peut
atteindre
5  minimale
4.5
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

 Optimisation de portefeuille (3.1) :
L’algorithme
•L’approche la plus simple est de minimiser la variance sous
contraintes de rendement : la contrainte est linéaire !
•On fait l’hypothèse qu’à l’optimum les contraintes actives sont
‘libres’
•C’est un programme quadratique convexe (V n’est pas
dégénérée), dont on peut écrire les CN de KKT:

 x, l  / V .x  R  A'.l
 0
ctes actives uniqut

A.x  B
pour les ctes inactives, Ai .x  Bi
pour les contrainte s actives, la  0
 Optimisation de portefeuille (3.2) :
première méthode Active Set
•on se ramène au cas où il n’y a que des contraintes à l’égalité
•On suppose que x1 est admissible et qu’on connaît l’ensemble
des ctes actives (Cact)
•On cherche alors x2=x1+p optimal sous Cact : la résolution est
alors immédiate par résolution d’un système linéaire
•On cherche s’il y manque des contraintes : peut-on se déplacer de
p sans franchir une barrière ? La première contrainte rencontrée
est ajoutée à Cact, et on recommence…
•Si p est nul (x1 était déjà optimal), on cherche à enlever les
contraintes dont le multiplicateur de langrange (l) est le plus
négatif => on recommence, sauf s’il n’y en a aucune on a trouvé!
 Optimisation de portefeuille (3.3) :
première méthode Active Set
•A chaque étape on résout en p et lambda le système suivant :

 V  A'  p  V .x1  R 
 A 0    l    0 
    
symétrique

•on cherche a dans (0,1] tel que x1+a.p est admissible : il suffit de
chercher dans les contraintes extérieures à Cact, car Aact.p=0

 bi   A.x i 
a  min 1, min 
 iCact ,( A. p )i 0 ( A. p) i 
 Optimisation de portefeuille (3.4) :
deuxième méthode primal-dual
•On introduit des variables temporaires y=A.x-B, pour tenir
comptes des inégalités
•On initialise les itérations avec x quelconque, y et l strictement
positifs (peu importe qu’au départ y != Ax-B)
•On est ramené à trouver le zéros d’une fonction (les dérivées du
Lagrangien) en dimension n => méthode de Newton
•On parvient à un système linéaire légèrement différent :
 V  A' 0   dx   Vx  A' l  R 
 A 0 I   dl    y  B  Ax 
     
 0 Y    dy    Ye  e 
 Optimisation de portefeuille (3.5) :
deuxième méthode primal-dual
 sert à ‘rester’ à l’intérieur des paramètres admissibles
relativement à la contrainte (non linéaire) : y.l>0
1. On utilise l’algorithme de Mehrota pour fixer  : il dépend de
la réduction obtenue par le pas de Newton simple (=0) sur le
facteur y’.l m/mold3.mold
2. On calcule le réel a qui permet de rester à l’intérieur des
contraintes : y et l strictement positifs.
3. On incrémente x, y et l de a.d(x,y,l) ainsi calculé jusqu’à ce
que le vecteur de droite soit suffisamment proche de zéros.

 V  A' 0   dx   Vx  A' l  R 
 A 0 I   dl    y  B  Ax 
     
 0 Y    dy    Ye  e 
 Optimisation de portefeuille (4.2) :
Mise en pratique cf. Markowitz.py

• La résolution d’un programme permet de trouver un point de la

frontière efficiente => il faut en calculer suffisamment pour
s’adapter au niveau de risque/rendement souhaité
• Il faut pouvoir calculer le rdt max et la variance minimale =>
facile V=0 dans le premier cas et R=0 dans le second
• On utilise plutôt ActiveSet (plus rapide) quand on connaît un
point admissible => c’est le cas pour la boucle de la fonction
frontière efficiente.
• Utilisation du package pyExcelerator pour communiquer avec
Excel : exemple simple à trois actifs pour illustrer le calcul
 Optimisation de portefeuille (4.1) :
Vertus et Défauts
• L’optimisation moyenne variance est :
• rapide à calculer
• Facile à interpréter
• Liée à des théories plus globales (CAPM, Merton)
• Mais aussi, malheureusement:
• (Très) Peu robuste (notamment au choix de E(R) et de
E(A))
• Statique (myopie) : que deux période t0 et t1
• Utilise l’hypothèse de normalité des rendements : n’est pas
vérifié à court terme => rate les risques extrêmes
 Optimisation de portefeuille (4.2) :
Exemple d’une Allocation Stratégique
• Tom et sa femme cherchent un conseil de gestion de leur patrimoine:
• Tom a 50 ans, fondateur de ‘more & more’ (PME qui fabrique
des yachts) il y a 30 ans à Monaco, il a épargné 2M€ sur son
PEA et a accumulé des droits à une retraite de 80K€/an (net
d’impôts)
• ‘more & more’ est maintenant une multinationale leader
européen sur son segment des petits yachts luxueux (300M€ de
CA)
• Il vient de vendre sa PME pour 60M€ aujourd’hui + 30M€ si la
PME atteint certains objectifs de croissance qu’il s’est en gagé à
donner à une fondation pour la préservation de l’environnement
• Ils ont besoin d’un revenu de 3M€/an pour leur consommation et
veulent léguer tous les 10 ans 1M€ à chacun de leur trois enfants
• L’inflation du coûts de leur vie est estimée à 2,5%
 Optimisation de portefeuille (4.3) :
Exemple d’une Allocation Stratégique
• Horizon de temps ? Profil de risque?
• Patrimoine actuel = 2+60 = 62M€
• Revenus acquis = 80 K€
• Dépenses annuelles nettes = 3 M€ +300K€ (dont linéarisé)-80K€
• => return avant impôt exigé = 3,22/62 = 5,2%
taux d’imposition moyen de 10% => rendement réel exigé de 5,8%,
• Inflation du coût de la vie de 2,5% => objectif de rdt de 8,3% en nominal
• Classes d’actifs disponibles:

Rendeme
nts Volatilités Corrélations
Monétaire 2% 4.0% 1
Obligations européennes 4% 4.0% 0.0787 1
Actions € 8% 13.0% 0 0.5 1
Actions ex-€ 10% 16.0% 0 0.3 0.7 1
Marchés Emergents 15% 23.0% 0.1 0.2 0.7 0.6 1
Immobilier (hors résidentiel) 10% 15.0% 0.04 -0.26 0.2 0.11 0.05 1
Private Equity 20% 45.0% 0 0.4 0.9 0.6 0.4 0.2 1
 Gestion de Portefeuille
ENSAE janvier 2006

1. Présentation du processus d’investissement

2. L’optimisation de portefeuille
3. Au-delà de l’approche de Markowitz
 Au-delà de l’approche de Markowitz :
un exemple le bootstrap
• On conserve le cadre statique et gaussien
• On cherche à améliorer la robustesse de l’optimisation : le bootstrap
est une technique classique lorsqu’on s’intéresse aux statistiques
robustes
• Idée : on simule l’impact de l’erreur d’estimation des paramètres
(R,Vol, Corrélations) sur le calcul des frontières efficientes.
• Comment ?
• On fixe une taille d’échantillon n (en ligne avec celle que l’on a
utilisée pour réaliser les estimations)
• On simule R échantillons gaussiens de taille n de mêmes
moyenne, volatilité et corrélations que nos hypothèses
• On ré-estime R fois les moyennes et VCV => l’écart observé est
approximativement distribué comme notre erreur d’estimation
 Au-delà de l’approche de Markowitz :
un exemple le bootstrap
• Exemple : fichier mise en forme, 2eme onglet
• Utilise le fichier BootstrapMarkov.py :
• La simulation de lois normales se fait grace à la décomposition
de cholesky
• Les R frontières efficientes sont calculées en boucles avec des
bornes imposées constantes => sinon celles-ci varient avec les
inputs
• On obtient une estimation de la loi des couples (r,s), lorsqu’on sous
la contrainte de rendement rc => utile pour savoir si le portefeuille
retenu est loin de l’efficience ou pas!
 Au-delà de l’approche de Markowitz :
Autres développements

• S’affranchir de l’hypothèse gaussienne

• Modéliser le ‘passif’de l’investisseur cf. Leibowitz
• Mieux adapté à la gestion benchmarkée : Black-Litterman
• Projections dynamiques : permet de suivre les ‘chemins’ de
rendements et de mieux appréhender les impôts payés, les
optionalités cachées, les contraintes comptables
 Quelques références
• Processus d’investissement : ‘Managing Investment Portfolios: A
dynamic Process’, 3rd edition, CFA Institute
• Optimisation de portefeuille :
– les articles et le livre de H. Markowitz :‘Portfolio Selection’
(1952), ‘Fast Computation of Efficient Frontier’ (1956) et
’Portfolio Selection: Efficient Diversification’ (1959)
– L’article de Fisher Black et Robert Littermann : ’Asset Allocation:
Combining Investor Views with Market Equilibrium’ (Sep 1991), The
Journal of Fixed Income.
– Sur l’allocation stratégique : ‘Strategic Asset Allocation
Portfolio Choice for Long-Term Investors’, John Y. Campbell,
Luis M. Viceira, Oxford University Press, 2002
– Sur l’optimisation en général : ‘Numerical Optimization’, Jorge
Nocedal, Stephen J. Wright, Springer, 1999