Académique Documents
Professionnel Documents
Culture Documents
Mémoire Présenté
Pour L’Obtention Du Diplôme De Master
En Recherche Opérationnelle
Option : Mathématique De Gestion (ROMAGE)
Mme 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
Ses commentaires, remarques et suggestions ont donné une autre dimension à ce travail.
Enfin, que toute personne qui d’une façon ou d’une autre, a contribué
gratitudes.
Je dédie ce travail,
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
Hanane
Je dédie ce travail,
À mes chers parents, pour leur soutien, sacrifices, et tous les efforts consentis pour mon éducation et ma
formation,
À ma deuxième famille : Khtiti, Didou Azedine, et mes petits chers Sarah, Lily et Sadek,
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 toute personne qui m’a aidée dans mon parcours, et m’a poussée à sortir le meilleur de moi-même,
Soumia
Table des matières
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 (P M O) : . . . . . . . . . . . . . . . . . . . 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
3.3 Problème multi-objectif en nombres entiers(M OILP ) : . . . . . . . . . . . . . . . 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 (M OILP ) : . . . . . . . . 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
3
Liste des Algorithmes
4 Méthode adaptée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4
Introduction générale
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
sociales de l’inflation...etc. On constate ainsi que l’optimisation multicritère n’est plus une option
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
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.
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.
Introduction
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
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.
1.2.2 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
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.
Pn
2 i=1 (xi − X̄)2
V (X) = E((X − E(X)) ) =
n
avec :
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.
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) = a2 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 :
n
1X
Cov(X, Y ) = (xi − X̄)(yi − Ȳ )
n i=1
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.
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
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.
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.
avec :
- V : la variance ;
- xi : variation du cours a l’instant i ;
Optimisation du portefeuille 12
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.
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,
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
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.
– 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
– 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 marché. . . etc.).
– La ligne d’action c’est-à-dire le budget d’investissement prédéterminé a alloué entre les dif-
férents actifs financiers négociables ni=1 Xi = 1 .
P
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 Xi répondant aux conditions suivantes :
n
X
0 < Xi < 1 et Xi = 1
i=1
Optimisation du portefeuille 15
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 :
Tel que le " return on investment " (ROI) " Return " c’est l’accroissement de la fortune initiale
que l’investisseur cherche à maximiser.
rt = (Pt − Pt−1 ) + Ct
Où :
– 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 :
(Pt − Pt−1 ) + Ct
Rt =
Pt−1
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 ".
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.
En d’autres termes :
n
X n
X
E(Rp ) = E( Xi R i ) = Xi E(Ri )
i=1 i=1
n X
X n
V (Rp ) = Ri Rj cov(Xi , Xj )
i=1 j=1
- Maximise E(Rp ).
- Minimise V (Rp ) .
Pn
- Sous la contrainte que i=1 Xi = 1
Il s’agit donc d’un problème de maximisation d’une fonction économique sous contrainte. Soit
Z cette fonction économique :
Z = ΦE(Ri ) − V (Rp )
Pn
Qui doit être maximisée sous la contrainte que : i=1 Xi = 1.
Cette fonction de n + 1 variables (X1 , X2 , ..., Xn , 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
∂X1
= ΦE(R1 ) − 2X1 cov(R1 , R1 ) − 2X2 cov(R1 , R2 ) − ... − 2Xn cov(R1 , Rn ) − λ = 0
∂Z
= ΦE(R2 ) − 2X1 cov(R2 , R1 ) − 2X2 cov(R2 , R2 ) − ... − 2Xn cov(R2 , Rn ) − λ = 0
∂X2
.
.
.
∂Z
= ΦE(Rn ) − 2X1 cov(Rn , R1 ) − 2X2 cov(Rn , R2 ) − ... − 2Xn cov(Rn , Rn ) − λ = 0
∂X
∂Z n
∂λ
= 1 − X1 − X2 − ... − Xn = 0
Dans ce cas, le système d’équations à résoudre peut se résumer sous la forme A.X = B.
Par conséquent : X = A−1 B.
Suite à cette difficulté plusieurs algorithmes ont été proposé afin de résoudre ce problème on
peut citer à titre d’exemple la méthode de Wolf (1959) ainsi que d’autres méthodes qui s’enra-
cinent de la méthode simplifier de sélection de portefeuille qui s’inscrit dans le cadre du modèle
de marché de Sharpe (1963) qu’on va détaillé en ce qui suit.
- Un bêta inférieur à 1 indique que si le marché est à la baisse, le titre sera susceptible de
baisser moins que le marché.
- Un bêta supérieur à 1 indiquera que si le marché est à la hausse, le titre sera susceptible de
suivre moins rapidement la tendance à la hausse.
Le concept de bêta ayant été introduit, passons maintenant à la théorie du modèle qui a pour
objectif donc de simplifier celui de Markowitz en utilisant ce fameux coefficient. Par définition,
le bêta global d’un portefeuille est déterminé à partir des bêta pondérés respectifs de chacun des
titres ou bêta sous-jacents qui le composent tel que :
n
X
βp = Xi βi
i=1
H.1 : les rendements des différentes valeurs sont exclusivement lie entre eux par une relation
avec un facteur de base sous-jacent, autrement dit que chaque valeur doit être estimée par un
seul facteur exogène, il s’agit du modèle uni factoriel ou modèle des indices. Le terme "unifac-
toriel" vient donc du fait qu’a la base le but du modèle de Sharpe est de définir le rendement
d’un placement financier en fonction de son risque non diversifiable, assimile au seul risque de
marche (ou risque systématique) donne par un nombre appelé "coefficient beta". Les investisseurs
et gestionnaires distinguent trois sortes de risques :
Le facteur risque est difficilement quantifiable. L’élément qui aidera à le déterminer est la
variation du rendement de l’actif financier par rapport à la variation du rendement du marché
dans sa globalité. Un actif financier dont le cours fluctue souvent et dont la volatilité est grande
présente donc certainement un risque élevé.
Rit = αi + βi I + εit
Optimisation du portefeuille 20
Avec :
H.2 : la corrélation entre les titres similaires est identique, et pour obtenir une bonne estima-
tion non biaisée des paramètres du modèle, le terme de l’erreur εit doit respecter les conditions
suivantes :
- Doit être d’espérance nulle, de variance constante et distribue selon une loi normale. On a :
- Terme d’erreur doit être indépendant du régresseur Rm , ce qui implique qu’aucun autre
facteur n’a une influence systématique sur Ri :
Cov(εit , Rit ) = 0
- Outre le modèle de marché suppose qu’il n’y a aucun lien entre les termes aléatoires d’une
régression à l’autre, c’est à dire entre paires de titres on a donc aussi : Cov(εit , εkt ) = 0.
n
X
Rp = Xi Ri
i=1
Et selon l’hypothèse posé par Sharpe : le rendement Ri de chaque actif i est lié linéairement à un
indice de marché noté I. En d’autres termes :
Ri = αi + βi I + εi
Où I et εi constituent des variables aléatoires qui présentent les propriétés suivantes :
- I est donc le rendement d’un indice économique donné (indice boursier, indice du produit
national brut, indice des prix ou voir même rendement le rendement du portefeuille du marché
lui-même...) au temps t et est la variable expliquée de la régression (selon la terminologie utilisée
dans le chapitre de Méthodes Numériques) considérée comme une variable aléatoire.
Optimisation du portefeuille 21
- αi , βi sont des estimateurs non biaisés des paramètres propres à cette valeur. Le premier
terme appelée en finance "coefficient alpha" est simplement l’ordonnée à l’origine de la régression
(le rendement de l’actif lorsque le rendement de l’indice de référence est nul soit lorsque le marché
à un rendement nul) et le deuxième paramètre est pour rappel simplement le bêta du portefeuille
risqué i.
- εi une variable aléatoire supposée caractérisée par une espérance nulle, une variance égale à
une constante et les différents εi sont supposés non corrélés entre eux (covariance nulle).
- E(εi ) = 0,
- V (εi ) = constante,
- Cov(εi , εi ) = 0,
- Risque micro : risque spécifique, relatif aux évènements spécifiques aux compagnies indi-
viduelles, risque diversifiable.
Dès lors :
" n n
# n n n
X X X X X
E(Rp ) = E Xi (αi + εi ) + Xi βi I = Xi E(εi ) + Xi E(αi ) + Xi βi E(αn+1 + vn+1 )
i=1 i=1 i=1 i=1 i=1
Soit :
n
X
Xn+1 = Xi βi
i=1
Optimisation du portefeuille 22
Dans ce cas, comme E(εi ) = 0. Si les rendements sont explicitement données et donc connus,
l’espérance se calculera avec :
n
X n
X n+1
X
E(Rp ) = Xi αi + 0 + Xn+1 E(αn+1 + vn+1 ) = Xi αi + 0 + Xn+1 αn+1 = Xi αi
i=1 i=1 i=1
Car E(vn+1 ) = 0.
Finalement on obtient :
n+1
X
E(Rp ) = Xi αi
i=1
Étant donné que maintenant supposons explicitement connus les rendements des actifs finan-
ciers du portefeuille et les rendements du portefeuille (indice) du marché nous avons :
" n n
# n n n
Xi2 V (αi ) + Xi2 V (εi ) + Xi2 βi2 V (αn+1 + vn+1 )
X X X X X
V (Rp ) = V Xi (αi + εi ) + Xi βi I =
i=1 i=1 i=1 i=1 i=1
Ici on peut déduire que le risque d’un portefeuille bien diversifié est constitué donc uniquement
du risque de marché.
∂Z
∂X1
= Φα1 − 2X1 Q1 − λ = 0
∂Z
= Φα2 − 2X2 Q2 − λ = 0
∂X2
..
.
∂Z
∂Xn
= Φαn − 2Xn Qn − λ = 0
∂Z
= Φαn+1 − 2Xn+1 Qn+1 − λ = 0
∂Xn+1
∂Z
= 1 − X1 − X 2 − . . . − X n = 0
∂λ
La résolution de ce système passe alors par l’inversion d’une matrice plus simple que celle du
modèle de Markowitz mais nécessite cependant des d’hypothèses relativement contraignantes.
Pour finir, signalons que les financiers utilisent souvent les indicateurs de rendement modéré
par le risque, le plus répandu au niveau international étant le "ratio de Sharpe". Il est déterminé
par le rapport entre le rendement (pour être plus exact il s’agit de son espérance) différentiel du
rendement d’un placement (actif) sans risque et le rendement du marché (appelé le "benchmark")
et la déviation standard du placement sans risque :
Rp − Rf
Sp =
σp
Relation qui exprime donc le niveau de rendement pur par unité de volatilité (ou par unité
de risque). Pour simplifier, c’est un indicateur de la rentabilité (marginale) obtenue par unité
de risque pris dans cette gestion. Il permet de répondre à la question suivante : le gestionnaire
parvient-il à obtenir un rendement supérieur au référentiel, mais avec davantage de risque ?
Optimisation du portefeuille 24
- Si le ratio est négatif, le portefeuille a moins performé que le référentiel et la situation est
très mauvaise.
- Si le ratio est compris entre 0 et 0.5, le sur-rendement du portefeuille considéré par rapport
au référentiel se fait pour une prise de risque trop élevée. Ou, le risque pris est trop élevé pour le
rendement obtenu.
Pn Pn Pn
i=1 Xi (αi + βi I + εi ) − i=1 Xi (αi + εi ) i=1 βi I
Sp = q =q .
V ar(Xi (αi + βi I + εi )) V ar(Xi (αi + βi I + εi ))
1.5 Modélisation :
Une proposition d’un modèle multi-objectif, pour résoudre les problèmes d’optimisation de
portefeuilles, est présentée par le problème suivant, noté (P ) :
”min” Z1 = xT σx
”max” Z2 = rT x
t.q Ax ≥ b,
(P )
Aeq x = beq ,
x ≥ 0,
xj ∈ N, ∀j ∈ J.
Tel que σ est une matrice symétrique, qui représente la variance (le risque). r ∈ Rn représente
le rendement. Quand aux contraintes linéaires Aeq x ≥ beq , elles peuvent représenter la satisfaction
des demandes. J est le nombre de variables de décision.
xj ∈ N , ∀j ∈ J. Cette contrainte est pour le cas où l’investisseur aura à choisir des lots discrets
d’actions dans un stock donné.
1.6 Conclusion :
Comme on a pu le voir, dans un modèle de gestion du portefeuille (Markowitz), l’un des
objectif est quadratique, donc on peut le résoudre avec l’une des méthodes de résolution des pro-
blèmes quadratiques existantes dans la littérature qu’on va citer dans ce qui suit.
2 Programmation Quadratique
2.1 Introduction :
U n programme non linéaire est beaucoup plus difficile à résoudre par rapport à un pro-
gramme linéaire, et la théorie du Simplexe ne peut être utilisée. Une solution optimale d’un
programme linéaire lorsqu’elle existe est un point extrême de l’ensemble des solutions réalisables.
Par contre une solution optimale d’un problème non linéaire peut être un point intérieur ou sur
la frontière de l’ensemble des solutions réalisables mais pas nécessairement un point extrême. La
principale difficulté de la programmation non linéaire est que l’on peut avoir des optimaux locaux
qui ne sont pas globaux. Cependant, il existe une classe de problèmes pour lesquels ce problème
ne se produit pas dans le sens que tous les optimums locaux sont des optimum globaux. Il s’agit
des problèmes convexes.
Les cas les plus fréquents de la programmation non linéaire convexe est la programmation
quadratique qui est une classe importante de programmation mathématique, de part sa vague
utilisation dans différents domaines comme la sélection de portefeuille [35].
Nous allons détailler dans ce qui suit, les différents outils pour résoudre ces types de pro-
grammes.
25
Programmation Quadratique 26
D’un point de vue géométrique, un convexe est donc un ensemble qui, lorsqu’il contient deux
points, contient nécessairement le segment les reliant.
Enveloppe convexe : L’enveloppe convexe d’un ensemble S ⊂ Rn ; est l’ensemble des points
de Rn qui s’écrivent comme combinaisons convexes des points de S.Elle est notée par :
p p
conv(S) = {x ∈n /x =
X X
λi xi , xi ∈ S, λi ≥ 0 i ∈ {1, ..., p} et λi = 1}
i=1 i=1
Polyèdre :
– Un polyèdre S est l’intersection d’un nombre fini de demi-espaces fermés et/ou d’hyperplans.
– Un polyèdre est un ensemble convexe fermé.
– Un polyèdre S est born ? s’il existe une valeur β finie et positive telle que :
Fonction convexe : La fonction f : S → R est dite convexe sur l’ensemble S non vide de Rn
si et seulement si :
Point extrême : Soit S un convexe non vide de Rn . x est dit point extrême ou sommet de S
si :
x = λx1 + (1 − λ)x2 ∀x1 , x2 ∈ S et λ ∈ ]0, 1[ alors x = x1 = x2 .
∀x, y ∈ S avec f (x) 6= f (y)∀λ ∈ ]0, 1[ on a f (λx + (1 − λ)y) < max{f (x), f (y)}
Fonction pseudoconvexe : Soit f une fonction différentiable sur S un ouvert non vide de
Rn . f est pseudoconvexe sur S si :
0
∀x, y ∈ S, (y − x) ∇f (x) ≥ 0 ⇒ f (y) ≥ f (x)
Proposition : Si f est convexe alors f est quasiconvexe. Si de plus f est différentiable alors
elle est pseudoconvexe.
min f (x)
(Pm ) sc
x ∈ S = {x ∈n |Ax ≤ b, x ≥ 0}
Minimum global : Une solution admissible x̄ est dite minimum global si et seulement si
f (x̄) ≤ f (x), ∀x ∈ S.
Minimum local : Une solution admissible x̄ est dite minimum local si et seulement si il existe
un voisinage V (x) de x tel que f (x̄) ≤ f (x), ∀x ∈ S ∩ V (x).
Conditions de Kuhn-Tucker :
Considérons le problème de minimisation (P ) :
min f (x)
(P ) sc
x∈S
Définition :
I(x) = {i ∈ {1, ..., m}|gi (x) = 0} : ensemble des indices des contraintes actives en x.
Z(x) = {z ∈ Rn |∃ᾱ > 0, (x + αz) ∈ S, 0 < α < ᾱ} : ensembles des directions admissibles en
x.
On a alors :
Lemme :
1. Pour que l’hypothèse de (QC) soit vérifiée en un point x0 de S il suffit que ∇gi (x0 ) pour
i ∈ I(x0 ) soient linéairement indépendants
2. Pour que l’hypothèse de (QC) soit vérifiée en tout point x ∈ S, il suffit que l’une des deux
conditions suivantes soit vérifiée :
(a) toutes les fonctions gi sont linéaires,
(b) toutes les fonctions gi sont pseudoconvexes et il existe x̄ ∈ Stel que gi (x̄) < 0; ∀i = 1, m
(cette condition est connue sous le nom de condition de Slater).
∇f (x∗ ) + m ∗
i=1 λi ∇gi (x ) = 0
P
∗
(KT ) λi gi (x ) = 0 i = 1, m
λi ≥ 0, i = 1, m
Une solution optimale d’un programme linéaire lorsqu’elle existe est un point extrême de
l’ensemble des solutions réalisables (polyèdre des solutions réalisables). Par contre une solution
optimale d’un problème quadratique peut être un point intérieur ou sur la frontière de l’ensemble
des solutions réalisables mais pas nécessairement un point extrême.
Programmation Quadratique 30
optimiser 12 xt Gx + g t x
(QP ) sc
S = {x ∈ Rn /Ax ≤ 0, x ≥ 0}
Lorsque la matrice G possède certaines propriétés, la fonction f peut prendre un nom particu-
lier. En effet, lorsque G est semi-définie (positive ou négative) le problème est appelé programme
quadratique semi-défini, sinon le problème est dit programme quadratique indéfini.
Si de plus, les variables sont astreintes à ne prendre que des valeurs entières, le programme
(QP ) est appelé programme quadratique en nombres entiers noté (IQP ).
min(max) f (x) = 21 xt Gx + g t x
(QPD ) sc
S = {x ∈ Rn /Ax ≤ b, x ≥ 0}
où G est une matrice réelle symétrique d’ordre n × n qui a la particularité d’être semi-définie
positive (resp négative), g et x deux vecteurs de Rn , A une matrice réelle d’ordre m × n et b un
vecteur de Rm . L’ensemble S est supposé borné non vide.
Théorème : Une forme quadratique semi-définie positive est une fonction convexe.
Comme la fonction f (x) est convexe, les contraintes sont linéaire alors, des conséquences pour
un problème de programmation quadratique (P QD ) peuvent être cités :
Conséquences :
La méthode ASM pour le cas linéaire est facile à appliquer par rapport au cas quadratique
puisque cela dépend du nombre de contraintes actives à l’optimum. D’après la théorie de la pro-
grammation linéaire, on sait à l’avance que la solution optimale correspond à un sommet du
polyèdre du domaine admissible, contrairement à un problème quadratique où la solution peut
être un sommet, une face ou un point de l’intérieur du polyèdre.
Toutes ces méthodes trouvent leur origine (historique) dans les travaux d’un élève du mathé-
maticien soviétique Andrei Kolmogorov : Dikin. C’est, en effet, à Dikin que l’on doit la méthode
des ellipsoides sur laquelle se fondent plus ou moins toutes les méthodes de points intérieurs.
Arkadi Nemirovski, David B. Yudin, Shor développent, en 1972, la méthode des ellipsoides pour
des problèmes d’optimisation (non linéaires) convexe. En 1979, Leonid Khachiyan démontre que
la méthode des ellipsoides, appliquée à la P L a une complexité, dans le pire des cas, polynomiale.
Cependant, l’algorithme qu’il propose est beaucoup plus lent que le simplexe. Cette approche, qui
s’étend de façon très élégante à des problèmes non linéaires convexes peut être considéré comme
l’idée germinale des méthodes de points intérieurs développées par la suite. Les algorithmes déve-
loppés par la suite ont été inspirés par l’Algorithme de Karmarkar, développé en 1984 par Narendra
Kamarkar [63] pour l’optimisation linéaire. L’idée de base de la méthode est d’utiliser des fonc-
tions barrières pour décrire l’ensemble des solutions qui est convexe par définition du problème.
A l’opposé de l’algorithme du simplexe, cette méthode atteint l’optimum du problème en passant
par l’intérieur de l’ensemble des solutions réalisables. Toutefois, on trouve quelques unes des plus
importantes contributions dans les travaux de Nesterov et Nemirovski [64], qui stipulent que la
Programmation Quadratique 32
méthode peut être appliquée sur d’autres classes de problèmes comme les problèmes quadratiques
convexes.
min 21 xt Gx + g t x
sc (QP’)
S = {x ∈ Rn /Ax = b, x ≥ 0}
Comme le problème (QP 0 ) est convexe alors les contraintes d’optimalité de (KT ) sont à la fois
nécessaires et suffisantes, formulées de cette manière :
x∗ est une solution optimale du problème (QP 0 ) si et seulement si il existe deux vecteurs
λ∗ ∈ Rm et γ ∗ ≥ 0, appartenant à Rn vérifiant les relations suivantes :
= Gx + g + At λ∗ − γ ∗ = 0 L1
∂L
∂x∗
∂L = Ax∗ − b = 0, x∗ ≥ 0 L2 (KT)
∂λ∗
∗t ∗
γ x = 0 L3
∗
λ ∈ Rm , γ ∗ ≥ 0
L4
Pour trouver une solution au système tel que (L3) soit vérifiée, il suffit d’obtenir une solution
réalisable de base du système linéaire {(L1 ), (L2 )}, tout en s’assurant que x∗j soit basique et γj∗ est
non basique, ou vice versa.
Pour appliquer la méthode du simplexe, il faut alors écrire le système {(L1 ), (L2 )} sous forme
standard, ce qui veut dire que le second membre doit être positif ou nul ainsi que le vecteur λ∗ ,
on peut dans ce cas écrire le vecteur λ∗ sous la forme suivante :
2.5 Conclusion :
Dans ce chapitre, nous nous somme intéressés aux problèmes de l’optimisation non linéaire à
savoir l’optimisation quadratique, nous avons présenté les notions de bases de ce type de problèmes,
et nous avons aussi, parcouru quelques méthodes consacrées aux programmes quadratiques.
3 Optimisation Multi-Objectif
Introduction
L ’optimisation multi-objectif trouve ses racines dans les travaux en économie de Ed-
geworth et de W.Pareto 1906 sur l’économie politique, dans lesquels l’apparition de l’optimum
multi-objectif.
La phrase "Optimisation multi-objectif" [5, 18], est synonyme avec "Optimisation multicritères"
ou "Optimisation multi performances", l’optimisation multi-objectif a été définie comme un pro-
blème de recherche d’un vecteur de variables de décisions qui satisfait les contraintes et optimise
un vecteur ayant comme éléments les fonctions objectifs [9] .Ces fonctions sont souvent en conflit,
d’où le terme "Optimise" veut dire trouver une solution qui puisse donner les valeurs de toutes les
fonctions objectifs acceptables au décideur [39].
34
Optimisation Multi-Objectif 35
Le point noir est dominé par chacun des triangles, domine chacun des étoiles et équivalents
aux anneaux aux sens de la dominance.
Optimisation Multi-Objectif 36
Dominance faible :
La solution Y = (y1 , . . . , ym ) domine faiblement une solution Z = (z1 , .., zm ) si :
- Z est au moins aussi bon que Y dans tous les objectifs, et,
1. fi (Y ) ≤ fi (Z), ∀i ∈ 1, ..., p .
Dominance forte :
La solution Y = (y1 , . . . , ym ) domine fortement une solution Z = (z1 , .., zm ) , (si Y domine
fortement Z , alors Y est meilleure que Z sur tous les critères) si et seulement si :
Notons que pour toute paire de solution Y et Z, une et seulement une des affirmations sui-
vantes est vraie :
1. Y domine Z.
2. Y est dominé par Z.
3. Y et Z sont équivalentes au sens de la dominance de Pareto.
Les solutions équivalentes au sens de la dominance sont appelée solutions équivalentes au sens
de Pareto ou solutions Pareto équivalentes ou, encore, solutions non-dominées.
- Efficacité :
Une solution x̄ ∈ S est dite solution efficace (ou Pareto optimale) si et seulement s’il n’existe
pas de solution x ∈ S telle que f (x) domine f (x̄).
Un point est efficace si son image par f est un vecteur critère non dominé. Une définition
équivalente de l’efficacité est :
Une solution x̄ ∈ S est dite solution efficace si et seulement s’il n’existe pas de solution x ∈ S
telle que
fi (x) ≥ fi (x̄), ∀ i ∈ {1, ..., r} et ∃ j ∈ {1, ..., r} avec fj (x) > fj (x̄).
A partir d’un point efficace, il est impossible d’augmenter la valeur d’un des critères sans di-
minuer la valeur d’au moins un autre critère.
Optimisation Multi-Objectif 37
Une solution x̄ ∈ S est dite solution faiblement efficace si et seulement s’il n’existe pas de
solution x ∈ S telle que :
fi (x) > fi (x̄), ∀ i ∈ {1, ..., r}.
Il est clair qu’une solution efficace est faiblement efficace, mais l’inverse est faux.
Points particuliers :
En vue d’avoir certains points de références permettant de discuter de l’intérêt des solutions
trouvées, des points particuliers ont été définis dans l’espace objectif. Ces solutions spéciales sont
souvent utilisées dans les algorithmes de l’optimisation multi-objectifs. Ces points peuvent repré-
senter des solutions réalisables ou non.
Point idéal :
Le point idéal z i est le vecteur qui optimise chacune des fonctions objectifs tel que :
Ce point ne correspond pas à une solution réalisable car si c’était le cas, cela sous-entendrait
que les objectifs ne sont pas contradictoires et qu’une solution optimisant un objectif , optimise
simultanément tous les autres, ce qui ramènerait le problème à un problème ayant une solution
Pareto optimale.
Point nadir :
A la différence du vecteur idéal qui représente les bornes inférieures de chaque objectif dans
l’espace faisable, le vecteur Nadir Z n correspond à leurs bornes supérieures sur la surface de Pareto
et non pas dans tout l’espace faisable. Ce vecteur sert à restreindre l’espace de recherche ; il est
utilisé dans certaines méthodes d’optimisation interactives.
Classement 1 :
Cette classification est essentiellement utilisée en recherche opérationnelle. Les décisions
étant considérées comme un compromis entre les objectifs et les choix spécifiques du décideur
(contrainte de coût, de temps . . . etc), un décideur choisit une méthode en fonction de l’aide
qu’elle va lui apporter.
Dans ces méthodes, l’utilisateur définit le compromis qu’il désire réaliser entre les objectifs
(il fait part de ses préférences) avant de lancer la méthode d’optimisation. Ainsi une seule exécution
permettra d’obtenir la solution recherchée. Cette approche est donc rapide, mais il faut cependant
prendre en compte le temps de modélisation du compromis et le possibilité pour le décideur de ne
pas être satisfait de la solution trouvée et de relancer la recherche avec un autre compromis.
On retrouve dans cette famille la plupart des méthodes par agrégation (ou les fonctions objectif
sont fusionnées en une seule).
Dans ces méthodes, il n’est plus nécessaire de modéliser les préférences du décideur, l’utili-
sateur choisit une solution de compromis en examinant toutes les solutions bien réparties extraites
par la méthode d’optimisation. Les méthodes de cette famille fournissant, à la fin de l’optimisa-
tion, une surface de compromis.
Dans ces méthodes, l’utilisateur affine son choix de compromis au fur et à mesure du dé-
roulement de l’optimisation, le décideur intervient dans le processus de recherche de solutions
en répondant à différentes questions afin d’orienter la recherche. Cette approche permet donc de
bien prendre en compte les préférences du décideur, mais nécessite sa présence tout au long du
processus de recherche. On retrouve dans cette famille les méthodes interactives.
Il existe des méthodes d’optimisation multi-objectif qui n’entrent pas exclusivement dans une
famille. Par exemple, on peut utiliser une méthode à préférence a priori en lui fournissant des
préférences choisies au hasard. Le résultat sera alors un grand nombre de solutions qui seront
présentées à l’utilisateur pour qu’il décide de la solution de compromis. Cette combinaison forme
alors une méthode à préférence a posteriori [10].
Optimisation Multi-Objectif 39
Classement 2 :
Ce classement adopte un point de vue plus théorique, articulé autour des notions d’agrégation
et l’optimum de Pareto.
(b) Les méthodes fondées sur Pareto : ces méthodes sont fondées sur la notion de
dominance au sens de Pareto, qui privilégie une recherche satisfaisant au mieux tous les objectifs.
(c) Les méthodes non agrégées et non Pareto : certaines méthodes n’utilisent
aucun des deux concepts précédents. Alors que l’agrégation ou l’utilisation de la dominance de
Pareto traitent les objectifs simultanément, en générale, les méthodes dites non agrégées et non
Pareto possèdent un processus de recherche qui traitent séparément les objectifs.
Classement 3 :
Les méthodes d’optimisation multi-objectif sont classées selon les principes mathématiques.
Quelques auteurs les classifient en cinq groupes :
Dans notre travail on s’intéresse au classement le plus connu qui les classifient en deux grandes
parties selon les résultats fournis en utilisant ses méthodes, on va développer quelques méthodes
des deux types.
Cette approche du résolution des problèmes d’optimisation multi-objectif est la plus évidente.
D’ailleurs, on appelle aussi cette méthode" l’approche naïve" de l’optimisation multi-objectif [27].
Le but, ici, est de revenir à un problème d’optimisation mono-objectif, pour lequel existent de
nombreuses méthodes de résolution. La manière la plus simple de procéder consiste à prendre
chacune des fonctions objectifs, à leur appliquer un coefficient de pondération et à faire la somme
pondérée des fonctions objectif. On obtient alors une nouvelle fonction objectif [10].
Minimiserfeq (→
−
x ) = ki=1 ωi fi (→
−
P
x)
→
− →
−
et que g ( x ) ≤ 0 (P)
→
− −
avec h (→
x)=0
Cette méthode n’est applicable qu’à des ensembles S convexes. Dans le cas contraire, elle ne
permet pas de trouver la totalité de la surface de compromis.
On appelle aussi cette méthode la méthode de la ε-contrainte [37]. Le problème peut être re-
formulé de la manière suivante [4].
Minimiserfi (→ −
x)
→
−
T el que f1 ( x ) ≤ ε1
..
.
fi−1 (→
−
x ) ≤ ε1−1
→
−
fi+1 ( x ) ≤ ε1+1
..
.
fm (→
−
x ) ≤ εm
→
− →
−
et que gi ( x ) ≤ 0
→
− −
avec →−
x ∈ Rn , f (→ x ) ∈ Rm , →
−
g (→
−
x ) ∈ Rq .
L’approche par ε-contrainte doit aussi être appliquée plusieurs fois en faisant varier le vecteur
→
−
ε pour trouver un ensemble de points Pareto optimaux.
Cette approche a l’avantage par rapport aux autres de ne pas être trompée par les problèmes
non convexes. En transformant des fonctions objectifs en contraintes, elle diminue la zone réali-
sable par paliers. Ensuite, le processus d’optimisation trouve le point optimal sur l’objectif restant,
la relative simplicité de l’énoncé de la méthode l’a rendue populaire.
L’inconvénient de cette approche réside dans le fait qu’il faille lancer un grand nombre de
fois le processus de résolution. elle est gourmande en temps de calcul et la programmation de
l’algorithme peut être extrêmement difficile s’il y a trop de fonctions contraintes.
Optimisation Multi-Objectif 41
Il est possible d’exploiter plusieurs méthodes pour en former une nouvelle. Dans ce cas, nous
obtenons une "Méthode Hybride". La méthode hybride la plus connue est la méthode de Corley.
Cette méthode utilise la méthode de pondération des fonctions objectifs et la méthode du com-
promis. On part du problème P . On le transforme de la manière suivante :
Minimiser ki=1 ωi fi (→
−
P
x)
avec fi (→
−
x ) ≤ εj , j ∈ {1, ..., k}.
→
−g (→
−x)≤0
→
− → −
h(x)=0
Cette méthode permet de combiner les avantages des deux méthodes citées précédemment (la
méthode de pondération des fonctions objectif et la méthode du compromis). Elle est ainsi efficace
sur différents types de problèmes, qu’ils soient convexes ou non convexes. Cependant, une difficulté
survient : le nombre de paramètres à déterminer a été multiplié par deux. Il sera beaucoup plus
difficile à l’utilisateur d’exprimer sa préférence en jouant sur l’ensemble des paramètres.
Cette méthode est proche de la méthode de but à atteinte. La différence principale est que,
aprés avoir transformé le problème d’optimisation, nous avons des contraintes d’égalité au lieu des
contraintes d’inégalité. Cette approche est la suivante [10] :
→
−
- Nous choisissons un vecteur initial des fonctions objectif F .
−
- A chaque objectif, nous associons deux nouvelles variables d+ i et di liées au vecteur
initial des fonctions objectif que nous avons choisi.
- Nous minimisons une des deux variables.
Minimiser d+ +
1 ou d1 , ..., dk ou dk
Avec fi (→
−
−
x ) = Fi + d+ i − di , i ∈ {1, ..., k}.
→
− →
−
g(x)≤0
→
− →
h (−
x)=0
Les variables de déviation que l’on cherche à minimiser doivent respecter certaines contraintes :
- d+
i et di ≥ 0
- d+
i .di = 0, i ∈ {1, ..., k}.
La méthode du but programmé, semblable à la méthode du but à atteindre, soulève les mêmes
critiques. Dans certains cas, on peut "rater" des solutions cachées dans des concavités.
Optimisation Multi-Objectif 42
Cette méthode est interactive. Ici, les informations sur la préférence de l’utilisateur permettent
de restreindre l’espace de recherche étape par étape. On transforme le problème p de la manière
suivante :
Minimiser β
h→
− → →
− it −
f (−
x)− Y →
Avec ω <β
→
− →
−
g(x)≤0
→
− →
h (−
x)=0
→
− → →
−
−
f (x)≤ Y
→
−
Où le vecteur Y correspond à un vecteur de bornes supérieures servant à restreindre l’espace
de recherche. Le vecteur →
−
ω est l’ensemble des coefficients de pondération.
Les métaheuristiques, sont des méthodes générales de recherche dédiées aux problèmes d’opti-
misation difficiles [42]. Ces méthodes sont, en général, présentées sous la forme de concept d’ins-
piration, elles reprennent des idées que l’on retrouve parfois dans la vie courante. Ces méthodes
ont des inspirations de l’´ethologie comme les colonies de fourmis, de la physique comme le recuit
simulé, et de la biologie comme les algorithmes évolutionnaires.
Ce type de méthodes est particulièrement utile pour les problèmes nécessitant une solution en
temps réel (ou très court) ou pour résoudre des problèmes difficiles sur des instances numériques
de grande taille. Elles peuvent aussi être utilisées afin d’initialiser une méthode exacte (Branch
and Bound par exemple).
De plus, l’hybridation de différentes métaheuristiques est une pratique de plus en plus courante
permettant d’obtenir des heuristiques performantes [13].
Une métaheuristique est donc une méthode très générale, qui nécessite quelques transforma-
tions (mineure en générale) avant de pouvoir être appliquée à la résolution d’un problème parti-
culier.
Optimisation Multi-Objectif 43
Cette méthode de recherche a été proposée par les chercheurs qui étudiaient les verres de
spin. Ici, on utilise un processus métallurgique (le recuit) pour trouver un minimum. En effet,
pour qu’un métal retrouve une structure proche du cristal parfait (l’état cristallin correspond au
minimum d’énergie de la structure atomique du métal), on porte celui-ci à une température élevée,
puis on le laisse refroidir lentement de manière à ce que les atomes aient le temps de s’ordonner
régulièrement.
Ce processus métallurgique a été transposé à l’optimisation et a donné une méthode simple et
efficace. Le fonctionnement de cet algorithme est le suivant :
Au début de la simulation, les points ont une grande capacité d’exploration de l’espace d’état
car l’algorithme accepte des déplacements très importants. Au fur à mesure que T diminue P
augmente, la capacité de déplacement d’un point diminue et les points améliorant leur valeur sont
de plus en plus nombreux, la chance d’une solution négative d’être acceptée diminue. Quand T
est proche de zéro, seuls les points dont les valeurs sont améliorées seront acceptés. A la fin il y a
une probabilité nulle que n’importe quel changement négatif de température peut être réalisé. A
ce point de "refroidissement", le système doit converger vers la solution optimale.
Cette méthode, mise au point par Fred GLOVER [21] est conçue en vue de surmonter les mi-
nima locaux de la fonction objectif. C’est une technique d’optimisation combinatoire que certains
présentent comme une alternative au recuit simulé.
A partir d’une configuration initiale quelconque, Tabou engendre une succession de configura-
tions qui doivent aboutir à la configuration optimale. A chaque itération, le mécanisme de passage
d’une configuration −→, à la suivante −
x n x−→
n+1 , est le suivant :
Optimisation Multi-Objectif 44
Cependant, telle qu’elle est la procédure ne fonctionne généralement pas, car il y a un risque
important de retourner à une configuration déjà retenue lors d’une itération précédente, ce qui
provoque l’apparition d’un cycle. Pour éviter ce phénomène, on met à jour, à chaque itération, une
liste tabou de mouvements interdits ; cette liste qui a donné son nom à la méthode contient les
mouvements inverses (−x− → −
→ −
→ −−→
n+1 −→ xn ) des m derniers mouvements (xn −→ xn+1 ) effectues (typique-
−
→
ment m = 7). La recherche du successeur de la configuration courante xn est alors restreinte aux
voisins de −
→ qui peuvent être atteints sans utiliser un mouvement de la liste tabou. La procédure
x n
peut être stoppée dés que l’on effectue un nombre donné d’itérations, sans améliorer l’actuelle
meilleure solution.
3.Colonie de fourmis :
La recherche guidée par Marco Dorigo [17] produit un nouveau membre de cette classe d’algo-
rithmes : l’algorithme de "système de fourmis" Le point de départ de cet algorithme se base sur
l’observation des fourmis qui construisent des chemins entre une source de nourriture et leur nid.
Les fourmis sont capables de déposer sur le sol une certaine quantité d’une substance chimique
volatile (phéromone) qu’elles peuvent détecter ensuite. Les fourmis se déplacent au hasard, dans
ce cas, on peut dire qu’elles sont aveugles, mais sont attirées par les chemins de phéromone déposé
par d’autres fourmis. Ainsi, plus les fourmis empruntent un chemin, plus il y aura des fourmis
attirées par cet itinéraire.
Les algorithmes génétiques (AGs) ont été introduits par Holland [28] comme un modèle de
méthode adaptative. Ils s’appuient sur un codage de l’information sous forme de chaînes binaires
de longueur fixe et d’un ensemble d’opérateurs génétiques : la sélection, la mutation, le croise-
ment,...,Etc.Un individu sous ce codage, appelé un chromosome, représente une configuration du
problème [4].
L’évaluation de cet individu consiste à transformer la chaine 0/1 du chromosome en une valeur
réelle, appelée valeur d’adaptation. La fonction d’évaluation dépend principalement de l’objectif
du problème. Si cette fonction est uniquement basée sur la fonction objectif du problème, on
utilisera le terme de fonction de cout pour la désigner.
La valeur d’adaptation obtenue pour chaque chromosome lors de l’évaluation est utilisée, no-
tamment lors des opérations de sélection, pour choisir les individus amener à se reproduire par des
croisements ou à être utilisés par d’autres opérateurs génétiques. Le croisement permet de pro-
duire deux nouveaux individus, appelés les enfants, à partir de deux individus, appelés les parents.
La mutation consiste à changer la valeur de certaines variables du chromosome. Les variables à
Optimisation Multi-Objectif 45
La solution x∗ est optimale au sens de Pareto si et seulement si x∗ est une solution optimale
du problème paramétrique (Pλ ) où Λ = {λi : ri=1 λi ≥ 0, ∀i ∈ {1, ..., r}}
P
D’après ce théorème, l’ensemble des solutions efficaces du problème (PR ) sans les contraintes
d’intégrité est bien caractérisé par les solutions du problème paramétrique (Pλ ). Ces solutions se
trouvent sur la frontière de S, elles sont appelées solutions supportées.
Différemment du cas continu, la difficulté principale rencontrée lorsqu’on traite les problèmes
multi-objectif à variables discrètes est l’existence de solutions efficaces pour (P ) qui ne sont pas
optimales pour (Pλ ) et ce en raison de la non-convexité du domaine réalisable, ces solutions ef-
ficaces sont dites solutions non supportées (le front Pareto de (P ) est l’union de l’ensemble des
solutions supportées et de l’ensemble des solutions non supportées de (P )).
Il faut noter cependant que, si un problème d’optimisation combinatoire est facile à résoudre,
il n’est pas de même pour sa version multi-objectif.
Dans le paragraphe suivant, nous donnons un bref aperçu sur des méthodes générales pour
la résolution d’un M OILP . Rappelons que la résolution d’un problème multi-objectif consiste
à déterminer soit l’ensemble des solutions efficaces dans l’espace des décisions noté Ef f , soit
l’ensemble des solutions non dominées dans l’espace des critères noté SN D. Dans la littérature,
Optimisation Multi-Objectif 47
l’accent est mis sur la recherche de l’ensemble des solutions non dominées compte tenu de son
cardinal qui est généralement moins important que celui des solutions efficaces ; plusieurs solutions
efficaces pouvant donner lieu à un même vecteur non dominé. Il arrive que deux solutions efficaces
différentes dans l’espace de décisions ont exactement les mêmes valeurs pour tous les objectifs. Si
on garde les deux solutions dans Ef f , on parle alors de l’ensemble complet, sinon c’est juste un
ensemble minimal.
La technique proposée par D.Klein & E.Hannan [29] peut être utilisée aussi bien pour identi-
fier l’ensemble de toutes les solutions efficaces que pour en caractériser une partie seulement. Elle
consiste à résoudre progressivement une séquence de programmes linéaires unicritère en nombres
entiers avec des contraintes ajoutées à chaque étape. Les contraintes supplémentaires éliminent les
solutions efficaces déjà trouvées, et font en sorte que les nouvelles solutions générées soient efficaces.
(P1 ) : max{Zi = ci , x ∈ D}
Si la solution optimale de (P1 ), soit x1 , est unique, Alors elle est efficace pour (P ). Sinon,
déterminer toutes les solutions alternatives et à x1 et par comparaison deux à deux des
vecteurs critères associés, garder uniquement celles qui sont efficaces pour construire
l’ensemble Ef f (P1 ) des solutions efficaces générées à l’étape 1.
Étape générale j : A l’étape j, on résout le problème (Pj ) qui est définit comme suit :
max Zi = ci x
sc
(Pj ) x∈D !
Tq Sr
ci x ≥ ci y l + f i
l=1
i=1
i6=s
La méthode développée par Crema et Sylva [11] est une variante de celle de Klein et Hannan
étudiée précédemment. Son principe repose sur la résolution d’une succession de programmes li-
néaires en nombres entiers optimisant à chaque étape une combinaison positive des critères. Un
ensemble de contraintes est rajouté à chaque fois assurant la détection d’une nouvelle solution
efficace. A la fin, la méthode fournit l’ensemble de toutes les solutions non dominées du problème
de programmation linéaire discrète à objectifs multiples.
Les auteurs considèrent que les données du problème (P ) sont entières, aussi bien la matrice
des contraintes A, le vecteur second membre b que les coefficients cij de tous les critères.
Pour fi = 1, ∀i = 1, ..., r, la méthode génère toutes les solutions non dominées. Lorsque fi > 1 ;
elle prend une valeur permettant d’atteindre la valeur minimale souhaitait par le décideur pour le
ième critère. Dans ce cas, seul un sous ensemble de solutions non dominées est trouvé.
Optimisation Multi-Objectif 50
Cette méthode a été proposée par M. Abbas & M. Moulai [1] pour la détermination de toutes
les solutions efficaces du problème de programmation linéaire multi-objectif en nombres entiers.
Elle peut être vue comme une alternative à celle de Gupta & Malhotra [24] (première procédure)
, où les auteurs ont proposé un autre test d’arrêt permettant à l’algorithme de fournir toutes les
solutions efficaces.
On considère le problème :
(P1 ) : max{Z1 = c1 , x ∈ D}
dont le problème relaxé est :
(P1 ) : max{Z1 = c1 , x ∈ S}
avec S = {x ∈ Rn |Ax ≤ b, x ≥ 0}.
Pour les besoins de la description de la méthode, on définit les paramètres suivants pour k ≤ 1 :
et éventuellement des coupes successives de Gomory, avec jk−1 un indice hors base quel-
conque.
– xk : la k ième solution optimale entière du problème (P1 ) obtenue sur Sk .
– Bk : une base de Sk .
– Nk : ensemble des indices des variables hors base hors base de xk .
– Abk = (ABk )−1 Ak .
– Cbk = (Ck ) − πk Ak avec πk = (CBk )(ABk )−1 .
– Γk = {j ∈ Nk |(cc1k )j < 0 et (cbik )j > 0 pour au moins un critère i, i = 2, r}.
– Ωk = {j ∈ Nk |(cc1k )j = 0}.
– Ψk = {j ∈ Nk |(cc1k )j < 0 et (cbik )j < 0 pour au moins un critère i, i = 2, r}.
( )
xki
où 0 ≤ θjk ≤ θ = mini∈Bk jk |abjlig(i)
k
k
>0 .
alig(i)
b
k
Les points entiers se trouvant sur l’arête Ejk sont identifiés de telle sorte que θjk soit entier et
θjk × abjlig(i)
k
k
entier ∀i ∈ Bk .
Remarque : Si x0 , solution optimale du problème (P1 ), n’est pas unique alors il existe une
autre solution x1 6= x0 tel que Z1 (x1 ) = Z1 (x0 ). On dit alors que x1 est une solution optimale
Optimisation Multi-Objectif 51
alternative de x0 .
On note par nbjk le nombre de solutions entières se trouvant sur l’arête Ejk y compris xk .
Notons par SN D(P ) l’ensemble des solutions potentiellement non dominées générées jusqu’à
l’étape k, k ≥ 1.
(P1 ) : max{Z1 = c1 , x ∈ D}
Étape k : (k ≥ 3) Choisir un indice jk−1 ∈ Γk−1 , déterminer toutes les solutions entières
q
yk−1 , q = 2, nbjk−1 alternatives à xk−1 se trouvant sur l’arête E jk−1 , lorsqu’elles existent et mettre
à jour l’ensemble SN D(P ).
Tronquer l’arête E jk−1 par la coupe :
X
xj ≥ 1.
j∈Nk−1 \{jk−1 }
et chercher de nouveau une solution entière dans la région tronquée Sk , soit xk . Mettre à jour
l’ensemble SN D(P ).
Après application de la méthode dual du simplexe et éventuellement, des coupes successives de
Gomory, la solution optimale entière obtenue sur la région Sk sera xk . Ceci marque le début de
l’étape k + 1.
Étape finale : Le processus se termine quand l’impossibilité de l’opération pivot de la
méthode dual du simplexe apparaît, indiquant que la région courante ne contient aucun point
entier et que l’ensemble des solutions efficaces est complètement déterminé.
3.5 Conclusion :
Nous avons présenté dans ce chapitre, les principaux concepts de l’optimisation multiob-
jectif, tels que la modélisation d’un problème multi-objectif, la notion de la dominance de Pareto
et la structure de la surface de compromis. Une classification des méthodes de résolution a été
introduite tout en essayant de présenter plusieurs approches utilisées pour aborder les problèmes
de l’optimisation multi-objectif, ces méthodes sont passées en revue et les avantages et les incon-
vénients de chacune sont mentionnées. Nous nous sommes astreints à cerner le cadre de notre
étude à l’optimisation "à posteriori" (cherchant à générer l’ensemble du front Pareto) à l’aide de
méthodes exactes.
4 Résolution et Implémentation
4.1 Introduction :
D ans ce chapitre, nous allons présenter la méthode de résolution exacte adaptée à notre
problème, et l’implémenter par la suite en utilisant le langage de programmation MATLAB, et en
dernier on discute les résultats avec un exemple d’application.
Chaque séquence de programme mono-objectif, sera résolue en utilisant une des méthodes
de résolution des problèmes quadratiques, présentées dans la section 2.4, avec une stratégie de
séparation-évaluation, en utilisant l’algorithme de Branch and Bound [43], pour assurer l’intégrité
des variables de décisions.
53
Résolution et Implémentation 54
Dans ce modèle la fonction objectif est quadratique, pour cela la résolution est faite par
l’une des méthodes de résolution quadratique 2.4.
Étape j : A l’étape j, on résout le problème (Pj ) qui est définit comme suit :
M in Z1 = xT σx
(Pj ) t.q x ∈ D,
T
r x ≥ M + f.
Avec :
.
Mise à jour de l’ensemble des solutions efficaces Ef f
j = j + 1 ; aller à l’étape j ;
L’algorithme a été mis en œuvre sous le language de programmation Matlab R2013a. L’ap-
plication à été déployée sur une machine équipé d’un processus IntelCore i5 − 3230M CP U ,
2.60GHZ et 4Go de mémoire.
- UpdateEff : Pour la mise à jour de l’ensemble des solutions efficaces, en utilisant la défi-
nition de l’efficacité.
Nous avons testé les algorithmes sur des instances générées aléatoirement suivant une loi uni-
forme à l’aide de la fonction redéfinie en Matlab Randi([vmin ; vmax ], n, m) qui renvoie une n×m ma-
trice à coefficient entiers indépendamment uniformément distribuées dans l’intervalle [vmin ; vmax ].
Pour chaque instance (n, m) une séquence de 5 problèmes a été résolue par l’algorithme pro-
posé, les résultats de l’experience sont présentés dans le tableau suivant, tel que :
A=[1 2 2 ; 2 4 2 ; 1 1 1] ;
Aeq = [];
beq = [];
6
Résolution et Implémentation 58
Eff =
0 0 0
1 0 0
2 1 0
1 1 1
0 1 2
0 2 1
VND =
0. 0
0.0100 0.1000
0.0400 0.4000
0.1040 0.4500
0.2480 0.5000
0.3500 0.5500
- Les résultats fournis par l’exécution de la méthode adaptée, prouvent son efficacité, l’algo-
rithme converge en un temps très acceptable, et on a une multitude de solutions efficaces.
- Le modèle qu’on propose dans ce travail donne plus de choix au décideur, le décideur aura
à choisir son portefeuille directement parmi les solutions efficaces.
Conclusion générale
Dans ce travail, nous avons étudié le problème d’optimisation de portefeuille, coté théorie
et pratique, sous un aspect multi-objectif quadratique. Cela nous a conduits à faire une étude de
l’optimisation multi-objectif, et de même l’optimisation quadratique pour fournir aux décideurs
une bonne politique de gestion prudentielle, permet d’assurer le rendement optimal du portefeuille
et de réduire les risques financiers.
Dans le premier chapitre nous avons commencé par quelques définitions de base et concepts
nécessaires de la gestion de portefeuille, on a cité la théorie moderne de Markowitz et le modèle
simplifié de Sharpe, puis, dans le deuxième chapitre, c’est les concepts de la programmation qua-
dratique ainsi que les méthodes de résolution associées, dans le troisième chapitre une présentation
de notions de base de l’optimisation multi-objectif, et de quelques méthodes de résolution exactes
et approchées.
Enfin dans le dernier chapitre, on a présenté une méthode de résolution exacte adaptée pour
notre problème (bi-objectif quadratique), on l’a implémenté sous le langage de programmation
Matlab. D’après les résultats obtenus, on déduit que notre méthode de résolution est efficace et
fournit les meilleurs résultats et donne plus de choix aux décideurs.
Comme perspectives :
– Faire coopérer quelques méthodes exactes entre elles, afin de profiter aux mieux les qualités
de chacune d’elle.
60
Bibliographie
[1] M. Abbas et M. Moulaï. “Solving multiple objective integer linear programming”. Dans :
Journal of the Italian Operations Research Society - Ricerca Operativa Volume 29.89 (1999),
p. 15–38.
[2] K. P. Anagnostopoulos et G. Mamanis. “A portfolio optimization model with three
objectives and discrete variables”. Dans : Computers Operations Research Volume 37.7
(July. 2010), p. 1285–1297. doi : 10.1016/j.cor.2009.09.009.
[3] S. Babaei, M. M. Sepehri et E. Babaei. “Multi-objective portfolio optimization consi-
dering the dependence structure of asset returns”. Dans : European Journal of Operational
Research Volume 244.2 (July. 2015), p. 525–539. doi : 10.1016/j.ejor.2015.01.025.
[4] V. Barichard. Approches hybrides pour les problèmes multi-objectifs. 2, Bd Lavoisier, 49045
Angers Cedex 01 : École Doctorale d’Angers, Novembre 2003.
[5] H.P. Benson. “Optimization over the efficient set”. Dans : Journal of Mathematical Analysis
and Applications Volume 98.2 (February. 1984), p. 562–580. doi : 10.1016/0022-247X(84)
90269-5.
[6] J. D. Bermúdez, J. V. Sergura et E. Vercher. “A multi-objective genetic algorithm for
cardinality constrained fuzzy portfolio selection”. Dans : Fuzzy Sets and Systems Volume
188.1 (February. 2012), p. 16–26. doi : 10.1016/j.fss.2011.05.013.
[7] C. Carlsson, R. Fuller et P. Majlender. “A possibilistic approach to selecting port-
folios with highest utility score”. Dans : Fuzzy Sets and Systems Volume 131.1 (October.
2002), p. 13–21. doi : 10.1016/S0165-0114(01)00251-2.
[8] W. Chen, Y. Yang et H. Ma. “Fuzzy Portfolio Selection Problem with Different Borrowing
and Lending Rates”. Dans : Mathematical Problems in Engineering Volume 2011 (July.
2011), p. 15. doi : 10.1155/2011/263240.
[9] C.A.C. Coello et R.L. Becerra. “Evolutionary Multiobjective Optimization using a
Cultural Algorithm”. Dans : Swarm Intelligence Symposium, 2003. SIS ’03. Proceedings
of the 2003 IEEE (April. 2003), p. 6–13. doi : 10.1109/SIS.2003.1202240.
[10] Y. Collette et P. Siarry. Multiobjective Optimization. Cranfield Bedford MK43 0AL
UK : Springer, 2003.
[11] A. Crema et J. Sylva. “A method for finding the set of nondominated vectors for multiple
objective integer linear programs”. Dans : European Journal of Operational Research Volume
158.1 (October. February. 2004), p. 46–55. doi : 10.1016/S0377-2217(03)00255-8.
[12] T. Cura. “Particle swarm optimization approach to portfolio optimization”. Dans : Non-
linear Analysis : Real World Applications Volume 10.4 (August 2009), p. 2396–2406. doi :
10.1016/j.nonrwa.2008.04.023.
[13] X. Delorme. Modélisation et résolution de problèmes liés à l’exploitation d’infrastructures.
Université de Valenciennes et du Hainaut-Cambrésis, 2003.
61
BIBLIOGRAPHIE 62
[14] G. F. Deng et W. T. Lin. “Ant Colony Optimization for Markowitz Mean-Variance Port-
folio Model”. Dans : Panigrahi B.K., Das S., Suganthan P.N., Dash S.S. (eds) Swarm,
Evolutionary, and Memetic Computing Volume 6466 (December. 2010), p. 238–245. doi :
10.1007/978-3-642-17563-3_29.
[15] L. Diosan. “A multi-objective evolutionary approach to the portfolio optimization pro-
blem”. Dans : Computational Intelligence for Modelling, Control and Automation, 2005
and International Conference on Intelligent Agents, Web Technologies and Internet Com-
merce, International Conference on (2005) Volume 2 (November. 2005), p. 183–187. doi :
10.1109/CIMCA.2005.1631465.
[16] K. Doerner et al. “Pareto Ant Colony Optimization : A Metaheuristic Approach to Mul-
tiobjective Portfolio Selection”. Dans : Annals of Operations Research Volume 131.1 (Octo-
ber. 2004), p. 79–99. doi : 10.1023/B:ANOR.0000039513.99038.c6.
[17] M. Dorigo et G. D. Caro. The Ant Colony Optimization Meta-Heuristic. McGraw-Hill
Ltd., UK Maidenhead, UK, England : New ideas in optimization , 11-32, 1999.
[18] M. Ehrgott. Multicriteria Optimization. Berlin, Heidelberg : Lecture Notes in Economics
et Mathematical Systems, numéro 491, Springer Verlag, 2000.
[19] M. Ehrgott, K. Klamroth et C. Schwehm. “An MCDM approach to portfolio opti-
mization”. Dans : European Journal of Operational Research Volume 155.3 (June. 2004),
p. 752–770. doi : 10.1016/S0377-2217(02)00881-0.
[20] A.M. Geoffrion. “Proper Efficiency and the Theory of Vector Maximization”. Dans :
Journal of Mathematical Analysis and Applications Volume 22.3 (June. 19684), p. 618–630.
doi : 10.1016/0022-247X(68)90201-1.
[21] F. Glover et M. Laguna. Tabu Search. University of Colorado, U.S.A : Kluwer Academic
Publishers, 1997.
[22] H. R. Golmakani et M. Fazel. “Constrained Portfolio Selection using Particle Swarm
Optimization”. Dans : Expert Systems with Applications Volume 38.7 (July. 2011), p. 8327–
8335. doi : 10.1016/j.eswa.2011.01.020.
[23] P. Gupta, G. Mittal et M. K. Mehlawat. “Multiobjective expected value model for
portfolio selection in fuzzy environment”. Dans : Journal of Computational and Applied
Mathematics Volume 7.8 (July. 2012), p. 1765–1791. doi : 10.1016/j.cam.2008.09.008.
[24] R. Gupta et R. Malhotra. “Multi-criteria integer linear programming problem”. Dans :
A Journal of Mathematical Programming and Operations Research Volume 35.4 (January.
1995), p. 373–389. doi : 10.1080/02331939508844157.
[25] W.J. Gutjahr et al. “Multi-objective decision analysis for competence-oriented project
portfolio selection”. Dans : European Journal of Operational Research Volume 205.3 (2010),
p. 670–679. doi : 10.1016/j.ejor.2010.01.041.
[26] H. Konno H. et H. Yamazaki. “Mean-Absolute Deviation Portfolio Optimization Model
and Its Application to Tokyo Stock Market”. Dans : Management Science Volume 37.5 (May.
1991), p. 519–531. doi : 10.1287/mnsc.37.5.519.
[27] Y. Y. Haimes, W. A. Hall et H. T. Freedman. Multiobjective Optimization in Water
Resources Systems. 52 Vanderbilt Avenue, New York : Elsevier Science, 1975.
[28] J. H. Holland. Adaptation in Natural and Artificial Systems. MIT Press Cambridge, MA,
USA : University of Michigan Press., 1975.
[29] D. klein et E. Hannan. “An algorithm for multiple objective integer linear programming
problem”. Dans : European Journal of Operational Research Volume 9.4 (April. 1982), p. 378–
385. doi : 10.1016/0377-2217(82)90182-5.
BIBLIOGRAPHIE 63
[30] T. Krink, S. Mittnik et S. Paterlini. “Differential evolution and combinatorial search for
constrained index-tracking”. Dans : Annals of Operations Research Volume 172.1 (November.
2009), p. 153–176. doi : 10.1007/s10479-009-0552-1.
[31] T. Krink et S. Paterlini. “Multiobjective optimization using differential evolution for
real-world portfolio optimization”. Dans : Computational Management Science Volume 8.1
(October. 2009), p. 157–179. doi : 10.1007/s10287-009-0107-6.
[32] C. C. Lin et Y. T. Liu. “Genetic algorithms for portfolio selection problems with minimum
transaction lots”. Dans : European Journal of Operational Research Volume 185.1 (February.
2008), p. 393–404. doi : 10.1016/j.ejor.2006.12.024.
[33] Y. J. Liu et W. G. Zhang. “A multi-period fuzzy portfolio optimization model with mi-
nimum transaction lots”. Dans : European Journal of Operational Research Volume 242.3
(May. 2015), p. 933–941. doi : 10.1016/j.ejor.2014.10.061.
[34] A. Corhay et M. Mbangala. Fondements de gestion financière : manuel et applications.
Boulevard Frère-Orban, Belgique : Editions de l’Université de Liège, 2007.
[35] H. Markowitz. “Portfolio Selection”. Dans : The Journal of Finance 7 Volume 7.1 (March.
1952), p. 77–91. doi : 10.1111/j.1540-6261.1952.tb01525.x.
[36] H. Markowitz. Portfolio selection : efficient diversification of investments. New York :
Basil Blackwall, 1959.
[37] K. M. Miettinen et M. M. Mäkelä. Proper Pareto Optimality In Nonconvex Problems
- Characterization With Tangent And Normal Cones. UNIVERSITY OF JYVÄSKYLÄ,
DEPT : Technical report, November 1998.
[38] W. Ogryczak et A. Ruszczynski. “From Stochastic Dominance to Mean-Risk Models :
Semideviations as Risk Measures”. Dans : European Journal of Operational Research Volume
116.1 (July. 1999), p. 35–50. doi : 10.1016/S0377-2217(98)00167-2.
[39] A. Osyczka. “An approach to multicriterion optimization problems for engineering design”.
Dans : Computer Methods in Applied Mechanics and Engineering Volume 15.3 (September.
1978), p. 309–333. doi : 10.1016/0045-7825(78)90046-4.
[40] A. D. Roy. “Safety First and the Holding of Assets”. Dans : Econometrica Volume 20.3
(July. 1952), p. 431–449. doi : 10.2307/1907413.
[41] A. Sadeghi et M. Zandieh. “A game theory-based model for product portfolio management
in a competitive market”. Dans : Expert Systems with Applications Volume 38.7 (July. 2011),
p. 7919–7923. doi : 10.1016/j.eswa.2010.11.054.
[42] S. M. Sait et H. Youssef. Iterative Computer Algorithms with Applications in Engineering :
Solving Combinatorial Optimization Problems. IEEE Computer Society Press, 1999.
[43] M. Sakarovitch. Optimisation combinatoire, Graphes et programmation linéaire. 293 rue
Lecourbe, 75015 Paris : Hermann, 1984.
[44] A. Schrijver. Theory of Linear and Integer Programming. New York : John Wiley et Sons,
1986.
[45] W. F. Sharpe. “A simplified model for portfolio analysis”. Dans : Management Science
Volume 9.2 (January. 1963), p. 277–293. doi : 10.1287/mnsc.9.2.277.
[46] K. Smimou, C. R. Bector et G. Jacoby. “Portfolio selection subject to experts’ judg-
ments”. Dans : International Review of Financial Analysis Volume 17.5 (December. 2008),
p. 1036–1054. doi : 10.1016/j.irfa.2008.04.004.
BIBLIOGRAPHIE 64
Résumé
Abstract
T he objective of this work is the study of portfolio optimization Problems,and the devel-
opment of a method of Multiobjective optimization.It follows an adaptation of the method
to the problem of portfolio optimization based on a ”Mean-Variance” model initiated by
Markowitz (1959) with an implementation on a test problem.
65