Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Chapitre 3-Modèles Linéaires pour l’optimisation du

portefeuille
Houda Derbel
FSEGN
Novembre 2020
Houda Derbel Optimisation Novembre 2020 1 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction
Introduction
Grâce au progrés technologique et algorithmique, la programmation
quadratique (QP) n’est plus difficile à résoudre. Néanmoins, la
programmation linéaire (LP) est toujours plus attractive.
Dans le chapitre précédent, nous avons considéré Ri la v.a
representant le taux de rentabilité d’un actif i
Considérons maintenant le concept du scénario pour mesurer
l’incertitude de ce taux.
Un scénario est une situation qui peut se passer à un moment donné
Un scénario dépend de ce qui se passe entre le temps d’investissement
(investment time) et le moment donné (target time)
Un scénario=
Une réalisation de la v.a multivariée representant le taux de rentabilité de
tous les actifs
Houda Derbel Optimisation Novembre 2020 2 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction
Etant donné T scénarios possibles: Soit, P
n
pt la probabilité qu’un scénario t = 1...T ( t=1 pt = 1)
Supposons que sa réalisation est définie par rit pour une v.a Ri donnée
L’ensemble des rendement de tous les actifs : {rit , i = 1...n} définit le
scénario t P
T
Soit µi = t=1 pt rit
Exemple avec n = 4, T = 3
Sous l’hypothèse de l’equiprobabilité des scénarios, le premier est
optimiste (ri1 ≥ 0)
Houda Derbel Optimisation Novembre 2020 3 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction
Pn
Soit Rx = i=1 Ri xi le rendement du portefeuille x
La fonction de distribution (c.d.f) de {Rx } est donnée par
Fx (ξ) = P(Rx ≤ ξ)
La rentabilité du portefuille x sous le scénario t est:
n
X
yt = rit xi
i=1
Pn
Montrer que µ(x) = E (Rx ) = i=1 µi xi
Houda Derbel Optimisation Novembre 2020 4 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction
Pn
Soit Rx = i=1 Ri xi le rendement du portefeuille x
La fonction de distribution (c.d.f) de {Rx } est donnée par
Fx (ξ) = P(Rx ≤ ξ)
La rentabilité du portefuille x sous le scénario t est:
n
X
yt = rit xi
i=1
Montrer que µ(x) = E (Rx ) = n µi xi
P
i=1
Dém: µ(x) = T p y = T p ( i=1 n
P P P
rit xi )
Pn PT t=1 t t Pn t=1 t
= i=1 xi ( t=1 pt rit ) = i=1 µi xi
Houda Derbel Optimisation Novembre 2020 4 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction
Mesures de risque LP calculables
La variance est la quantité statistique classique qui mesure la dispersion
d’une v.a autour de sa moyenne.
La déviation myenne absolue (MAD: Mean Absolute Deviation) est
défini par : Pn Pn
δ(x) = E {|Rx − E (Rx )|} = E {| i=1 Ri xi − E { i=1 Ri xi }|}
Dans le cas où µ(x) = n µi xi , L’ecart absolu moyen est :
P
Pi=1
T P n
δ(x) = E (|Rx − µx |) = t=1 pt (| i=1 rit xi − µx |)
Le problème d’optimisation de portefeuille devient:
Houda Derbel Optimisation Novembre 2020 5 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Modèle mathématique
T
X
min δ(x) = pt (|yt − µx |)
t=1
P
n
 i=1 µi xi = µ

s.c µ ≥ µ0

x ∈Q


Soit dt = |yt − µ| alors le problème d’optimisation est equivalent à:

T
X
min pt dt
t=1

s.c 

 dt = |yt − µ|,
 Pn
 t = P i=1 rit xi
y


µ = ni=1 µi xi

µ ≥ µ0





x ∈Q

Exercice: Ecrire le problème sous forme d’un PL

Houda Derbel Optimisation Novembre 2020 6 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Exemple: Le rendement du portefeuille yt sous diffèrents

scénarios t = 1, ..., T

Houda Derbel Optimisation Novembre 2020 7 / 16

Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction
q
2
Dans le cas où les taux de rentabilité suivent une loi normale, δ(x) = π
σ(x) ⇒ Min
MAD = Min σ(x)
Un investisseur rationnel considère seulement le risque des déviation en dessous de la
moyenne. Ainsi, on définit la semi déviation absolue moyenne (SEMI-MAD) par :
Xn n
X
δ̄(x) = E (max[0, E ( Ri xi ) − Ri xi ])
i=1 i=1

Si on élimine la contrainte dt ≥ yt − µ alors: (Semi-MADPL) ≡ (MADPL) et le problème

d’optimisation devient :
XT
min pt dt
t=1
s.c 
dt ≥ P
 µ − yt , ∀t = 1, ..., T
n

y = i=1 rit xi , ∀t = 1, ..., T



 t
µ = Pn µ x

i=1 i i

µ ≥ µ0

dt ≥ 0, ∀t = 1, ..., T





x ∈Q


Théorème
Minimiser MAD est équivalent à minimiser Semi-MAD avec δ(x) = 2δ̄(x)
Houda Derbel Optimisation Novembre 2020 8 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

GMD (Gini’s Mean Difference)

L’écart moyen de Gini considère la moyenne en |.| des écarts des rentabilités des
portefeuilles yt pour diffèrents scénarios définit par:
T T
1 X X
Γ(x) = |yt 0 − yt 00 |pt 0 pt 00
2 0 00
t =1 t =1

Exemple:

Exercice: Ecrire le PL basé sur la mesure du risque GMD

Houda Derbel Optimisation Novembre 2020 9 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Modèle d’optimisation de portefeuille basé sur la mesure de

risque GMD
(POM-GMD)
T X
X
min pt 0 pt 00 dt 0 t 00
t 0 =1 t 0 6=t 00

s.c  00 00 0


dt 0 t 00 ≥ yt 0 − yt 00 ∀t 0 , t = 1, ..., T , t 6= t
yt = ni=1 rit xi , ∀t = 1, ..., T

 P



µ = Pn µ x

i=1 i i


µ ≥ µ0
 00 0



dt0t 00 ≥ 0, ∀t = 1, ..., T t 6= t

x ∈ Q

Houda Derbel Optimisation Novembre 2020 10 / 16

Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Modèle d’optimisation de portefeuille basé sur la mesure de

risque GMD
(POM-GMD)
T X
X
min pt 0 pt 00 dt 0 t 00
t 0 =1 t 0 6=t 00

s.c  00 00 0


dt 0 t 00 ≥ yt 0 − yt 00 ∀t 0 , t = 1, ..., T , t 6= t
yt = ni=1 rit xi , ∀t = 1, ..., T

 P



µ = Pn µ x

i=1 i i


µ ≥ µ0
 00 0



dt0t 00 ≥ 0, ∀t = 1, ..., T t 6= t

x ∈ Q

Remarque: Dans le cas d’un grand nombre de scénarios, Considérer le

dual peut améliorer considérablement le temps de calcul.
Houda Derbel Optimisation Novembre 2020 10 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Le modèle de Markowitz MAD et GMD mettent en évidence la variabilité du taux

d’intérêt du portefeuille.
Etant donné µ0 , l’investisseur veut réduire cette variabilité.
En effet, si on ignore le taux de rendement prévu et on essaye plutôt de protéger
l’investisseur des pires scénarios ⇒ Une mesure de sécurité attrayante est la pire
réalisation du taux de rentabilité de portefeuille.
La pire réalisation est définie comme suit:

M(x) = min yt
t=1,...,T

Le modèle d’optimisation de portefeuille correspondant à la pire réalisation comme mesure

de sécurité est (MiniMax model):
max y

s.c Pn

 i=1 rit xi ≥ y , ∀t = 1, ..., T
µ = Pn µ x


 i=1 i i
µ ≥ µ0

dt ≥ 0, ∀t = 1, ..., T




x ∈Q

Houda Derbel Optimisation Novembre 2020 11 / 16

Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Généralisation de la mesure M(x)

En général, Etant donné β ∈ [0, 1], le β-quantile d’une v.a R est q
telque :
P(R < q) ≤ β ≤ P(R ≤ q)
Dans notre cas, notons par:
qβ (x) = inf {η : Fx (η) ≥ β}, 0 < β ≤ 1}
On appelle ce quantile VaR: Value at Risk (La pire des pertes (max)
dans un intervalle de confiance donné)

Houda Derbel Optimisation Novembre 2020 12 / 16

Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Le modèle d’optimisation de portefeuille : MILP

max y
s.c
Pn
Pi=1 rit xi ≥ y − Mzt , zt ∈ {0, 1} ∀t = 1, ..., T
 (1)
T

 t=1Ppt zt ≥ β − , ∀t = 1, ..., T (2)



µ = ni=1 µi xi

µ ≥ µ0





x ∈Q


M est une constante trés large (supèrieur à tout rendement possible)

et  une valeur trés petite ( < pt , t = 1, ..., T )
(1) ⇒ zt = 1 si y > yt
(2) ⇒ P(tous les sénarios telque y > yt ) > β

Houda Derbel Optimisation Novembre 2020 13 / 16

Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Le modèle d’optimisation de portefeuille : MILP

max y
s.c
Pn
Pi=1 rit xi ≥ y − Mzt , zt ∈ {0, 1} ∀t = 1, ..., T
 (1)
T

 t=1Ppt zt ≥ β − , ∀t = 1, ..., T (2)



µ = ni=1 µi xi

µ ≥ µ0





x ∈Q


M est une constante trés large (supèrieur à tout rendement possible)

et  une valeur trés petite ( < pt , t = 1, ..., T )
(1) ⇒ zt = 1 si y > yt
(2) ⇒ P(tous les sénarios telque y > yt ) > β
⇒ y ∗ = qβ∗ (x)
Houda Derbel Optimisation Novembre 2020 13 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Structure des coûts de transaction

Soit K (X1 , X2 , ..., Xn ) la fonction de coût de transaction d’un
portefeuille (X1 , ..., Xn ), xi = XCi
On suppose que les coûts de transaction pour le les actifs sont
indépendants les uns des autres, i.ePle coût du portefeuille la fonction
est séparable: K (X1 , X2 , ..., Xn ) = ni=1 Ki (Xi )
Coût de transaction fixe pure:
(
fi , si Xi > 0
Ki (Xi ) =
0, sinon
fi est le coût de transaction payé si l’actif i fait parti du portefeuille.
Soit (
1, si l’actif i est séléctionné
zi =
0, sinon
La contrainte Li zi ≤ Xi ≤ Ui zi doit ête ajouté à tout modèle pour que
zi = 1 si Xi > 0. Soit alors, Ki (Xi ) = fi zi
Houda Derbel Optimisation Novembre 2020 14 / 16
Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Coût de transaction proportionnel (PPC) dépend du montant

investi
Ki (Xi ) = ci Xi
Le coût linéaire avec charge min est défini par :

0, si Xi = 0

Ki (Xi ) = fi , si, 0 < Xi ≤ M

ci Xi si, Xi > M


Houda Derbel Optimisation Novembre 2020 15 / 16

Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Exemples
1
(
0, si Xi = 0
Ki (Xi ) =
Max(50, 0.01Xi ), siXi > 0
2 Considérons 3 actifs, 3 scénarios équiprobables, un capital =
10.000D. Soit le portefeuille (X1 , X2 , X3 ) avec:

Actifs Scenario1(%) Scenario2(%) Scenario3(%) µi (%)

1 r11 =14.67 r12 = 14.67 - µ1 = 15.67
2 r12 = 15.07 - - µ2 = 15.07
3 - - - µ3 = 14.92
Ecrire le PL qui minimise le risque mesuré par (Semi-MAD) s.c une
borne inf de 14% sur la rentabilité net espéré.

Houda Derbel Optimisation Novembre 2020 16 / 16

Introduction Scénarios et LP Mesure de sécurité LP-calculable Optimisation du portefeuille avec coût de transaction

Exemples
1
(
0, si Xi = 0
Ki (Xi ) =
Max(50, 0.01Xi ), siXi > 0
2 Considérons 3 actifs, 3 scénarios équiprobables, un capital =
10.000D. Soit le portefeuille (X1 , X2 , X3 ) avec:

Actifs Scenario1(%) Scenario2(%) Scenario3(%) µi (%)

1 r11 =14.67 r12 = 14.67 - µ1 = 15.67
2 r12 = 15.07 - - µ2 = 15.07
3 - - - µ3 = 14.92
Ecrire le PL qui minimise le risque mesuré par (Semi-MAD) s.c une
borne inf de P 14% sur la rentabilitéP
net espéré.
min δ̄(X ) = t=1 pt max(µ(X ) − ni=1 rit Xi , 0) s.c
T

{X1 + X2 + X3 = C , Xi ≥ 0, µ̄(X ) ≥ 0.14C } avec

µ̄(X ) = (0.15X1 + 0.15X2 + 0.14X3 ) − [K1 (X1 ) + K2 (X2 ) + K3 (X3 )]
Houda Derbel Optimisation Novembre 2020 16 / 16