Vous êtes sur la page 1sur 69

République Algérienne Démocratique et Populaire Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Université M’hamed Bougara Boumerdes Faculté des Sciences Département de Mathématiques

Faculté des Sciences Département de Mathématiques Mémoire Présenté Pour L’Obtention Du Diplôme De Master

Mémoire Présenté

Pour L’Obtention Du Diplôme De Master

En Recherche Opérationnelle

Option : Mathématique De Gestion (ROMAGE)

Par : BOUHAOUCHE Soumia Et : TOUNSI Hanane

Optimisation des Portefeuilles : Résolution par L’approche Multi-Objectif Non Linéaire.

Soutenu à l’UMBB, le 02/07/2017, devant le jury composé de :

M me M.BENMENSOUR M me W.DRICI M me S.ZOUAOUI

M.A. classe/ B M.A. classe/ B

M.A. classe/ A Examinatrice à l’UMBB -Boumerdes.

Présidente du jury à l’UMBB - Boumerdes. Encadreur à l’UMBB - Boumerdes.

Année Universitaire 2016 2017

Remerciements

T out d’abord, nous remercions ALLAH le tout puissant, de nous avoir

donné le courage et la volonté pour accomplir ce modeste travail.

N ous tenons à adresser nos plus sincères remerciements à

M me DRICI Wassila, qui a accepté de nous encadrer, et qui nous a beaucoup

aidées et guidées pour réaliser ce travail. Nous la remercions pour son appui

scientifique et sa grande disponibilité qui a été essentielle pour notre progression.

Ses commentaires, remarques et suggestions ont donné une autre dimension à ce travail.

On adresse nos remerciements à M me M. BENMENSOUR et

M me S.ZOUAOUI, pour l’honneur qu’elles nous font, en acceptant de faire

part du jury, et d’avoir consacrer leurs temps à la lecture de ce mémoire.

Enfin, que toute personne qui d’une façon ou d’une autre, a contribué

à la réalisation de cette étude, trouve ici le témoignage de nos plus vives

gratitudes.

Je dédie ce travail, À Mes très chers parents, la source de ma vie À

Je dédie ce travail,

À Mes très chers parents, la source de ma vie

À la mémoire de mes grands parents

À mes frères

À mes sœurs

À toute ma famille

À mon binôme, qui m’a supporté, pour la dost spéciale qu’elle était

À tous mes amis Pour une sincérité si merveilleuse, pour des moments jamais oubliables, en leur souhaitant tout le succès, tout le bonheur

À toute personne qui m’a aidé à franchir un horizon dans ma vie.

Hanane

Je dédie ce travail, À mes chers parents, pour leur soutien, sacrifices, et tous les

Je dédie ce travail,

À mes chers parents, pour leur soutien, sacrifices, et tous les efforts consentis pour mon éducation et ma formation,

À Yemma, sans laquelle je ne serai jamais celle que je suis maintenant,

À ma sœur chérie Amina, son mari Mohammed, et ma source de bonheur Neila,

À mes chers frères : Amar, Ahmed, et ma moitié Mohammed,

À ma deuxième famille : Khtiti, Didou Azedine, et mes petits chers Sarah, Lily et Sadek,

À la mémoire de Yemma 3ziza, Didou et mes grands-parents,

À toute ma famille,

À mon binôme, ma partenaire de crime et ma Iris, malgré toutes les difficultés, we did it !

À tous mes amis, chacun de vous était une lueur d’espoir et de bonheur dans ma vie,

À Mr.BEZOUI, le meilleur enseignant de tous les temps,

À toute personne qui m’a aidée dans mon parcours, et m’a poussée à sortir le meilleur de moi-même,

Je tiens à vous témoigner ma reconnaissance, amour et affection.

Soumia

Table des matières

Table des figures

 

3

Liste des algorithmes

4

Introduction générale

 

5

1 Optimisation du portefeuille

 

7

1.1 Historique :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

7

1.2 Éléments de l’optimisation du portefeuille :

 

8

1.2.1 Un actif financier :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

8

1.2.2 Un portefeuille :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

8

1.2.3 Le rendement :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

8

1.2.4 Analyse du risque :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

1.3 La théorie modèrne du portefeuille (Modèle de Markowitz) :

.

.

.

.

.

.

.

.

.

.

.

.

13

1.3.1 Principe du modèle de Markowitz :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

13

1.3.2 Critères du choix d’un portefeuille optimal :

 

14

1.3.3 Hypothèses du modèle :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

15

1.3.4 Présentation mathématique du modèle :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

16

1.4 Le modèle simplifié de Sharpe :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

18

1.4.1 Principe du modèle simplifié de Sharpe :

 

18

1.4.2 Critères du choix d’un portefeuille optimal :

 

18

1.4.3 Hypothèses du modèle :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

19

1.4.4 Présentation mathématique du modèle :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

20

1.5 Modélisation :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

24

1.6 Conclusion :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

24

2 Programmation Quadratique

 

25

2.1 Introduction :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

25

2.2 Notions sur l’optimisation convexe :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

25

2.2.1

Condition d’optimalité en optimisation non linéaire :

.

.

.

.

.

.

.

.

.

.

.

.

27

2.3 Programmation quadratique :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

29

2.3.1

Formulation du problème :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

30

2.4 Méthodes de résolution :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

31

2.5 Conclusion :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

33

3 Optimisation Multi-Objectif

 

34

3.1 Problème d’optimisation multi-objectif (PMO) :

 

34

3.1.1 Formulation d’un problème multi-objectif :

 

35

3.1.2 Concepts de base :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

35

3.2 Méthodologie de résolution :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

37

3.2.1

Classification des méthodes de résolution des PMO :

.

.

.

.

.

.

.

.

.

.

.

.

38

1
1

3.3

Problème multi-objectif en nombres entiers(MOILP ) :

45

 

3.3.1

Formulation du problème :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

45

3.4 Solutions supportées et non supportées :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

45

 

3.4.1 Complexité du problème :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

46

3.4.2 Quelques méthodes de résolution d’un problème (MOILP ) :

 

47

3.5 Conclusion :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

52

4

Résolution et Implémentation

 

53

4.1 Introduction :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

53

4.2 Méthode de résolution :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

53

 

4.2.1 Algorithme de la méthode :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

53

4.2.2 Organigramme de la méthode :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

55

4.3 Implémentation de la méthode :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

56

 

4.3.1 Définition du langage :

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

56

4.3.2 Expérience numérique :

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

56

Conclusion générale

 

60

Bibliographie

 

64

Résumé

65

Table des figures

1.1

Faible et forte volatilité.

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

11

1.2

Frontière Efficiente

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

12

3.1

Exemple de dominance

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

35

3.2

Représentation des différents types de solutions en bicritère

 

46

4.1

Organigramme de la méthode

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

55

4.2

Exemple d’exécution

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

59

3
3

Liste des Algorithmes

1 Klein & Hannan

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

48

2 Sylva & Crema

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

49

3 Abbas & Moulai

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

51

4 Méthode adaptée

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

54

4
4

Introduction générale

La recherche opérationnelle (RO) peut se définir comme la mise en œuvre de méthodes scientifiques, essentiellement mathématiques, en vue de prendre la meilleure décision possible. Établir plus précisément quand entre en jeu la recherche opérationnelle dans un processus de prise de décision est une tâche plus difficile. En effet, l’expert en recherche opérationnelle exploite des connaissances provenant de sources particulièrement variées.

Le marché financier est un emplacement de compétition entre l’offre et la demande des actifs économiques, dans lequel les investisseurs interviennent et ce par le biais de leurs portefeuilles. L’accès à ce marché, les oblige à supporter un risque de sur ou sous-évaluation de leurs actifs. Pour cet effet, le financement des entreprises ne peut pas étayer toutes les opportunités d’investissement disponibles dans le marché financier.

La sélection d’un portefeuille de projets est donc importante. Le processus de sélection vise

à choisir un sous-ensemble de projets qui permette de maximiser les bénéfices (objectifs) de la

compagnie tout en respectant les restrictions budgétaires (contraintes). Mais toute fois, en plus de toutes les considérations précédentes, la compagnie doit suivre une stratégie qui lui assurera un meilleur rendement avec un minimum de risque. Plusieurs théoriciens se sont penchés sur l’analyse et la modélisation de ces deux grands paramètres de mesure de performance de portefeuille, et donc plusieurs modèles d’optimisation de portefeuille ont été proposés. Parmi les modèles développés à cet effet, le modèle moyenne-variance élaboré au début des années cinquante par l’économiste amé- ricain Harry Markowitz. C’est pour la première fois que Markowitz et ses successeurs s’attaquaient

à une rationalisation complète de tous les problèmes de sélection de portefeuille et construisaient

une théorie globale où rien apparemment n’était laissé dans l’ombre. C’est ce modèle qui est classé

comme la première modélisation mathématique de la relation " Risque/Rendement ". Ainsi, selon la théorie moderne de portefeuille de Markowitz, les agents ont pour but ultime de combiner un ensemble d’actifs, ayant un rendement maximum avec un niveau de risque donné ; ou ce qui revient de même un risque minimum pour un niveau de rendement donné. Cependant au cours des années, les praticiens ont reconnu les limites de ce modèle et ils ont développés, dès lors, d’autres modèles pouvant mobilisés le mieux possible de la relation " Risque/Rendement ". En effet, tous les modèles proposés sont de type mono-objectif, c’est-à-dire ne tiennent pas en considération tous les critères que les responsables de compagnies souhaitent optimiser à la fois et qui sont conflictuelles (maximisation de rendement et minimisation du risque simultanément) , et donc on peut déduire que ces modèles sont mathématiquement bien formulés (relativement faciles et à résoudre) mais économiquement mal formulés (ne reflètent pas toute la réalité). C’est pour cela qu’on présente dans ce travail un modèle multi-objectif (bi-objectif) .

En plus du risque et du rendement on pourrai parler de dividendes, de liquidité, des responsabilités

On constate ainsi que l’optimisation multicritère n’est plus une option

sociales de l’inflation

mais bien une obligation pour une bonne modélisation économique. Un investisseur qui dispose d’un capital et qui a l’opportunité d’investir dans un certain nombre d’actifs financiers, doit prendre une décision importante. Comment répartir son capital parmi les

etc.

5
5

Introduction générale

6

actifs ? La gestion de portefeuille nous apporte la réponse. Nous nous intéressons aux problèmes de choix d’actifs financiers en présence de risque. Un problème permanent dans la finance est "comment combiner les investissements pour former un portefeuille ?. Répondre à cette question, serait faire de la "Sélection de portefeuille". A cet effet, nous allons structurer ce présent mémoire en quatre chapitres.

Dans le premier chapitre, nous allons présenter un historique de l’optimisation de porte- feuilles, on fait un rappel de quelques définitions et concepts de base, qu’on pense nécessaires pour la suite de notre travail. Présenter après le modèle initiale du portefeuille (La théorie moderne du portefeuille), puis le modèle simplifié de Sharpe.

Le deuxième chapitre expose les notions de base de la programmation quadratique, la forme générale d’un problème de programmation quadratique, et à la fin, nous présentons les principales approches de résolution proposées dans la littérature pour ce type de problèmes.

Le chapitre trois est consacré à une étude récapitulative menée sur les méthodes de ré- solution des problèmes d’optimisation multi-objectif, tout en montrant la manière de définir un problème pareil, ses contraintes, ses objectifs, tout en respectant le concept de compromis et les frontières de Pareto. Nous allons parler de méthodes utilisées dans le domaine de l’optimisation multi-objectif à savoir exactes, flous et méta-heuristiques.

Dans le quatrième chapitre, on va proposer une méthode exacte de résolution des problèmes de programmation bi-objectif, ainsi que son implémentation.

Enfin une conclusion générale qui englobe le travail réalisé.

1

Optimisation du portefeuille

Introduction

Dans ce chapitre, nous allons présenter un historique de l’optimisation du portefeuille, présenter La Théorie Moderne du Portefeuille, et le modèle simplifié de Sharp [36], ensuite on va definir quelques concepts de base.

1.1 Historique :

Une ancienne sagesse capture l’optimisation de portefeuille sous-jacente idée fondamentale. La sagesse se trouve essentiellement dans la caractéristique de moyenne des rendements de dif- férent actifs, un bon portefeuille est celui qui donne un rendement maximum pour un niveau de risque donnée ou celui qui donne le risque minimum pour un niveau de rendement donné. Ainsi, un bon portefeuille doit comprend des actifs différencier non similaire.

D’où cette sagesse nécessite une modélisation mathématique pour l’optimisation de portefeuille qui a été proposée par le fondateur de la théorie moderne du finance Harry Markowitz dans leur article [35], par le modèle moyenne-variance. Markowitz modélisé la moyenne, comme rendement attendu sur l’investissement, et la variance comme, mesure de risque. cause de probabilité d’exis- tence d’un danger potentiel pour sacrifier trop de rendement attendu à éliminer le rendement extrême bas et haut. Certains chercheurs ont proposé certain modèle de portefeuille basé sur les risques alternatives tel que le modèle de sécurité d’abord [40], le modèle moyenne semi-variance [38], le modèle de moyenne d’écart absolu(MAD) [26], le modèle moyenne de semi-écart absolu [48] et le modèle minimax [53].

Dans la pratique, le problème d’optimisation de portefeuille doit prendre en compte des carac- téristique réelles tel que les coûts de transaction, contrainte de cardinalité qui impose une limite sur le nombre d’actif dans le portefeuille, les contraintes de quantité limitant la proportion de chaque actif dans le portefeuille entre une borne inférieur et une borne supérieur et la transaction des lots minimum. Ce qui ramène à un problème de programmation quadratique qui se classe dans la catégorie des problèmes les plus difficiles (complicité) à résoudre NP-difficile. Pour cela, plusieurs chercheurs en tenté à remédier à cette difficulté en utilisant plusieurs schémas d’approximation tel que Sharpe [45] le premier qui a souligné que si le problème de sélection de portefeuille pour- rait être formulé comme un problème de programmation-linéaire, les perspectives d’applications pratiques serait grandement améliorées. Après cela plusieurs chercheurs se sont concentré sur les algorithmes heuristiques pour les

7
7

Optimisation du portefeuille

8

problèmes d’optimisation des portefeuilles complexes : [19] ont utilisé, les Algorithme Génétique (GA), recherche Tabou(TS), recherche Local(LS), [7] et le recuit simulé, [47] ont proposé une amé- lioration de l’algorithme génétique pour le model moyenne-variance. [2], ont formulé le problème de portefeuille comme un problème d’optimisation tri-objective afin de trouvé le seuil entre rende- ment, risque et le nombre de portefeuille de sécurité, en utilisant cinq algorithmes évolutionnaires :

NSGA-2, SPEA2, NPGA2, PESA et e-MOEA. Ainsi, [15, 25, 3], qui ont utilisé les algorithmes évolutionnaires. [16, 14], la colonie de fourmis. D’autres chercheurs ont dévié vers les heuristiques basées sur l’optimisation des swarm particle [12, 22, 55]. Les algorithmes d’évolution différentielle [30, 31].

Il arrive que, les attentes des investisseurs, au sujet des paramètres financiers, la base sur laquelle ils choisissent leurs portefeuille, sont souvent vaguement précisées, alors les décisions de- viendraient floue, [54] introduit le concept d’ensembles flous. De plus, plusieurs chercheurs ont intégré la théorie floue aux choix de portefeuilles , [49, 51, 46, 8, 41, 52, 50]. D’autres chercheurs [32, 6, 23, 33], ont appliqué les algorithmes génétiques, PSO, les algorithmes hybrides pour la résolution du problème d’optimisation du portefeuille floue mono/multi-objective sous contraintes de cardinalité, coût de transaction et lots de transaction minimale.

1.2 Éléments de l’optimisation du portefeuille :

1.2.1 Un actif financier :

C’est un titre ou un contrat produisant à son propriétaire des revenus ou un gain en capital sur le marché financier. Cet actif produit une certaine prise de risques et peut être transmis ou négocié sur le marché. Il est considéré comme un placement et est comptabilisé dans le patrimoine de l’individu.

1.2.2 Un portefeuille :

C’est un ensemble d’actifs financiers détenus par un investisseur. Ces actifs peuvent provenir de différentes classes : actions, obligations, produits dérivés, matières premières, fonds, cash, etc. L’investisseur, pour diminuer son risque, procède souvent à une diversification de ses actifs. Ces derniers possèdent chacun une volatilité qui leur est propre et sont plus ou moins corrélés entre eux. La détention de plusieurs actifs différents tend donc, généralement, à diminuer la volatilité globale du portefeuille. Le degré de risque (nature des titres détenus, volatilité historique, diversification), le dynamisme de la stratégie (fréquence de réajustement de l’allocation) et le rendement obtenu sont des caractéristiques importantes, servant à comparer les portefeuilles boursiers entre eux.

1.2.3 Le rendement :

Le rendement d’un actif est une variable aléatoire et, le rendement d’un portefeuille est une combinaison linéaire pondérée des actifs qui le composent. Par conséquent, le rendement d’un portefeuille est également une variable aléatoire et possède une espérance et une variance.

Optimisation du portefeuille

9

1.2.4 Analyse du risque :

L’utilisation d’outils de mesure du risque est devenu systématique et les professionnels ont dé- veloppé des instruments très sophistiqués. Néanmoins, il existe bon nombre d’outils constituant la base de la gestion du risque, à la portée de tous les investisseurs et ayant démontré leur efficacité. Nous abordons ici les plus célèbres et utilisés d’entre eux :

La covariance et la variance :

La variance et la covariance sont deux des principales mesures utilisées pour mener à bien une étude. Ces deux instruments sont considérés comme la base de toute étude de risque qu’il faut connaître à tout prix avant même d’entreprendre de manipuler un portefeuille.

La variance

Selon la définition classique, la moyenne des carrés des écarts par rapport à la moyenne. En termes plus mathématiques elle peut être considérée comme une mesure servant à caractériser la dispersion d’une distribution ou d’un échantillon.

avec :

V (X) = E((X E(X)) 2 ) = n

i=1 (x i

¯

X)

2

n

- x i : le cours de l’actif x à l’instant i ;

¯

- X : moyenne du cours de l’actif x ;

- n : nombre de périodes.

Grossièrement on peut la voir comme la moyenne des carrés moins le carré des moyennes. Cette formule intègre des carrés dans le but d’éviter que les écarts positifs et les écarts négatifs par rapport à la moyenne ne s’annulent.

La dimension de cette mesure étant le carré de la dimension de la moyenne, on utilise plus souvent l’écart-type qui n’est rien d’autre que la racine de la variance.

Propriétés de la variance :

- Étant calculée comme l’espérance d’un nombre au carré, la variance est toujours posi- tive ou nulle,

- Si la variance est nulle, cela signifie que la moyenne des carrés des écarts par rapport à la moyenne est nulle et donc que la variable aléatoire est une constante,

- V (aX + b) = a 2 V (X);

- V (X + Y ) = V (X)+ V (Y );

Optimisation du portefeuille

10

- Plus la variance est proche de 0 cela signifie que les variable ne s’écartent pas énormément de sa moyenne et donc que les variations ne sont pas trop importantes. Ainsi on dit que la variance traduit la notion d’incertitude. Plus la variance est élevée et plus la variable est susceptible de s’éloigner de sa moyenne.

La covariance

La covariance est légèrement différente. Si la variance permet d’étudier les variations d’une variable par rapport à elle-même, la covariance va permettre d’étudier les variations simultanées de deux variables par rapport à leur moyenne respective.

La covariance peut être vue comme le produit des valeurs de deux variables moins le produit des deux moyennes. Mathématiquement, la formule est la suivante :

Cov(X, Y ) = 1

n

n

i=1

¯

¯

(x i X)(y i Y )

- x i : cours de l’actif x a l’instant i,

- y i : cours de l’actif y a l’instant i,

¯

- X : moyenne du cours de l’actif x,

¯

- Y : moyenne du cours de l’actif y,

- n : nombre de périodes.

Du résultat obtenu par cette mesure on en déduit que plus la covariance est faible et plus les séries sont indépendantes et inversement plus elle est élevée et plus les séries sont liées.

Une covariance nulle correspondant à deux variables totalement indépendantes.

La volatilité et l’écart-type :

La volatilité

Est par définition une mesure des amplitudes des variations du cours d’un actif financier. Ainsi, plus la volatilité d’un actif est élevée et plus l’investissement dans ce portefeuille sera consi- déré comme risqué et par conséquent plus l’espérance de gain (ou risque de perte) sera important.A l’inverse, un portefeuille sans risque ou très peu risqué aura une volatilité très faible.

La notion de volatilité concerne tous les horizons (court, moyen et long terme) et ne se soucis pas du sens du mouvement (seule l’amplitude des mouvements est pris en compte).

Optimisation du portefeuille

11

Optimisation du portefeuille 11 Figure 1.1 – Faible et forte volatilité. Alors que cette notion tient

Figure 1.1 – Faible et forte volatilité.

Alors que cette notion tient aujourd’hui une place primordiale dans l’étude des marchés, elle est également énormément utilisée pour diversifier les portefeuilles, gérer le risque, calculer les prix des options . Les périodes de forte volatilité se traduisent souvent par des cours relativement bas ce qui permet aux investisseurs d’anticiper une rentabilité plus élevée.

Calcul de l’écart type

Utilisé pour calculer la volatilité,l’écart type est relativement simple à comprendre et à ap- pliquer. Il s’obtient en calculant la racine carré de la variance. La variance étant calculée en faisant la moyenne des écarts à la moyenne, le tout au carré.

Ainsi après avoir récupéré l’historique des variations d’un actif, le calcul de l’écart type peut se décomposer en plusieurs étapes :

1. On calcule la moyenne des variations de cet actif sur la durée totale de l’historique,

2. Pour chaque période, on détermine la différence entre le cours de clôture et cette moyenne que l’on met au carré,

3. On somme tous ces résultats que l’on divise pas le nombre de périodes,

4. Enfin on calcule la racine carrée de la valeur obtenue à l’étape précédente.

Mathématiquement l’écart type se traduit par la formule suivante :

σ(X) = V (X) = n

i=1 (x i

¯

X)

2

n

X = n

¯

i=1 x i

n

Est la moyenne des variances.

avec :

- V : la variance ;

- x i : variation du cours a l’instant i ;

Optimisation du portefeuille

12

- n : le nombre totale des périodes.

Frontière efficiente :

La frontière qui caractérise le polygone ou la courbe des contraintes s’appelle dans cette situa- tion la "frontière efficiente de Markowitz" et dans le polygone/courbe se situent tous les portefeuilles à rejeter dits "portefeuilles dominés". Une autre manière de formuler ceci consiste à dire que les combinaisons (rendement, risque) de cette frontière forment un ensemble d’optima de Pareto, c’est-à-dire que si l’un des éléments augmente, l’autre doit augmenter aussi.

des éléments augmente, l’autre doit augmenter aussi. Figure 1.2 – Frontière Efficiente Chaque point sur la

Figure 1.2 – Frontière Efficiente

Chaque point sur la courbe bleue à partir du point rouge "Portefeuille à variance minimale" correspond à un portefeuille efficient ; c’est ce que l’on appelle la frontière d’efficience ou frontière de Markowitz. Si un portefeuille se trouve dans la zone hachurée, il n’est pas efficient car il existe :

1. un autre portefeuille apportant ce même niveau de rendement mais avec un risque plus faible,

2. un autre portefeuille apportant un rendement supérieur pour le niveau de risque considéré.

Chaque investisseur peut ensuite choisir n’importe quel portefeuille sur la demi-courbe bleue, en fonction du niveau de risque qu’il est prêt à supporter ou bien du rendement qu’il espère (maxi- misation de l’utilité de l’investisseur).

Optimisation du portefeuille

13

On va présenter en ce qui suit les modèles principaux de la gestion du portefeuille,qui sont le modèle de Markowitz, et le modèle de Sharpe.

1.3 La théorie modèrne du portefeuille (Modèle de Mar- kowitz) :

Même si le concept de gestion du portefeuille était utilisé bien avant le milieu du siècle dernier, la théorie du portefeuille est véritablement née au début des années cinquante à la suite des travaux de Markowitz qui peut être considéré comme le Père de la Théorie Moderne du Porte- feuille [34]. Avant lui, les investisseurs avaient comme objectif de maximiser le rendement de leur portefeuille, tout en sachant qu’il existait un risque. L’apport principal de Markowitz (1952) a été de modéliser le risque, mesuré par l’écart type des taux de rendement des titres, et de l’intégrer dans le choix des titres d’un portefeuille.

Celui-ci s’opère dans le cadre d’un marché parfait, c’est-à-dire sur base de certaines hypothèses concernant : la divisibilité des titres, l’absence de coût de transaction et de taxes, l’accès au prêt et à l’emprunt sans limites, au même taux et, sans aucune influence d’un investisseur sur les prix. Les principes fondamentaux de la constitution d’un portefeuille reposent donc constamment sur un arbitrage entre le risque de celui-ci et sa rentabilité. Tout investisseur rationnel se doit de choisir le portefeuille de risque minimum pour un niveau de rendement espéré.

Ce choix est lié au concept de la diversification qui consiste simplement pour un investisseur à ne pas investir tout dans un seul titre, mais à répartir ses investissements sur plusieurs titres, ce qui lui permet d’atteindre un meilleur rapport rendement/risque.

1.3.1 Principe du modèle de Markowitz :

En comparant deux portefeuilles par leurs rendements (supposés aléatoires), on retient :

– à risque identique, celui qui a l’espérance de rendement la plus élevée (gain maximal),

– à espérance de rendement identique, celui qui présente le risque le plus faible (aversion au risque). Ce principe conduit à éliminer un certain nombre de portefeuilles, moins efficients que d’autres.

La courbe qui relie l’ensemble des portefeuilles efficients s’appelle la frontière efficiente.

En dessous de cette courbe, tous les portefeuilles rejetés sont dits dominés.

Il est possible de diminuer le risque prévisionnel en diversifiant son portefeuille, si les actifs sont parfaitement corrélés, en supposant un grand nombre d’actifs financiers et toutes les combinaisons possibles, il est donc possible de calculer l’espérance et la variance du rendement prévisionnel d’un très grand nombre de portefeuilles.

Optimisation du portefeuille

14

Chaque portefeuille aura donc des caractéristiques d’espérance et de variance différentes, en fonction du choix des actifs, des pondérations et des corrélations entre les actifs. Il est alors pos- sible d’obtenir un graphique représentant le risque et le rendement de chaque portefeuille, et de déterminer une frontière d’efficience à partir des portefeuilles dominants/dominés.

1.3.2 Critères du choix d’un portefeuille optimal :

Structuration du modèle de gestion du portefeuille :

La structure fondamentale du modèle de gestion du portefeuille se différencie de la forme idéale de résolution d’un problème de décision dans l’incertitude.

– Les événements qui peuvent influencés la distribution de probabilité de return de chacun des

actifs financiers sur le marché (l’état de l’économie, du

etc.).

– La ligne d’action c’est-à-dire le budget d’investissement prédéterminé a alloué entre les dif- férents actifs financiers négociables i=1 n X i = 1 .

Si Xi est la part du budget consacrée à l’achat de l’actif i ( i = 1, 2,

, n ) chaque ligne d’action

peut être caractérisée par un vecteur X i répondant aux conditions suivantes :

0 < X i < 1

et

n

i=1

X i = 1

Optimisation du portefeuille

15

1.3.3 Hypothèses du modèle :

Les hypothèses relatives aux actifs financiers :

H.1 : " tout investissement est une décision prise dans une situation de risque ; le return d’un actif financier pour toute période future est par conséquent une variable aléatoire, dont on fait l’hypothèse qu’elle est distribuée selon une loi normale ".

C’est-à-dire une distribution symétrique stable entièrement définie par les deux paramètres :

- E(R i ) = µ : espérance mathématique de return.

- σ(R i ) = σ : écart-type de la distribution de probabilité du return.

Tel que le " return on investment " (ROI) " Return " c’est l’accroissement de la fortune initiale que l’investisseur cherche à maximiser.

Où :

r t =

(P t P t1 )+ C t

- r t = return de l’actif financier pour la période (se terminant au temps) t.

- P t = prix de marche au temps t de l’actif financier.

- C t = revenu liquide attaché à la détention de l’actif financier durant la période (se terminant au temps) t.

La distribution de probabilité du return est :

– Soit une distribution de probabilité objective, établie à partir des fréquences relatives des returns observés dans le passé.

– Soit une distribution de probabilité objective.

Ainsi, à partir de cette relation (du return) on peut déduire le taux de rentabilité de chaque action calculé comme suit :

R t = (P t P t1 )+ C t

P t1

H.2 : " Les returns des différents actifs financiers ne fluctuent pas indépendamment les uns des autres : ils sont corrélés ou, ce qui revient au même, ont des covariances non nulles ".

Les hypothèses relatives au comportement des investisseurs :

H.3 : " Le comportement de tous les investisseurs est caractérisé par un degré plus ou moins prononcé d’aversion vis-à-vis du risque. Ce dernier est mesuré par l’écart-type de la distribution de probabilité du return ".

H.4 : " Les investisseurs sont rationnels : bien que leur fonction de préférence soit purement subjective, ils opèrent, en référence à celle-ci, des choix strictement transitifs ".

Optimisation du portefeuille

16

H.5 : " Tous les investisseurs ont le même horizon de décision, qui comporte une seule période ".

A partir des 5 hypothèses, Markowitz propose un modèle de décision qui tient compte du caractère hautement combinatoire du portefeuille.

1.3.4 Présentation mathématique du modèle :

Soit R p le rendement du portefeuille compose de n actifs caractérisés par leur rendement

respectif R 1 ,R 2

dans la composition du portefeuille P .

R n . On suppose, en outre, que chaque actif i entre pour une proportion X i

En d’autres termes :

R p =

n

i=1

X i R i

E(R p ) = E(

n

X i R i ) =

n

i=1 i=1

n

n

X i E(R i )

V (R p ) =

i=1 j=1

R i R j cov(X i , X j )

Sélectionner un portefeuille revient à choisir celui qui :

- Maximise E(R p ).

- Minimise V (R p ) .

- Sous la contrainte que n

i=1 X i = 1

Il s’agit donc d’un problème de maximisation d’une fonction économique sous contrainte. Soit Z cette fonction économique :

Z = ΦE(R i ) V (R p )

Qui doit être maximisée sous la contrainte que : i=1 n X i = 1.

Φ est un paramètre qui représente le degré d’aversion au risque des investisseurs.

En d’autres termes, il s’agit du taux marginal de substitution du rendement et du risque qui exprime dans quelle mesure l’investisseur est d’accord pour supporter un risque accru en contre- partie d’un accroissement de son espérance de rendement.

En utilisant le Lagrangien de cette expression, le problème de maximisation sous contrainte consiste à déterminer le maximum de la fonction Z définie par :

Z = Φ

n

i=1

X i E(R i )

n

n

i=1 j=1

Cette fonction de n + 1 variables (X 1 , X 2 ,

X i X j cov(R i , R j ) + λ(1

n

i=1

X i )

, X n , λ) est maximisée si sa dérivée partielle par

rapport à chacune de ces variables est nulle, ce qui revient à poser le système suivant :

Optimisation du portefeuille

17

∂Z

∂X

1

∂Z

∂X

.

.

.

2

= ΦE(R 1 ) 2X 1 cov(R 1 , R 1 ) 2X 2 cov(R 1 , R 2 ) = ΦE(R 2 ) 2X 1 cov(R 2 , R 1 ) 2X 2 cov(R 2 , R 2 )

∂Z

∂X

∂Z

∂λ

n = ΦE(R n )