Vous êtes sur la page 1sur 32

RISQUE DESTIMATION ET CHOIX DE PORTEFEUILLE DANS LE CADRE DES MOMENTS PARTIELS INFERIEURS VERSION PRELIMINAIRE SANFILIPPO Gilles CERAG

Universit Pierre Mends France 150 rue de la Chimie 38040 Grenoble cedex 9 Gilles.sanfilippo@upmf-grenoble.fr Rsum : Cette tude a pour objectif danalyser par simulation le potentiel de la technique bootstrap rduire lerreur destimation des paramtres dans le cadre dune gestion de portefeuille moyenne - moments partiels infrieurs. Les rsultats de nos tests montrent que lestimation des paramtres partir dun chantillon a tendance sur-estimer lesprance de rentabilit du portefeuille efficient et sous-estimer son risque. Le portefeuille obtenu partir dune estimation des paramtres par le bootstrap est plus proche du portefeuille rellement efficient que les portefeuilles obtenus par les estimateurs shrinkage. Cette technique de rchantillonnage permet donc dapprhender et mme de rduire le risque destimation des paramtres dans le cadre dune gestion moyenne-moments partiels infrieurs. Mots cls : risque destimation, mesures du risque, r-chantillonnage bootstrap

ESTIMATION RISK AND PORTFOLIO CHOICE IN THE LOWER PARTIAL MOMENT Abstract : the effect of estimation risk on the efficient frontier in the lower partial moment (LPM) framework is analysed. A simulation approach is employed for the analysis of estimation risk in the MLPM -2 model. The results of the average difference between the actual and estimated portfolios show that the estimated portfolios are biased predictors of the actual portfolios. A bootstrap approach should be used to improve the optimization procedure since this approach produce lower root-mean squared errors than traditional James Stein and Bayes Stein estimates. Keywords : estimation risk, risk measures, bootstrap sampling

INTRODUCTION H. Markowitz, en proposant en 1952 son clbre modle moyenne-variance, a donn

le point de dpart de la thorie moderne de la gestion de portefeuille. Selon ce modle, tout investisseur poursuit deux objectifs conflictuels : la maximisation du rendement espr et la minimisation du risque, mesur par la variance des taux de rentabilit. Les principaux apports de ce modle sont sans doute son aspect relativement gnral, permettant son utilisation dans un grand nombre de situations pratiques, et sa simplicit en terme danalyse thorique. En effet, une fois dtermins le risque et le rendement d'un actif financier ou d'une catgorie d'actifs financiers, la thorie financire moderne permet d'identifier les allocations d'actifs les plus judicieuses en fonction du degr de risque que l'investisseur est prt assumer. Mais les rendements attendus ne sont pas des constantes physiques existant l'tat naturel comme la vitesse de la lumire par exemple. Dans la plupart des tudes thoriques comme dans la pratique, les estimations du taux de rentabilit espr et du risque dun portefeuille sont dduites des donnes historiques et parfois pondrs par les facteurs conomiques et sociaux. Bien que l'tendue des informations quantitatives disponibles concernant les actifs financiers est sans gale en sciences sociales, il est fondamental de rappeler que ces

estimations sont faites partir dun chantillon dobservations. Ces estimations sont considres comme les vrais paramtres de la population entire, et non lestimation de vrais paramtres inconnus. Comme lont montr Bawa et Klein (1976) cette approximation entranera certainement un choix dun portefeuille sous optimal. Lewellen et Shanken (1998) ont mme constat que, dans un contexte dquilibre de march, lincertitude concernant lestimation des paramtres peut affecter de manire significative les sries temporelles et la structure de corrlation entre les taux de rentabilit des actifs. Chopra et Ziemba (1993) ont, quant eux, tudi limpact relatif des erreurs destimations des esprances, des variances et des covariances. Une erreur destimation sur lesprance du taux de rentabilit a des effets

bien plus importants quune erreur sur lestimation de la variance ou sur les covariances. Ainsi, les estimations ex ante de la performance des portefeuilles constituent souvent des prdictions biaises (cest--dire trop optimistes) des performances relles des portefeuilles. Il existe plusieurs manires de grer cette situation. En premier lieu, il est possible de rduire significativement ce risque destimation des paramtres en interdisant les ventes dcouvert dactif. Ainsi, les effets nfastes (en termes de rentabilit ou dutilit) dune erreur destimation seront partiellement rduits par les contraintes de gestion imposes. Stein (1955) et Jorion (1985) ont, quant eux, propos des estimateurs dits shrinkage permettant de rduire le risque destimation des paramtres dans le cadre dune gestion moyenne-variance. Ces estimateurs (James Stein et Bayse Stein) se concentrent sur linfrence du vecteur des esprances dune loi multi-normale. Toutes ces tudes ont t ralises dans le cadre dune optimisation de portefeuille moyenne-variance. La variance comme mesure du risque a pourtant souffert de nombreuses critiques, sur le plan statistique mais aussi sur le plan conceptuel. Mme si loptimisation moyenne-variance reste le standard en finance, son application est nanmoins sujette caution. En effet, une optimisation moyenne-variance ne sera valable que si les taux de rentabilit suivent une loi normale (ou si linvestisseur possde une fonction dutilit quadratique peu raliste). De nombreuses tudes ont pourtant conclu au rejet de la loi normale comme loi de probabilit des taux de rentabilit (Fama (1965), Blattberg et Gonedes (1974), Affleck-Graves et MacDonald (1989)). De plus, mme si on fait lhypothse de taux de rentabilit normalement distribus, la variance ne parat pas tre une mesure du risque adquate. Dans son calcul, lcart entre les taux de rentabilit au dessus de la moyenne et la moyenne sont considrs comme une source potentielle de risque, ce qui est contraire la vision du risque communment admise. Ainsi, des mesures du risque alternatives, appeles dans la littrature financire downside risk measures sont apparues depuis plus dun quart
2

de sicle maintenant. Roy (1952), Bawa (1975) et Nawrocki (1991) ont montr que les moments partiels infrieurs constituaient une alternative plus gnrale que la variance, en terme de mesure du risque. Dans leurs modles, le risque est mesur en terme dcarts en dessous dun objectif pr-dfini. Cette approche permet au gestionnaire de portefeuille de dfinir le risque dune manire adquate en fonction des ses objectifs et des contraintes qui lui sont imposes concernant le rendement de son portefeuille. Ce cadre thorique nous permet didentifier une question de recherche que nous allons prsenter dans la section suivante. En effet, lanalyse du risque destimation dans le cadre dun modle moyenne-moments partiels infrieurs est un sujet, qui, notre connaissance, na pas t trait. Lobjectif de cet article est danalyser la capacit de la technique bootstrap rduire le risque destimation des paramtres dans le choix de portefeuille et de la comparer dautres techniques dj dcrites dans la littrature financire. Contrairement aux tudes antrieures, nous considrons que le risque dun actif est mesur par lcart entre les rendements observs et les rendements moyens, cest--dire les moments partiels infrieurs. Plus prcisment, nous nous posons la question suivante : quel cart existe-t-il entre le portefeuille optimis sur la base dun chantillon de la population et le portefeuille rellement efficient ? Nous rpondrons cette question par une approche similaire celle employe par Jobson et Korkie (1980), Broadie (1993) ou encore Chopra et Ziemba (1993). Nous utiliserons une approche par les simulations car elle permet de montrer directement les effets de lerreur destimation sur les portefeuilles efficients. Afin de mesurer la capacit de notre technique de r-chantillonnage rduire le risque destimation des paramtres, il est ncessaire de la confronter dautres mthodes dj dcrites dans la littrature financire. Ainsi, nous comparerons les performances de trois mthodes permettant de rduire le risque destimation dans le cadre dune optimisation de portefeuille : lestimateur James-Stein (JS), lestimateur

Bayes Stein (BS) et enfin lestimation par la technique bootstrap. La technique bootstrap, contrairement aux estimateurs shrinkage qui se concentrent sur lestimation des esprances de rentabilit, devrait aussi nous permettre damliorer nos estimations du risque. Lcart entre le portefeuille optimis sur la base dun chantillon de la population et le portefeuille rellement efficient devrait thoriquement diminuer lorsque linvestisseur utilise des estimateurs shrinkage , si lon se rfre aux tudes portant sur le modle moyennevariance. Notre intuition est que le bootstrap va nous permettre de rduire encore plus significativement cet cart dans le cadre d'une gestion de portefeuille moyenne - moments partiels infrieurs. En raison du nombre relativement lev de simulations que nous allons effectuer, les performances de ces trois mthodes seront compares dans le cadre dune optimisation moyenne - moments partiels infrieurs (MPI) dordre 2. Le taux cible tant la moyenne historique du taux de rentabilit de chaque actif en portefeuille, la mesure du risque choisie est la semi-variance. La suite de cet article est organise comme suit. La seconde section prsente notre mthodologie de recherche. Nous dcrirons dans une premier temps la mthodologie de simulation employe et les procdures d'optimisation de portefeuille moyenne - variance et moyenne - moment partiel infrieur . Dans un second temps, nous prsenterons notre mesure de l'erreur d'estimation des paramtres du portefeuille efficient. La troisime section de cet article prsente les rsultats des tests empiriques que nous avons mens partir de donnes franaises. Nous analyserons la magnitude du risque d'estimation des paramtres pour les deux modles de gestion employs. Nous comparerons ensuite les rsultats obtenus grce trois mthodes de rduction du risque d'estimation des paramtres : l'estimateur James Stein, l'estimateur Bayes Stein et enfin le Bootstrap. La quatrime section conclue cet article.

METHODOLOGIE DE RECHERCHE Nous adoptons ici une approche par la simulation pour lanalyse du risque

destimation dans le cadre moyenne - MPI-2 car cette approche nous permet dapprcier directement les effets et la magnitude de lerreur destimation sur les portefeuilles. Notre mthodologie de recherche peut tre dcompose en plusieurs tapes : le calcul des paramtres de la population des rentabilits, les procdures de simulation et doptimisation de portefeuille, et enfin la mesure de lerreur destimation des paramtres du portefeuille efficient. 2.1 Paramtres de la population

Nous simulons les taux de rentabilit dune distribution multi-normale car dans ce cadre, les modles de gestion moyenne-variance et moyenne-MPI classent les portefeuilles dans le mme ordre de prfrence. Afin dassurer le ralisme de nos simulations, nous avons choisi de prendre comme population de base des titres appartenant lindice d'actions franaises "CAC 40". Les taux de rentabilit mensuels totaux (dividendes inclus) proviennent de la base de donne Datastream. Notre chantillon couvre la priode Janvier 1973-Dcembre 2001 (348 observations). Comme la montr Nawrocki (1991), le nombre dactifs disponibles, reprsentant lensemble des opportunits dinvestissements, peut jouer un rle important dans le cadre dune gestion moyennevariance car la rsolution du programme de gestion ncessite linversion de la matrice de covariance. Cette inversion devient gnralement assez difficile lorsque sa taille (cest--dire le nombre dactifs disponibles) devient grand. Selon Jobson et Korkie (1980), leffet des erreurs destimations tend diminuer avec le nombre dactifs en portefeuille. Nous effectuons donc nos simulations pour N = 5 actifs en portefeuille puis nous contrlerons leffet de la taille du portefeuille en prenant N = 25 actifs. Nous avons

aussi ralis cette tude en prenant plusieurs portefeuilles composs de 5 actifs afin de vrifier que nos rsultats taient indpendants du choix des actifs en portefeuille. Les taux de rentabilit des N actifs sont utiliss pour calculer le vecteur des esprances de notre population, N , la matrice de covariance N . Dans le cadre du modle de gestion moyenne-MPI-2, nous fixons le taux cible t = i pour chaque actif en portefeuille, i tant le taux de rentabilit moyenne de chacun des actifs en portefeuille sur la priode dtude (Janvier 1973-Dcembre 2001). Il nous est possible de fixer un taux cible pour chaque actif si nous utilisons lalgorithme heuristique de Nawrocki (1991). Nous considrons que ces estimations prsentent les vrais paramtres de la population et non pas les estimations des paramtres dun chantillon de la population. En simulant une loi multinormale N ( N , N ) de taille T avec T < 348 , nous allons donc obtenir un chantillon de la population. Lestimation des paramtres partir de cet chantillon de taille T sera donc sujette au risque destimation. Nous mettons lhypothse que les rentabilits sont normalement distribues. Cette hypothse a t rejete par de nombreux tests empiriques mais elle nous est indispensable puisque nous devons pr-spcifier la distribution des taux de rentabilit afin deffectuer nos simulations. Cette hypothse ne devrait dailleurs pas remettre en cause les rsultats obtenus car lerreur induite par le choix dune loi multi-normale devrait se rpercuter de manire identique sur la prcision des trois estimateurs choisis. 2.2 Description des simulations et des procdures doptimisation Les simulations et les procdures doptimisation se droulent en deux tapes. La premire tape consiste simuler T taux de rentabilit issus dune distribution multi-normale

N ( N , N ) . La seconde tape consiste calculer les pondrations de chaque actif en

portefeuille (selon les deux modles moyenne-variance et moyenne-MPI-2) pour chaque trajectoire simule.

Etape 1 : simulation d'une distribution multi-normale


La loi multi-normale correspond l'extension de la loi normale au cas de N variables

x1 , x 2 ,...x N . Elle est caractrise par un vecteur de moyennes N et une matrice de variancecovariance N . Pour simuler une loi multi-normale N ( N , N ) de dimension N, on applique l'algorithme suivant : 1. Soit u un vecteur constitu de N nombres alatoires indpendants distribus selon la loi normale rduite N (0,1) . Partant dun vecteur de taille N de variables pseudo-

alatoires obtenu laide du gnrateur congruentiel, on gnre un vecteur u par la technique de Box Muller (1958). 2. Soit L la matrice triangulaire infrieure rsultant de la dcomposition de Cholesky de la matrice N . 3. Le vecteur x = N + Lu suit la loi multi-normale N ( N , N ) .

Nous rptons alors cette procdure T fois, afin dobtenir une loi multi-normale de taille T . Cet chantillon dune loi multi-normale N ( N , N ) de taille T est une matrice ( N , T ) que lon notera R p (qui correspond la simulation p ).

Etape 2 : optimisation de portefeuille - calcul des pondrations de chaque actif dans le portefeuille efficient
La seconde tape consiste dans le calcul des pondrations de chaque actif dans le portefeuille efficient selon le modle de gestion moyenne-risque retenu (pour un niveau daversion au risque donn) pour chaque chantillon R p simul.

Avec N titres, le programme doptimisation peut scrire comme suit :


1 2

Max
x

X ' XX '
(1)

s.c. : X ' I = 1

o X le vecteur des poids de chaque actif en portefeuille, , comme dans lanalyse moyennevariance, reprsente le degr daversion au risque de linvestisseur et la matrice de semicovariance. La semi-covariance entre deux actifs i et j est calcule comme suit : semi cov(ri , r j ) = sij = SDi SD j ij

o SDi le semi-cart-type de rendement de lactif i (racine carre de la semi variance de lactif i) et ij le coefficient de corrlation entre les actifs i et j.

La rsolution du programme doptimisation (1) se fait numriquement laide de lalgorithme de la ligne critique de Markowitz (1992). Pour chaque modle de gestion, nous calculons la pondration des actifs pour plusieurs degrs admissibles daversion au risque : =1, 3 et 5 . Les deux tapes dcrites prcdemment sont rptes P = 500 fois, pour T = 36, 60 et 120

observations. Nous obtenons alors 500 matrices de taux de rentabilit R P (avec p = 1...500 ), pour T = 30, 60 et 120 observations. Nous avons donc choisi une taille de portefeuille relativement faible ( N = 5) , des coefficients daversion au risque faibles ( = 1, 3 et 5 ) et des chantillons de donnes rduits ( T = 30, 60 et 120 observations). Selon les tudes prcdentes, cela aura pour effet de maximiser les erreurs destimation, du moins dans le cadre dune gestion moyenne-variance. La taille attendue des erreurs destimation est donc relativement grande, mais cela rendra plus facile la comparaison des techniques damlioration des estimations. Si le bootstrap permet effectivement de rduire lerreur destimation, lcart entre lerreur destimation avec les estimateurs shrinkage et lerreur destimation avec le bootstrap devrait tre significatif.
2.3 Optimisation avec des estimateurs amliors

La littrature financire concernant le risque destimation est abondante et de nombreux estimateurs ont t proposs permettant de rduire le risque destimation dans le cadre dune gestion de portefeuille moyenne-variance. Nous allons tester la performance de trois mthodes permettant de prendre en compte le risque destimation des paramtres dans le cadre dune gestion moyenne-moments partiels infrieurs . Les deux premiers estimateurs que nous allons tester font partie des estimateurs shrinkage , lestimateur James Stein et lestimateur Bayes Stein. Stein (1955) a montr que lefficacit (au sens des moindres carrs) de lestimation des esprances des taux de rentabilit pouvait tre accrue en mlangeant les informations travers les sries de taux de rentabilit : lesprance de rendement de chaque actif est ajuste par une esprance globale des taux de rentabilit de tous les actifs prsents en portefeuille.

Estimateur James Stein (JS)

Le premier estimateur shrinkage que nous prsentons est lestimateur James Stein (JS) : + rG I JS = (1 ) (2)

est le o I est un vecteur identit de dimension N (le nombre dactifs en portefeuille), vecteur des esprances des taux de rentabilit calcul partir de la matrice des taux de rentabilit simule R P , rG =
1 N lesprance globale des taux de rentabilit et

1 ( rG I )' C rG I )) t = min 1, ( N 2) /(T (

1 est la transpose de la matrice de variance-covariance calcule est le facteur shrinkage. C

partir de notre matrice des taux de rentabilit simule RP , N = 5 est le nombre dactifs en portefeuille et T est le nombre de donnes de notre chantillon dobservations. Estimateurs Bayes Stein (BS) Le second estimateur shrinkage utilis est lestimateur Bayes Stein (BS) introduit par Jorion (1985,1991) qui peut scrire : + rGBS I BS = (1 )
1 1 I ) et = /( + T ) GBS = I ' C /( I ' C r

(3)

Le facteur shrinkage peut alors scrire :


1 ( rGBS I )' C rGBS I ) = ( N + 2) / (

10

Estimation par le bootstrap

La troisime mthode que nous prsentons afin damliorer nos estimations des paramtres partir dun chantillon dobservations est la mthode du bootstrap standard . La mthode de r-chantillonnage bootstrap, introduite par Efron (1979), fait partie des mthodes de calculs intensifs sur ordinateur et permet destimer la distribution dun estimateur ou dune statistique en r-chantillonnant les donnes notre disposition, sans faire appel une quelconque loi ou modle conomtrique. Lapproche bootstrap dans un contexte de gestion de portefeuille moyenne-variance a dj t utilise dans des tudes menes par Liang et al (1996). Nous dcrivons ci-dessous la procdure de r-chantillonnage succinctement : Soit RP la matrice des taux de rentabilit simuls (pour les N actifs) de taille T issue dun tir p de la simulation. Pour chaque matrice de taux de rentabilit simuls, nous allons tirer au hasard un nombre T de taux de rentabilit parmi RP . Notre r-chantillonnage se fait de manire cross sectionnal afin de conserver la corrlation entre chaque actif. Cette procdure nous permet dobtenir un chantillon bootstrap R * partir de RP . Pour chaque chantillon R * gnr, nous allons estimer les vecteurs desprance, les matrices de covariance et de semi-covariance puis rsoudre les deux programmes doptimisation prsents ci dessus. Cette procdure est rpte K fois. La moyenne des pondrations et des paramtres des portefeuilles issue des K r-chantillonnages sera considre comme la solution optimale issue de la matrice simule RP . Ainsi, pour chaque matrice de rendement simule RP , pour un niveau daversion au risque , la solution est donne par :
K

( ) = 1 X RP K

x
k =1

( )

(4)

11

do

R ( ) =
P

1 K


k =1

k ( ) et

MPI 2 RP ( ) =

1 K

MPI 2
k =1

( )

(5)

Etant donn le nombre de simulations effectuer, nous choisissons K = 300 , qui, dans les tudes empiriques concernant la prcision des estimateurs, semble donner des rsultats suffisamment prcis pour estimer les paramtres desprance et de variance. Le bootstrap nest pas la procdure de r-chantillonnage la plus efficace pour les sries temporelles puisqu'il prsuppose des taux de rentabilit i.i.d . Nanmoins, nous gnrons dans le cadre de nos simulations R p des sries de taux de rentabilit supposs i.i.d. Il aurait donc t inutile dutiliser d'autres mthodes de r-chantillonnage tel que le moving block bootstrap (Carlstein et al, 1997) ou le matched block bootstrap (Sanfilippo, 2004), techniques de rchantillonnage permettant de prendre en compte la dpendance srielle des rentabilits.
2.4 Mesures de lerreur destimation

Afin de mesurer les effets de lutilisation des paramtres estims dans le choix du portefeuille efficient, nous allons analyser les caractristiques des portefeuilles pseudoefficients issus des simulations RP . La composition de chaque portefeuille sera obtenue partir de lquation (1) et les estimations des paramtres de chaque actif laide des quations (2), (3) et (5). Plus prcisment, pour chaque modle de gestion (cest dire chaque mesure du risque), nous obtenons les paramtres (moyenne et risque) de trois types de portefeuilles : - les paramtres du portefeuille rellement efficient sur toute la priode destimation, qui ont t calculs partir de la population entire, qui eux, restent constants pour toutes les matrices simules RP ;

12

- les paramtres des portefeuilles efficients ex ante : cest--dire les paramtres portefeuilles issus de loptimisation pour chaque simulation RP . Ce sont les paramtres des portefeuilles pseudo-efficients , cest--dire des portefeuilles efficients si lchantillon des observations constituait la population entire ; - les paramtres des portefeuilles ex post : cest--dire ceux des portefeuilles qui ont t construits partir des estimations. Ces paramtres sont calculs en multipliant les pondrations de chaque actif (calcules partir des estimations issues de chaque simulation
RP ) par les vraies valeurs des paramtres de chaque actif (calcules partir de la population

entire). Les caractristiques du portefeuille ex post correspondent ce que linvestisseur possde rellement en portefeuille. Nous allons prsenter en dtail la mthodologie utilise pour obtenir les portefeuilles rellement efficient, ex-ante et ex-post, dans le graphique 1.
[ Graphique 1]

Les paramtres du portefeuille rellement efficient sont obtenus de la manire suivante : la moyenne du portefeuille rellement efficient est donne par le produit matriciel de la transpose du vecteur des poids optimaux W par le vecteur des esprances :

W' ;

la variance (ou la semi-variance) du portefeuille rellement efficient est donne par le produit matriciel du vecteur des poids optimaux W par la matrice de covariance (ou semi-covariance ) : W ' W (ou W ' W ).

13

Les paramtres du portefeuille ex ante sont obtenus de manire similaire : la moyenne du portefeuille ex-ante est donne par le produit matriciel de la transpose du vecteur des poids optimaux W p par le vecteur des esprances p : W p ' p ;

la variance (ou la semi-variance) du portefeuille ex-ante est donne par le produit matriciel du vecteur des poids optimaux W p par la matrice de covariance p (ou semicovariance p ) : W p ' pW p (ou W p ' pW p ).

Enfin les paramtres du portefeuille ex-post sont obtenus ainsi : la moyenne du portefeuille ex-post est donne par le produit matriciel de la transpose du vecteur des poids optimaux W p par le vecteur des esprances : W p ' ;

la variance (ou la semi-variance) du portefeuille ex-post est donne par le produit matriciel du vecteur des poids optimaux W p par la matrice de covariance (ou semicovariance ) : W p ' W p (ou W p ' W p ).

A partir des paramtres calculs pour le portefeuille rellement efficient et lensemble des p portefeuilles ex-post, il est possible de mesurer lerreur moyenne sur lensemble des simulations ralises. Ce qui intresse linvestisseur, ce nest pas lcart entre les caractristiques du portefeuille rellement efficient et celles du portefeuille ex ante , mais bien lcart entre les caractristiques du portefeuille rellement efficient et celles du portefeuille ex post . Nous allons mesurer lerreur moyenne due lestimation des paramtres par le biais de deux mesures :

14

f ( ) =

1 P ~ ( ) )2 ( ( ) P P p =1

(6)

et

f MPI 2 ( ) =

1 P 1/ 2 1/ 2 MPI 2( ) MPI 2 P ( ) P p =1

(7)

o P est le nombre de matrices de taux de rentabilit simules, ( ) lesprance du


~ ( ) lesprance portefeuille rellement efficient pour un niveau daversion au risque de , P

du portefeuille empirique pour un niveau daversion au risque de issus de la simulation


RP , MPI 2( ) est le MPI-2 du portefeuille rellement efficient pour un niveau daversion au

risque de et MPI 2 P ( ) est le moment partiel infrieur du portefeuille empirique pour un niveau daversion au risque de issu de la simulation RP . Dans le cadre dune gestion moyenne-variance, lerreur destimation concernant la variance, f Var ( ) scrira donc

f var ( ) =

1 P ~ ( ) )2 ( ( ) p P p =1

(8)

o P est le nombre de matrices de taux de rentabilit simules, ( ) est lcart-type du ~ ( ) est lcart-type du portefeuille empirique pour un portefeuille rellement efficient et p niveau daversion au risque de issu de la simulation RP . Ces trois mesures vont nous permettre de mesurer lcart entre le portefeuille optimis sur la base dun chantillon de la population et le portefeuille rellement efficient. Nous aurions pu aussi comparer les ratios de Sharpe (Jobson et Korkie, 1980) ou encore la perte quivalente (cash equivalent loss, Chopra et Ziemba, 1993). Mme si le temps de calcul est

15

plus long, les mesures que nous avons choisies nous permettent danalyser lcart sur chacun des paramtres et non pas sur les rsultats bruts des portefeuilles.
3 REDUCTION DU RISQUE DESTIMATION PAR LE BOOTSTRAP

Nous allons prsenter dans cette section les rsultats que nous avons obtenus partir de 500 simulations ( P = 500) , pour divers degrs daversion au risque et pour les trois mthodes damlioration des estimations. Nous allons dabord montrer que le risque destimation, dans le cadre dun modle moyenne-moments partiels infrieurs, ne peut en aucun cas tre nglig. De plus, en moyenne, la technique bootstrap permet de rduire sensiblement lerreur destimation.
3.1 Le risque destimation dans le cadre des moments partiels infrieurs

Lutilisation des estimations des paramtres en lieu et place des vrais paramtres de la distribution peut avoir des consquences importantes dans le cadre du modle de gestion moyenne-MPI-2, comme le montre les graphiques 2 et 3.
[Graphique 2] [Graphique 3]

Ces graphiques prsentent la frontire efficiente relle, trace grce aux vrais paramtres desprance et de moment partiel infrieur de chaque actif , la frontire efficiente ex ante, trace partir des estimations des paramtres issus de RP et la frontire efficiente ex-post, trace partir des poids des portefeuilles pseudo-efficients de RP et des vrais paramtres desprance et de moment partiel infrieur.

16

Lors de nos simulations, la frontire ex-ante est toujours situe gauche des frontires efficientes relles et ex-post. Ceci est logique dans la mesure ou lestimation des paramtres semble sur-estimer lesprance de rendement et sous-estimer le risque des portefeuilles. Les paramtres estims sur la base dun chantillon de la population semblent donc constituer des prvisions biaises et trop optimistes des vrais paramtres. Mais le plus surprenant constitue la diffrence entre la frontire relle et la frontire ex-post. Lutilisation de paramtres estims dforme totalement la frontire efficiente si bien que les portefeuilles les plus risqus apportent ex-post un rendement moyen infrieur aux portefeuilles les moins risqus lors de certaines simulations RP (graphique 3). La forme de la frontire efficiente nest plus concave mais convexe. Ce rendement infrieur est essentiellement d aux erreurs destimation portant sur les esprances de rendement. Il est possible dobtenir une rentabilit de portefeuille ngative, mme lorsque le risque de notre portefeuille est lev. Ce constat nest pas rare lors des simulations. De plus, la diffrence de rendement entre les portefeuilles rels et les portefeuilles ex-post nest pas constante sur toute la frontire efficiente. Elle semble saccrotre avec le rendement espr du portefeuille, cest--dire pour des degrs daversion au risque faibles. Ceci nest pas surprenant et correspond aux rsultats trouvs par Jobson et Korkie (1980) dans le cadre dun modle moyenne-variance. Selon la thorie, lerreur sur les esprances aura les consquences les plus fortes, puis vient lerreur sur les moments partiels infrieurs. Les efforts des gestionnaires doivent donc porter en priorit sur lestimation des esprances. Or pour un risque daversion faible, linvestisseur va investir massivement dans des actifs dont lesprance de rendement est la plus leve, mme si ils sont risqus. Lerreur sur lesprance de rendement de ces actifs sera donc accrue lorsque son aversion au risque est faible. Dans le

17

cadre de notre tude, cette erreur est dautant plus accentue par le fait que nous nimposons pas de contraintes sur les ventes dcouvert. A titre de comparaison, les tableaux 1 et 2 prsentent les erreurs destimation des paramtres entre les portefeuilles ex-post et les portefeuilles rellement efficients pour un modle de gestion moyenne-variance et pour un modle moyenne-MPI-2 quand aucune mthode damlioration des estimations nest employe. Nous remarquons que les erreurs destimations ne peuvent tre ngliges lorsque le portefeuille est compos de cinq actifs, quelque soit le degr daversion au risque de linvestisseur ( = 1, 3, 5) , et quelle que soit la taille de notre chantillon de donnes (T = 36, 60,120) .

[Tableau 1]

Nous constatons tout dabord que le risque destimation des paramtres dcrot avec la taille de lchantillon et le degr daversion au risque de linvestisseur. Pour un degr daversion au risque = 1 , lerreur moyenne sur lesprance du portefeuille efficient (dans le cadre du modle moyenne - MPI2) passe de 0.70 % 0.45 % lorsquon multiplie par quatre la taille de notre chantillon dobservations (T = 30 et T = 120) . Plus la taille de notre chantillon est leve, plus lestimation de linvestisseur sera prcise car il aura une meilleure connaissance de la distribution des taux de rentabilit de chaque actif. Ce rsultat est bien conforme notre analyse prcdente concernant les frontires efficientes. Moins linvestisseur est averse au risque, plus il va investir dans les actifs dont lesprance de rendement est leve ; dans ce cas, une erreur destimation sur ces esprances aura des effets encore plus accentus.
[Tableau 2]

18

Quelle que soit la mesure du risque, les erreurs destimation des paramtres ne peuvent en aucun cas tre ngliges, mme lorsque le degr daversion au risque est lev et que la taille de lchantillon de donnes (cest--dire la taille de la matrice R p ) est grande. Pour un degr daversion au risque = 5 et une taille dchantillon T = 120 , lerreur destimation sur la moyenne est de 0.11 % et de 0.16 % pour la semi-variance. Sur une base annuelle, cette erreur serait donc de 1.32 % sur la moyenne et de 1.96 % sur la semi-variance du portefeuille. Lerreur concernant la semi-variance du portefeuille devient mme trs leve lorsque la taille de notre chantillon et lorsque le degr daversion au risque sont faibles. Pour = 1 et
T = 30 observations, lerreur destimation moyenne sur la semi-variance atteint 5.02 % !

Lampleur de ces erreurs destimation moyennes peut paratre surprenante mais peut sexpliquer assez simplement : Les coefficients daversion au risque choisis sont assez faibles. Ainsi, quel que soit le

modle de gestion, linvestisseur aura tendance choisir un portefeuille relativement risqu. Parmi les actifs disponibles, la procdure doptimisation de portefeuille va choisir les actifs dont lesprance de rendement est la plus surestime et le risque le plus sous-estim. Il faut cependant noter que ce problme de maximisation derreur devrait diminuer avec le nombre dactifs disponibles, ce que nous avons vrifi lorsque nous avons effectu nos simulation avec N = 25 actifs en portefeuille. Pour nos deux modles de gestion, nous avons autoris les ventes dcouvert, ce qui a

aussi pour effet daccrotre les erreurs destimation, comme lont montr Jobson et Korkie (1980). Pour un degr daversion au risque trs faible, linvestisseur va vendre dcouvert les actifs dont lesprance de rendement est faible afin dinvestir massivement dans des actifs

19

dont lesprance de rendement est plus forte. Cette stratgie aura pour consquence daccrotre les effets dune erreur destimation. La taille de nos chantillons est assez faible puisque T = 36, 60 et 120 , alors que

notre population est constitue de 348 donnes. Or, selon Jobson et Korkie (1980), il faut plus de 200 taux de rentabilit mensuels pour obtenir des estimations raisonnablement non biaises de la relation rendement-risque du portefeuille optimal. Nous avons montr, que, quel que soit le modle de gestion employ, les erreurs portant sur le risque et lesprance de rendement des portefeuilles optimaux tend dcrotre avec le degr daversion au risque et le nombre dobservations utilises pour estimer les paramtres de chaque actif. Cependant les erreurs destimation dans le modle moyenne-MPI-2 sont gnralement beaucoup plus grandes que celles du modle moyenne-variance en particulier sur lesprance du portefeuille. Pour un degr daversion au risque = 3 et un chantillon de taille T = 60 observations par exemple, lerreur destimation sur lesprance de rendement du portefeuille est de 0.37 % pour le modle moyenne-MPI-2 et seulement de 0.20 % pour le modle moyenne-variance. Nous pouvions nous attendre ce rsultat dans la mesure o, pour un degr daversion au risque donn, mme si on suppose que les taux de rentabilit suivent une loi normale, la semi-variance dun portefeuille est gale la moiti de sa variance. Ceteris paribus, linvestisseur qui retient la semi-variance comme mesure du risque aura tendance construire un portefeuille constitu dactif plus risqus (du moins qui ont une esprance de rendement suprieure). En cherchant des actifs dont le rendement est suprieur, linvestisseur accrot son risque destimation des paramtres. De plus, la semi-variance ne mesure quune partie du risque, dans le sens o elle nutilise quune partie tronque des donnes disponibles, ce qui a pour consquence daccrotre les erreurs destimations. Comme lont montr Chopra et Ziemba (1993) dans le cadre dun modle moyenne-variance, cest lerreur

20

sur les esprances qui a les consquences les plus fortes ; nos rsultats montrent que, dans le cadre dune gestion moyenne-MPI-2, encore plus que pour une gestion moyenne-variance, lerreur destimation des paramtres ne peut tre nglige.
3.2 Amlioration des estimations par les estimateurs shrinkage et le bootstrap

Cette section prsente les rsultats de nos simulations lorsque linvestisseur utilise des estimateurs particuliers afin damliorer ces estimations des paramtres des diffrents actifs en portefeuille : les estimateurs shrinkage, James Stein (JS) et Bayes Stein (BS) et le bootstrap. Le tableaux 3 et 4 prsentent les erreurs destimation des paramtres lorsque nous employons les deux estimateurs shrinkage : lestimateur James Stein et lestimateur Bayes Stein. Lestimateur James Stein ne semble pas rellement capable de rduire le risque destimation des paramtres, en particulier pour la semi-variance du portefeuille. Lerreur commise sur la semi-variance du portefeuille ex-post est mme parfois suprieure lorsque lon emploie un estimateur James Stein. Pour un degr daversion au risque = 3 et un chantillon de
T = 120 observations, lerreur commise sur le MPI-2 par lestimation est de 1.00 % alors

quelle est de 1.05 % avec lestimateur JS.

[Tableau 3]

Notons de plus que nos rsultats sont assez difficiles interprter puisque, dans le cadre de lestimateur JS, il nest pas rare de constater que plus la taille de notre chantillon de donnes est grande, plus lerreur commise est grande, en particulier pour la moyenne du portefeuille. Pour un degr daversion au risque = 3 , lerreur commise sur la moyenne pour un chantillon de taille T = 60 observations est de 0.33 % alors quelle est de 0.38% pour un

21

chantillon de taille T = 120 observations. Ce rsultat est assez contre-intuitif dans la mesure ou un chantillon dune taille plus grande devrait nous permettre dapprocher au mieux la vraie distribution. Lapproche par lestimateur James Stein ne semble donc pas adapte dans le cadre dun modle moyenne-MPI-2, alors que Jorion (1985) a montr que cette approche amliorait significativement la performance dun modle moyenne-variance. Lorsque nous utilisons lestimateur Bayes-Stein, les erreurs destimation semblent en revanche se rduire significativement, en termes de moyenne et de semi-variance du portefeuille ex-post, en particulier pour des degrs daversion au risque faibles. Pour un degr daversion au risque = 1 et un chantillon de T = 120 observations, lerreur commise sur la moyenne par lestimateur BS est de 0.30 % (contre 0.45 % avec lestimation directe) et lerreur sur la semi-variance est de 1.09 % (contre 2.70 %). En rgle gnrale, lapport de lestimateur BS est surtout significatif pour la semi-variance du portefeuille.
[Tableau 4]

Il est cependant assez surprenant de constater que ces deux mthodes (JS et BS) namliorent pas significativement les performances de lestimation directe, en particulier lorsque la taille de notre chantillon est faible et que le degr daversion au risque est lev. Pour T = 30 et

= 5 , lcart sur la moyenne pour lestimateur BS et lestimateur JS est de 0.23 % alors quil
est de 0.25 % pour lestimation directe. En ce qui concerne la semi-variance, lcart est de 1.02 % pour lestimateur JS, de 0.98 % pour lestimateur BS et de 1.04 % pour lestimation directe. La conclusion que nous pouvons tirer de ces rsultats est que lestimateur James Stein ne permet pas rellement de rduire le risque destimation des paramtres dans le cadre dun modle moyenne-MPI-2. De plus, lcart entre le portefeuille optimis sur la base dun chantillon et le portefeuille rellement efficient peut tre rduit par lutilisation de

22

lestimateur Bayes Stein. Mais lapport de cet estimateur est trs faible, surtout lorsque la taille de notre chantillon de donnes est faible. Lutilisation de ces techniques dans le cadre de notre problmatique est donc sujette caution, puisque, par nature, le nombre de donnes long terme notre disposition est extrmement faible. Le tableau 5 prsente les erreurs destimation lorsque lon utilise la mthode bootstrap afin daffiner les estimations des paramtres partir dun chantillon de donnes. Pour chaque chantillon dobservations simul, nous avons effectu 300 rplications bootstrap. La pondration de chaque actif en portefeuille est calcule comme la moyenne des pondrations lors des 300 rplications bootstrap.
[Tableau 5]

Nous constatons que, quelles que soient le degr daversion au risque et la taille de lchantillon, lcart entre le portefeuille optimis sur la base dun chantillon et le

portefeuille rellement efficient peut tre significativement rduit par lutilisation du bootstrap. Pour un degr daversion au risque = 1 et un chantillon de T = 120 observations, lerreur commise sur la moyenne par le bootstrap est de 0.23 % (contre 0.45 % avec lestimation directe, 0.58 avec lestimateur JS et 0.30 avec lestimateur BS). Lerreur sur la semi-variance est de 0.62 % (contre 2.70 %, 1.05 % et 0.86 %). Cet cart est particulirement rduit lorsque la taille de lchantillon est faible, contrairement aux autres estimateurs. Pour = 5 et T = 30 , lerreur concernant la moyenne du portefeuille est de 0.15 % pour le bootstrap alors quil est proche de 0.25 % pour les estimateurs BS et JS. Lapproche par le bootstrap semble donc plus performante que les estimateurs shrinkage pour rduire lerreur destimation des paramtres, en particulier lorsque la taille de lchantillon des observations est faible.

23

Enfin, nous avons pu remarquer lors des simulations la diffrence de comportement entre les trois estimateurs. Les estimateurs James Stein et Bayes Stein permettent de rduire fortement lerreur destimation lorsque lchantillon de donnes nest pas du tout reprsentatif de la population. Ces estimateurs donnent de pitres rsultats dans le cas contraire. Le bootstrap, au contraire, permet damliorer pratiquement chaque fois lestimation des paramtres. Nous avons effectu 300 rplications bootstrap pour chaque chantillon dobservations simul. Selon la thorie des techniques de r-chantillonnage, il est cependant possible daccrotre la prcision des estimateurs en augmentant le nombre de rplications.
4 CONCLUSION

Nous avons analys dans cet article les effets des erreurs destimation des paramtres sur une gestion moyenne-MPI-2. La frontire efficiente est calcule partir de paramtres inconnus (mais estims partir dun chantillon) et, comme la frontire ex-post, est inconnue de linvestisseur. Nous avons utilis trois mthodes permettant damliorer loptimisation de portefeuille. Nous les avons ensuite compares la mthode classique dans laquelle les estimations issues de lchantillon sont considres comme les vraies valeurs des paramtres. Deux des trois mthodes employes taient deux estimateurs shrinkage : lestimateur James Stein et lestimateur Bayes Stein. La troisime mthode tait une mthodologie de rchantillonnage : le bootstrap. Les apports de cet tude empirique ralise sur le march franais des actions sont au nombre de quatre : ltude des frontires efficientes nous montre que lestimation des paramtres a tendance surestimer lesprance de rendement des actifs et sous-estimer leur risque, surtout lorsque lchantillon des observations est de taille rduite. De plus, nos rsultats montrent aussi que le risque destimation nest pas ngligeable dans un modle moyenne-MPI-2, quelles que soient la taille de lchantillon dobservations et le degr daversion au risque de linvestisseur. Ensuite, nous avons montr que les erreurs destimation

24

des paramtres sont mme beaucoup plus grandes pour le modle moyenne-MPI2 que pour le modle moyenne-variance. Enfin, nous avons montr que le bootstrap permettait de rduire significativement le risque destimation des paramtres alors que les estimateurs shrinkage apportaient des rsultats peu convaincants. Nous pouvons donc conclure que le bootstrap permet de rduire significativement lerreur destimation des paramtres et d'amliorer significativement la performance ex-post d'un portefeuille d'action. Cette recherche peut cependant connatre de nombreuses extensions, en particulier l'utilisation de nouvelles mthodes de r-chantillonnage permettant la prise en compte de l'autocorrlation des rentabilits.

RFRENCES BIBLIOGRAPHIQUES

Affleck-Graves J., MacDonald B. (1989), Non-normalities and tests of asset pricing theories, Journal of Finance, vol.44, n4, p. 889-908. Blatteberg R., Gonedes N. (1974), A comparison of the stable and student distributions as statistical models for stock prices, Journal of Business, vol.47,n 2, p. 244-280 Bawa V.S. (1975), Optimal rules for ordering uncertain prospects, Journal of Financial Economics, vol.3, n2, p. 95-121 Bawa V.S., Klein R.W. (1976), The effect of estimation risk on optimal portfolio choice, Journal of Financial Economics, vol.3, n1, p. 215-231

25

Box G.P., Muller M.E. (1958), A note on the generation of random normal deviates, Annals Math. Stat, Vol.29, n4, p. 610-611 Broadie M. (1993), Computing efficient frontiers using estimated frontiers, Annals of Operations Research : Financial Engineering, vol.45, special issue, p. 21-58 Carlstein E. et al. (1997), Matched block bootstrap for dependent data In : Seminar fr Statistics at Eidgenssische technische Hoschule Zurich, Research report, n74, Switzerland Chopra V.K., Ziemba W.T. (1993), The effects of errors in means, variances and covariances, Journal of Portfolio Management, vol.19, n4, p.6-11 Efron B. (1979), Bootstrap methods :another look at the jackknife, Annals of Statistics, vol.7, n1, p. 1-26 Fama E.F (1965), The behaviour of stock market prices, Journal of Buisness, vol.38, n 1, p. 34-105 Jobson J.D., Korkie B. (1980), Estimation for markowitz efficient portfolios, Journal of the American Statistical Association, vol.75, n371, p. 544-554 Lewellen, J., Shanken J. (1998), Market efficiency, rational expectations, and estimation risk, In : Annual meeting of American Finance Association, New York Liang Y. et al. (1996), The bootstrap efficient frontier for mixed asset portfolios, Real Estate Economics, vol.24, n2, p. 247-256 Markowitz H. (1952), Portfolio selection, The Journal of Finance, vol.7, n1, p. 77-91 Markowitz H. (1992), Portfolio diversification, efficient diversification of investments, Oxford : Basil Blackwell, 2me dition.
26

Nawrocki D.N (1991), optimal algorithm and lower partial moment : ex-post results, Applied Economics, vol.23, n3, p. 465-471 Sanfilippo G. (2004), Stocks, bonds and the investment horizon, Quantitative Finance, June, p.345-351 Roy A. (1952), Safety first and the holding of assets, Econometrica, vol.20, n3, p. 431-449

27

GRAPHIQUES ET TABLEAUX
Graphique 1 : Calcul des paramtres des portefeuilles rellement efficient, ex-ante et ex-post

Population Taux de rentabilit totaux Priode 1973-2001

Estimation Matrice de taux de rentabilit simule RP de taille T N

estimation
Paramtres rels

estimation
Paramtres estims

= (1 ,L n )
L 1N = M L M 2 N1 L N s12 L s1N = M L M 2 sN 1 L sN
2 1

p = (( 1 ) p ,L ( n ) p )
( 12 ) p L ( 1N ) p p = M L M 2 ( ' N 1 ) p L ( N )p 2 ( s1 ) p L ( s1N ) p p = M L M 2 ( sN 1 ) p L ( sN ) p

Optimisation

Optimisation

Poids optimaux

Poids estims

W = ( w1 ,L wN )

W p = (( w1 ) p , L ( wN ) p )

Paramtres du Portefeuille rellement efficient Paramtres du Portefeuille Ex-post (p)

Paramtres du Portefeuille Ex ante (p)

28

Graphique 2 : Frontires efficientes Moyenne-MPI2 pour une matrice de taux de rentabilit simule de 36 observations

0,08

0,07

0,06

Esprance

0,05

0,04

0,03 0,02

ex ante ex pos t rel

0,01 -0,01 0 0,005 0,01 0,015 0,02 0,025 0,03

M PI-2

La courbe en trait plein (frontire relle) prsente la frontire efficiente calcule partir des vrais paramtres de chaque actif, la courbe en pointille (ex ante) est la frontire efficiente estime, la courbe hachure (ex post) est la frontire efficiente obtenue par la multiplication des pondrations du portefeuille (calcules partir de lchantillon) et les vraies valeurs des paramtres de chaque actif

Graphique 3 : Frontires efficientes Moyenne - MPI2 pour une matrice de taux de rentabilit simule de 36 observations
0 ,0 7

0,06

0 ,0 5

Esprance

0,04

0,03

0,02

ex ante ex post rel

0,01

0 0 -0,01 0,0 05 0 ,0 1 0,015 0 ,02 0 ,025 0,03

M PI-2

La courbe en trait plein (frontire relle) prsente la frontire efficiente calcule partir des vrais paramtres de chaque actif, la courbe en pointille (ex ante) est la frontire efficiente estime, la courbe hachure (ex post) est la frontire efficiente obtenue par la multiplication des pondrations du portefeuille (calcules partir de lchantillon) et les vraies valeurs des paramtres de chaque actif

29

Tableau 1 : Erreur destimation moyenne des paramtres pour le modle moyenne-MPI-2

f ( ) en (%)
T = 30 0.70 0.44 0.25 T = 60 0.60 0.37 0.20

f MPI ( ) en (%)

T = 120 T = 30 T = 60 T = 120 =1 0.45 5.02 3.56 2.70 =3 0.25 2.79 1.89 1.00 0.11 1.04 0.70 0.20 =5 est le degr daversion au risque de linvestisseur, T la taille de la matrice simule R p , f ( ) lerreur
destimation sur la moyenne du portefeuille et f MPI ( ) lerreur destimation du moment partiel infrieur 2.

Tableau 2 : Erreur destimation moyenne des paramtres pour le modle moyenne-variance

f ( ) en (%)

f Var ( ) en (%)

T = 120 T = 30 T = 60 T = 120 0.12 1.96 1.23 1.08 0.09 0.91 0.60 0.42 0.07 0.29 0.25 0.15 est le degr daversion au risque de linvestisseur, T la taille de la matrice simule R p , f ( ) lerreur

=1 =3 =5

T = 30 0.36 0.24 0.15

T = 60 0.31 0.20 0.12

destimation sur la moyenne du portefeuille et f Var ( ) lerreur destimation sur la variance du portefeuille.

Tableau 3 : Erreur destimation avec des estimateurs JS ; modle moyenne MPI-2

f ( ) en (%)

f MPI ( ) en (%)

T = 120 T = 36 T = 60 T = 120 0.58 4.4 3.48 2.78 0.38 2.75 2.12 1.05 0.11 1.02 0.62 0.27 est le degr daversion au risque de linvestisseur, T la taille de la matrice simule R p , f ( ) lerreur

=1 =3 =5

T = 36 0.64 0.41 0.23

T = 60 0.64 0.33 0.30

destimation sur la moyenne du portefeuille et f MPI ( ) lerreur destimation du moment partiel infrieur 2.

Tableau 4 : Erreur destimation avec des estimateurs BS ; modle moyenne-MPI-2

f ( ) en (%)
T = 60 0.59 0.37 0.21

f MPI ( ) en (%)

T = 120 T = 36 T = 60 T = 120 0.30 2.32 2.28 1.09 0.20 1.22 0.98 0.86 0.13 0.98 0.46 0.18 est le degr daversion au risque de linvestisseur, T la taille de la matrice simule R p , f ( ) lerreur

=1 =3 =5

T = 36 0.62 0.40 0.24

destimation sur la moyenne du portefeuille et f MPI ( ) lerreur destimation du moments partiels infrieurs 2.

30

Tableau 5 : Erreur destimation avec le bootstrap ; modle moyenne-MPI-2

f ( ) en (%)
T = 60 0.52 0.36 0.12

f MPI ( ) en (%) T = 60 1.04 0.65 0.18 T = 120 0.62 0.23 0.06

=1 =3 =5

T = 30 0.65 0.41 0.15

T = 120 0.23 0.14 0.01

T = 30 1.96 1.04 0.36

est le degr daversion au risque de linvestisseur, T la taille de la matrice simule R p , f ( ) lerreur

destimation sur la moyenne du portefeuille et f MPI ( ) lerreur destimation du moments partiels infrieurs 2.

31