Académique Documents
Professionnel Documents
Culture Documents
MEMOIRE
présenté à
en vue de l’obtention du
Diplôme National d’Ingénieur en :
Génie Systèmes Électroniques et Communication
Option :
Systèmes Embarqués
par
Prénom NOM
TITRE DU PROJET
On dédie ce travail,
A nos chers parents qui nous ont soutenues et encouragées durant ces années d’études.
Qu’ils trouvent ici le témoignage de notre profonde reconnaissance.
A nos frères et soeurs, nos grands parents et ceux qui ont partagé avec nous tous les
moments d’émotion lors de la réalisation de ce travail. Ils nous ont chaleureusement supportées
et encouragées tout au long de notre parcours.
A nos famille, nos proches et à ceux qui nous donnent de l’amour et de la vivacité.
A tous nos chères amies qui nous ont toujours encouragées, et à qui nous souhaitons plus
de succès.
Je remercie également Monsieur le Professeur MOULAI Mustapha, d’abord pour toutes les
facilités accordées et d’avoir bien voulu accepter de présider le jury de notre mémoire.
Nous remercions Mme FERDJ KIRAT Samia, notre encadrant de stage, pour son professionnalisme,
ainsi que Mlle CHERGUI Anfel et tout le personnel de la DGRP pour leurs assistances et
conseils précieux qui nous ont données pour mieux comprendre notre problèmatique.
Que Monsieur le Professeur CHERGUI Mohamed , trouve ici l’expression de notre respectueuse
gratitude. Nous ne saurions assez le remercier du grand honneur qu’il nous fait en jugeant ce
travail.
Finalement, nous adressons nos profonds remerciements à toutes nos familles qui ont toujours
été présentes à nos côté au long du mémoire, et que nos amis (es) de l’USTHB soient assurés
de nos meilleurs sentiments.
3 Problématique et Modélisation 19
3.1 Rééquilibrage du portefeuille obligataire . . . . . . . . . . . . . . . . . . . . 20
3.1.1 Préambule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.2 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Formulation mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.2 Variables de décision . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.3 Fonctions objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.4 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.5 Modèle mathématique . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.6 Linéarisation des fonctions objectif . . . . . . . . . . . . . . . . . . . 24
3.2.7 Évaluation du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5 Implémentation numérique 42
5.1 Présentation du langage Python . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Présentation du solveur CPLEX . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.3 Présentation de l’application . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.4 Résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5 Interprétation des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
CONCLUSION GÉNÉRALE 45
BIBLIOGRAPHIE 45
ANNEXES 49
A.1 TITRE ANNEXE 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
A.2 TITRE ANNEXE 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Le marché financier est un lieu de rencontre entre l’offre et la demande des actifs financiers
où les investisseurs interviennent par la prise de positions longues et courtes dans différents
actifs financiers. Dans la théorie moderne du choix de portefeuille, les préférences des investisseurs
sont définies en terme de rentabilité et de risque. Le rendement d’un portefeuille est une combinaison
des rendements des actifs qui le composent, pondérés par leurs poids dans le portefeuille. Le
risque est une fonction de la corrélation entre les actifs qui le composent.
Lorsque les marchés financiers sont extrêmement volatils, l’investisseur peut se demander
s’il est pertinent d’en sortir et de prendre une pause pour quelque temps. La plupart des experts
s’entendent que cette stratégie n’est pas la meilleure. D’une part, il est pratiquement impossible
de connaître à l’avance le moment de l’apogée des marchés pour tout vendre avant une correction
significative. D’autre part, il ne semble pas raisonnable de le faire après une telle correction
et ainsi réaliser des pertes importantes. Donc on peut dire que la gestion obligataire est un
combat contre l’incertitude sur les marchés ; le gérant doit faire face à de nombreux risques :
pertes de change, défaillance de l’emprunteur, contraintes règlementaires ... etc, et fixer un cadre
d’analyse, un objectif et des limites de ses positions.
de la volatilité sur les rendements composés. Il est donc important de diversifier son portefeuille
afin de ne pas subir de grandes fluctuations des cours des titres. Cependant, elle ne procure
ses avantages en matière de risque et de rendement que si on lui adjoint un processus de
rééquilibrage.
Le rééquilibrage d’un portefeuille est une stratégie puissante de contrôle du risque. Au fil
du temps, comme les différents investissements d’un portefeuille produisent des rendements
différents, le portefeuille s’éloigne de son allocation d’actifs cible, acquérant des caractéristiques
de risque et de rendement qui peuvent être incompatibles avec les objectifs et les préférences de
l’investisseur. Une stratégie de rééquilibrage permet de faire face à ce risque.
Pour mener à bien nos travaux, nous avons structuré le contenu du mémoire en cinq chapitres :
1. Le premier chapitre débute par un état de la recherche sur tous les outils nécessaires à
l’analyse d’un portefeuille obligataire. Ce chapitre ne saurait être complet sans l’analyse
de la gestion indicielle de ce dernier.
3. Le troisième chapitre se commence par une brève présentation sur l’opération d’un rééquilibrage
du portefeuille obligataire de la Banque d’Algérie, ensuite la formulation mathématique
appropriée au problème donné pour bien étudier la tâche et se termine par une évaluation
du modèle utilisé.
4. Le quatrième chapitre traite quelques notions de base sur l’optimisation et donne quelques
exemples des méthodes d’optimisation existantes et se concentre sur la méthode de résolution
appropriée au problème (epsilon-contrainte dans notre cas).
Nous concluons nos travaux en faisant ressortir les résultats les plus significatifs obtenus
ainsi que les perspectives pouvant améliorer et enrichir notre mémoire.
1
Notions fondamentales financières
Sommaire
1.1 Marché financier . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Actif financier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Portefeuille financier . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Obligation (Bonds) . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Composantes de l’obligation . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Flux monétaires (cash-flow) . . . . . . . . . . . . . . . . . . . . 5
1.3 Risques financiers . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Types de risque . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Mesures de risque . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Gestion de portefeuille . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Gestion indicielle . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 L’indice de référence (Benchmark) . . . . . . . . . . . . . . . . 10
Le marché primaire
C’est un marché réservé aux titres obligataires émis pour la première fois, il met en relation
directe les émetteurs et les souscripteurs. En outre, il peut contenir des émissions de titres après
transformation des bons de souscription en nouvelles obligations et l’assimilation d’une tranche
nouvelle à une émission déjà réalisée.
Le marché secondaire
C’est un lieu de négociation et d’échange des titres déjà émis. C’est un marché organisé et
représenté plus, à travers la bourse. Il assure alors la liquidité des titres aux investisseurs, et sert
aussi à la détermination des prix des obligations établis en fonction de l’offre et la demande sur
le marché.
Un actif est un contrat généralement négociable sur un marché financier, produisant à son
propriétaire des revenus ou un gain en capital. Il y en a de très nombreuses sortes d’actifs, des
plus simples : actions, obligations, aux plus complexes : options.
Un portefeuille est une combinaison d’un ensemble de titres (actifs) financiers qui peuvent
etre des actions, obligations, produits dérivés, matières premières...etc, détenus par un investisseur.
Cette combinaison se fait en des proportions différentes afin d’avoir un portefeuille bien diversifié,
permettant ainsi de réaliser un rendement espéré bien déterminé tout en minimisant le risque
que peut courir l’investisseur.
Mathématiquement, un portefeuille P est un vecteur de proportions xi , qui représente la proportion
du capital investi dans chaque titre, avec :
Une obligations est une dette. Un État ou une entreprise, un organisme public ou bien
semi-public, emprunte du capital à un investisseur, puis s’engage à rembourser le montant de
l’emprunt à une certaine échéance, et à lui verser des intérêts de manière régulière. Le montant
des intérêts est fixé initialement, alors qu’un dividende peut fortement évoluer d’une année sur
l’autre.
Dans cette sous section nous définissons les composantes d’une obligation qui font partie
de la modélisation :
La valeur nominale (face value) : La valeur nominale est également connue comme la
valeur faciale d’une obligation, est le montant payé au détenteur de l’obligation à l’échéance de
l’obligation.Exemple, une obligation achetée à l’émission pour 1000U est acquise à sa valeur
nominale. À l’échéance, le détenteur reçevra 1000U de l’émetteur de l’obligation.
Le taux de coupon (Coupon Rate) : Le taux d’intérêt déclaré que l’émetteur de l’obligation
promet de verser au détenteur pendant la durée de vie de l’obligation Certains types d’obligations,
comme les obligations zéro coupon et les bons du Trésor, ne paient pas d’intérêts périodiques
à leurs détenteurs. Au lieu de cela, ces obligations paient leurs intérêts à l’échéance. Exemple,
un investisseur achète une obligation à 1000U, le taux du coupon est de 4%, l’émetteur des
obligations promet à payer 40U d’intérêts par an (4% × 1000U).
L’échéance (maturety) : Dite durée de vie d’une obligation, est la durée jusqu’à ce que l’obligation
arrive à échéance lorsque le détenteur reçoit la valeur nominale de l’obligation et le paiement
final des intérêts (pour les obligations à coupon). Exemple, une obligation dont la date d’échéance
est le 1er mars 2023 arrive à échéance à cette date et l’émetteur rembourse au détenteur 1000U,
la valeur nominale, et le dernier paiement d’intérêts.
Les flux monétaires(cash-flow) à revenu fixe sont des flux d’intérets consants et l’amortissement
du capital, ces flux sont connus lors de la conclusion du contrat et sont capitalisés à des périodes
connues et réguliers pendant toute la durée de vie de l’obligation, plus le nominal à l’échéance.À
l’émission du titre, les conditions de paiement des intérèts sont précisées (les coupons) et le
remboursement du capital.On note Ft le flux versé au détenteur du titre à la date t , il est calculé
par la formule suivante :
F = Ft1 + Ft2
La notion de risque en finance est reliée à la notion d’incertitude. En effet, le risque d’un
actif financier pour un investisseur, peut être défini comme l’incertitude qui existe quant à la
valeur de cet actif à une date future.
Risque de taux d’intérêt : Le risque de taux d’intérêt désigne l’évolution des taux d’intérêt
du marché, qui a un effet direct sur les placements obligataires. Le prix des titres à revenu fixe
change inversement par rapport à l’évolution des taux d’intérêt.
Risque de change ou devises : Les obligations libellées en devises ont des flux de trésorerie
incertains en dollars en raison des fluctuations des taux de change. Le risque de change affecte
également le produit de l’obligation à l’échéance ou s’il est vendu avant l’échéance. Le risque
de change est un risque supplémentaire qui s’ajoute à tous les autres risques des obligations.
Risque de crédit : La solvabilité est la capacité de l’émetteur d’effectuer les paiements d’intérêts
prévus et de rembourser le capital lorsque les obligations arrivent à maturité. Le risque de crédit
varie selon les émetteurs d’obligations. L’incapacité d’un émetteur à rembourser les intérêts ou
le capital peut entraîner la faillite.
Risque d’infiation : En raison de fortes fluctuations des cours et d’un marché financier insuffisamment
developpe, les banques centrales des pays émergents peuvent avoir du mal à atteindre leurs
objectifs en matière d’inflation. Celle-ci peut donc fluctuer plus fortement que dans les pays
développés.
Risque de marché : Dans les pays émergents, la surveillance des marchés financiers est balbutiante,voire
inexistante ; de telle sorte que la réglementation, la transparence sur le marche, la liquidité
et l’efficacité sont lacunaires. De plus, ces marchés affichent souvent une forte volatilité et
d’importants écarts de prix. Les carences réglementaires accentuent les risques de manipulation
de cours et de délits d’initiés.
Risque de liquidité : Le risque de liquidité est le risque qu’une obligation ne puisse être achetée
ou vendue sans une concession de prix significative.
1.3.2.1 Duration
La durée moyenne d’une obligation qu’il faut aux détenteurs des obligations pour la rembourser
par les flux monétaires total (intérêts et principal). C’est le moment du cycle de vie de l’obligation
où le rendement de l’obligation reste le même ou inchangé malgré les variations des taux
d’intérêt du marché. Elle est considérée comme une mesure de risque.
La valeur actuelle (PV) est la valeur présente d’une somme d’argent ou d’un flux de trésorerie
futurs, compte tenu d’un taux de rendement spécifié. La valeur actuelle est le concept selon
lequel une somme d’argent reçue aujourd’hui vaut plus que cette même somme dans le futur.
En d’autres termes, l’argent reçu dans le futur ne vaut pas autant qu’un montant égal reçu
aujourd’hui.Par exemple, recevoir 1 000 $ aujourd’hui vaut plus que 1 000 $ dans cinq ans, car
un investisseur peut investir les 1 000 $ aujourd’hui et obtenir vraisemblablement un taux de
rendement au cours des cinq prochaines années. La valeur actuelle tient compte de tout taux
d’intérêt que pourrait rapporter un investissement.
1.4.1.1 Approches
Les trois principales approches pour construire le portefeuille de réplication sont l’approche
de l’échantillonnage stratifié, l’approche de minimisation de la variance et l’approche de l’optimisation.
L’approche la plus utilisée dans la pratique est celle de l’échantillonnage stratifié. Cette technique
repose sur la bonne présentation des caractéristiques pertinentes à la performance de l’indice
obligataire, notamment la durée, le niveau du taux de coupon, la maturité, le secteur de marché,
la cote de crédit, les caractéristiques de rachat et de fonds d’amortissement des obligations qui
composent l’indice. Avec un nombre modéré de titres. Il faut par conséquent, diviser l’indice en
sous cellules (strates) représentant chacune une caractéristique et acheter des titres pour pouvoir
répliquer la cellule entière.
La gestion indicielle d’un portefeuille obligataire est plus complexe et engendre de plus
grandes erreurs de réplication du fait :
- Du grand nombre d’obligations qui composent les principaux indices obligataires.
- Des multiples modifications de l’indice du fait de nouvelles émissions d’obligations, des
changements de la maturité des obligations de l’indice, de la disparition des obligations qui
arrivent à l’échéance (les obligations qui arrivent à échéance dans moins d’un an sont éliminés
de la plupart des indices), etc...
- Des problèmes de liquidité rattachés au marché secondaire des obligations.
- Des différences entre les prix utilisés pour calculer la valeur de l’indice et les prix auxquels
l’investisseur peut réellement faire des transactions sur le marché.
- Des différences entre les taux de réinvestissement des coupons utilisés dans le calcul du
rendement de l’indice et ceux auxquels l’investisseur a réellement accès sur le marché.
1.4.1.3 Avantages
indicielle, et que la gestion indicielle permet un plus grand contrôle des investisseurs sur la
gestion.
Définition : L’indice de référence est un terme désignant un référentiel qui sert d’élément
de comparaison à la performance (pour un fonds par exemple). C’est une notion qui est surtout
utilisée dans le milieu bancaire et financier. Selon qu’un fonds soit monétaire, où action, le
gérant essaye de mieux performer que ce dernier.Toutefois, il faut noter que la performance de
l’indice ne représente pas nécessairement la performance optimale. Par exemple, si l’objectif
est de faire face à un engagement prédéterminé, la performance de l’indice ne permettra pas
d’atteindre cet objectif. De plus des erreurs de réplication sont généralement très importantes
du fait des coûts de transaction et du nombre élevé des titres des indices. Certains titres ne sont
pas très liquides ou ne sont pas disponibles aux prix utilisés lors de la constitution de l’indice.
Remarque : On parle de « surperformer le benchmark » si les résultats sont supérieurs et de «
sous-performer le benchmark » s’ils sont inférieurs.
Exemple : Je souhaite comparer mon portefeuille d’actions géré par l’entreprise XYZ, avec
l’indice SBF 250 (Société de Bourse Française 250). Si le rendement de mon portefeuille chez
XYZ est de 5,5% et que celui du CAC 40 est de 5%, on peut donc dire que je surperforme mon
benchmark.
manœuvre doit être considérée car dans plusieurs cas, les gestionnaires cherchent à battre et
surperformer leurs Benchmarks.
Illustration : Prenons l’indice G1QA qui est un indice de marché non géré des titres du Trésor
américain qui suit la performance de la dette souveraine directe du gouvernement américain
ayant une échéance d’au moins un an et moins de trois ans (échéance en 90 jours) qui suppose
le réinvestissement de tous les revenus. Il n’est pas possible d’investir directement dans un
indice non géré.
2
Présentation de la Banque d’Algérie
Sommaire
2.1 Histoire de la banque . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Rôle et missions de la banque . . . . . . . . . . . . . . . . . . . 14
2.2.1 Organigramme . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2 Direction Générale des Relations Finançières Extèrieures . . . . 17
La Banque Centrale d’Algérie fut créée par la loi numéro 62-144 votée par l’Assemblée
constituante le 13 Décembre 1962, portant création et fixant les statuts de la Banque Centrale.
Des aménagements furent apportés au cours des années 70 et le début des années 80. La
réforme du système financier, tant dans son mode de gestion que dans ses attributions, devenait
néanmoins impérative.
La loi n° 86-12 du 19 Août 1986 portant régime des banques marque l’amorce de la refonte
du système bancaire algérien.
C’est ainsi que la Banque Centrale recouvre des prérogatives en matière de définition et
d’application de la politique monétaire et de crédit, en même temps qu’étaient revus ses rapports
avec le Trésor Public.
Ces aménagements se sont toutefois avérés peu adaptés au nouveau contexte socio-économique
marqué par de profondes réformes.
La loi confère ainsi une large autonomie, tant organique que fonctionnelle à la Banque
Centrale, désormais dénommée Banque d’Algérie.
Le Gouverneur est nommé par décret présidentiel. Les trois Vice-Gouverneurs sont nommés
dans les mêmes conditions. Les autres membres du Conseil d’administration sont nommés par
décret exécutif.
Les censeurs sont nommés par décret présidentiel, sur proposition du Ministre chargé des
finances.
a) Stabilité monétaire :
La Banque d’Algérie a pour mission de veiller à la stabilité des prix en tant qu’objectif de la
politique monétaire. Elle est chargée de régler la circulation monétaire, de diriger et de contrôler,
par tous les moyens appropriés, la distribution du crédit, de réguler la liquidité, de veiller à la
bonne gestion des engagements financiers à l’égard de l’étranger, de réguler le marché des
changes et de s’assurer de la sécurité et de la solidité du système bancaire.
b) Systèmes de paiement :
d) Gestion financière :
e) Emission de la Monnaie :
f) Supervision bancaire :
La Banque d’Algérie établit les conditions générales dans lesquelles les banques et les
établissements financiers algériens et étrangers, peuvent être autorisés à se constituer en Algérie
et à y opérer. Elle établit les conditions dans lesquelles cette autorisation peut être modifiée ou
retirée. La Banque d’Algérie détermine également, toutes les normes que chaque banque doit
respecter en permanence.
g) Organisation
Pour mener à bien ses missions, la Banque d’Algérie est organisée au niveau central en :
• Deux des Directions Générales gérant des aspects spécifiques liés à l’émission de billets
et à la formation bancaire, il s’agit de :
Elle dispose, en outre d’un réseau composé de 49 agences et succursales, lui assurant
une présence effective dans chacune des wilayas du pays : les agences et succursales sont
coordonnées par trois directions régionales implantées dans les villes d’Alger, Oran et Annaba.
Un personnel de près de 3400 agents contribue, à tous les niveaux, à la réalisation des objectifs
de la Banque.
2.2.1 Organigramme
3
Problématique et Modélisation
Sommaire
3.1 Rééquilibrage du portefeuille obligataire . . . . . . . . . . . . 20
3.1.1 Préambule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.2 Position du problème . . . . . . . . . . . . . . . . . . . . . . . 20
3.2 Formulation mathématique . . . . . . . . . . . . . . . . . . . . . 20
3.2.1 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.2.2 Variables de décision . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.3 Fonctions objectif . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2.4 Contraintes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2.5 Modèle mathématique . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.6 Linéarisation des fonctions objectif . . . . . . . . . . . . . . . . 24
3.2.7 Évaluation du modèle . . . . . . . . . . . . . . . . . . . . . . . 26
3.1.1 Préambule
La construction d’un portefeuille obligataire optimal passe par plusieurs étapes afin d’atteindre
le résultat souhaité et ceci en prenant en considération l’indice de référence (Benchmark),
en répliquant sa performance sur le portefeuille obligataire de la Banque d’Algérie, en vue
d’une gestion optimale, tenant compte des contraintes et des facteurs pouvant affecter cette
performance.
3.2.1 Notations
m = |M| .
k : le nombre de strates ; k=1, 6 .
nkP : le nombre des obligations dans la k i me strate du portefeuille.
nkB : le nombre des obligations dans la k i me strate du benchmark.
T : le budget total investi.
nj : le nominal de l’obligation j ; j=1..m.
βj : le poids de l’obligation j ; j = 1..m.
pi : le prix de l’obligation i ; i = 1..n.
α : La norme maximale du prix autorisée pour chacune des obligations i ; i = 1..n.
DB : la duration effective du benchmark .
Dp : la duration effective actuelle du portefeuille.
Dp−1 : la duration effective ancienne du portefeuille.
di : la duration effective de chaque obligation i ; i = 1..n
dj : la duration effective de chaque obligation j ; j = 1..m
Rp : le rendement actuel du portefeuille ;
RB : le rendement du benchmark .
Rp−1 : la valeur récente du rendement du portefeuille.
ri : le rendement de l’obligation i ; i = 1..n.
P Vpk : la valeur présente (P V 01kP ) du portefeuille au k i me strate ;
P VBk : la valeur présente (P V 01kB ) du benchmark k i me strate.
pmax : la proportion maximale du budget à investir dans chacune des obligations i ; i = 1..n.
pmin : la proportion minimale du budget à investir dans chacune des obligations i ; i = 1..n.
1 si l’obligation i est selectionnée pour être dans la nouvelle composition du portefeuille
xi =
0 sinon ,
i = 1..n
a) Fonction objectif 1 :
n
X
M in Z1 = |DB − (DP + di × yi )|
i=1
Pm
Avec : DP = DP −1 − j=1 βj × dj
b) Fonction objectif 2 :
n
X
M in Z2 = |RB − (RP + ri × yi )|
i=1
Pm
Avec : RP = RP −1 − j=1 βj × rj
c) Fonction objectif 3 :
PnkB
M in Z3 = M ax |P VBk − (P VPk + i=1 di × mvi × yi )|
k=1,6
Pm
Avec : P VPk = P VPk−1 − j=1 βj × mvj × dj
3.2.4 Contraintes
1) La proportion du budget à investir dans chaque obligation i ne doit pas dépasser pas sa
proportion maximale autorisée ;
yi ≤ pmax , i = 1..n
n Pm
X j=1 nlj
yi =
i=1
T
α
xi ≤
Pi
4) On ne peut pas investir dans une obligation si elle n’est pas selectionnée :
pmin × xi ≤ yi , i = 1..n
Et
y i ≤ xi , i = 1..n
0 ≤ yi ≤ 1, i = 1..n
M in T1 (y)
DB − (DP + Pn di × yi ) ≤ T1 (y)
i=1
Alors la fonction objectif 1 ⇔ Pn
−(D B − (D P + i=1 di × yi )) ≤ T1 (y)
T (y) ≥ 0
1
Pn
2) On pose T2 (y) = |RB − (RP + i=1 ri × yi )|
M in T2 (y)
RB − (RP + Pn ri × yi ) ≤ T2 (y)
i=1
Alors la fonction objectif 2 ⇔
−(RB − (RP + ni=1 ri × yi )) ≤ T2 (y)
P
T (y) ≥ 0
2
PnkB
3) On pose fk (y) = P VBk − (P VPk + i=1 di × mvi × yi )
Et T3 (y) = M ax |fk (y)|
k=1,6
M in T3 (y)
Alors la fonction objectif 3 ⇔ |fk (y)| ≤ T3 (y), ∀k = 1, 6
T3 (y) ≥ 0
M in T3 (y)
fk (y) ≤ T3 (y), ∀k = 1, 6
⇔
−fk (y) ≤ T3 (y), ∀k = 1, 6
T (y) ≥ 0
3
M in T1 (y)
M in T2 (y)
M in T3 (y)
0 ≤ yi ≤ pmax
i = 1..n
Pm
j=1 nlj
Pn
i=1 yi =
T
α
xi ≤ i = 1..n
Pi
pmin × xi ≤ yi ,
i = 1..n
y i ≤ xi , i = 1..n
DB − (DP + ni=1 di × yi ) ≤ T1 (y)
P
(P L) −(DB − (DP + ni=1 di × yi )) ≤ T1 (y)
P
RB − (RP + ni=1 ri × yi ) ≤ T2 (y)
P
−(RB − (RP + ni=1 ri × yi )) ≤ T2 (y)
P
PnkB
P VBk − (P VPk + i=1 di × mvi × yi ) ≤ T3 (y), ∀k = 1, 6
nkB
−(P VBk − (P VPk + i=1
P
di × mvi × yi )) ≤ T3 (y), ∀k = 1, 6
T1 ≥ 0
T2 ≥ 0
T3 ≥ 0
0 ≤ yi ≤ 1 i = 1..n
xi ∈ {0, 1}
i = 1..n
• Nombre de variables :
n variables de type xi .
n variables de type yi .
⇒ Le nombre total de variables est 2 × n = 2 × 144 = 288 variables.
• Nombre de contraintes :
Le nombre de contraintes est 6 × n + 5 + 2 × 6 = 6 × 144 + 17 = 881 contraintes.
4
Optimisation et Résolution du problème
Sommaire
4.1 Optimisation multi-objectif . . . . . . . . . . . . . . . . . . . . 29
4.1.1 Notions de base . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.1.2 Choix de la méthode d’optimisation . . . . . . . . . . . . . . . 34
4.1.3 Méthodes d’optimisation multi-objectif . . . . . . . . . . . . . . 35
4.2 Résolution du problème adapté . . . . . . . . . . . . . . . . . . 37
4.2.1 Problème multi-objectif linéaire à variables mixtes en nombres
entiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 Méthode epsilon-contrainte . . . . . . . . . . . . . . . . . . . . 38
Concept : L’optimisation est une technique largement utilisée dans le domaine de la recherche
opérationnelle qui a été employée dans une série d’applications. L’objectif est de maximiser ou
de minimiser une fonction soumise à un ensemble de contraintes. Cependant, dans de nombreuses
situations, les décideurs se retrouvent à vouloir optimiser plusieurs fonctions objectives différentes
en même temps. Cela conduit à l’optimisation multi-objectifs (MOO). Il est facile de voir que
si les objectifs multiples ne coïncident pas, ce problème devient considérablement plus difficile.
Formulation : Ce problème peut être formulé mathématiquement comme :
”min” o ”max”(f1 (x), f2 (x), .., fp (x))T , p ≥ 2
gj (x) ≤ 0, j = 1, 2, .., m
Tel que :
• On pose F (x) = (f1 (x), f2 (x), ..., fp (x))T est le vecteur de p ≥ 2 fonctions objectifs à
optimiser. Où
fi : Rn → R, i = 1, 2, ..., p
x → fi (x)
F : S → Rp , i = 1, 2, ..., p
x → F (x)
Dans l’optimisation mono-objectif, la solution optimale peut être unique ou multiple mais la
valeur de la fonction objectif et unique. Dès que l’optimisation deviens multiobjectif, la notion
de solution optimale n’a aucun sens. On parle de solution efficace ou solution optimale au sens
de Pareto ou solution non dominée.
a) Dominance :
b) Dominance forte :
Z, Z 1 ∈ Y . on dit que Z domine fortement Z 1 si et seulement si Z > Z 1 (i.e.Zi > Zi1 pour
tout i =1,...,r) pour au moins un indice i).
c) Efficacité :
Une solution x∗ ∈ χ est une solution efficace s’il n’existe pas de x ∈ χ tel que Z(x) domine
Z(x∗ ).
Un point est efficace si son image par Z est un vecteur critère non dominé. Le terme efficacité
est aussi connu sous Pareto optimalité ou non infériorité.
d) Efficacité faible :
Une solution x∗ ∈ χ est une solution faiblement efficace s’il n’existe pas de x ∈ χ tel que
Z(x) > Z(x∗ ). Une solution est faiblement efficace si son vecteur critère n’est pas fortement
dominé. Le terme faiblement efficace est connu aussi sous le nom de Slater-optimal.
e) Efficacité forte :
Une solution x∗ ∈ χ est une solution fortement efficace s’il n’existe pas de x ∈ χ tel que
x ̸= x∗ tel que Z(x) ≥ Z(x∗ ).
Par définition, le front de Pareto est l’ensemble généralement non convexe constitué par
l’image des solutions efficaces dans l’espace des critères . En effet, le front de Pareto est
l’ensemble ZN D = F (XE ). La figure montre le front de Pareto pour les différentes situations
envisageables pour un problème deux critères. Notons que, le front de Pareto de chaque cas et
la partie en gras de l’ensemble.
Nous présentons ici quelques points caractéristiques très utilisés dans l’optimisation multiobjectifs
notamment le point idéal, le point Nadir.
a) Le point idéal
Pour le cas de maximisation, le point idéal z ∗ = (z1∗ , z2∗ , ..., zp∗ ) est le vecteur qui maximise
chacune des fonctions objectifs fr Le vecteur défini par :
De même manière analogue, le point idéal pour le cas de minimisation est le point z ∗ =
(z1∗ , z2∗ , ..., zp∗ ) est le vecteur qui minimise chacune des fonctions objectifs fr
b) Le point anti-idéal :
c) Le point Nadir :
Le coordonnées du point nadir correspondent aux pires valeurs obtenues par chaque fonction
objectif sur l’ensemble de solutions non dominées. Le point Nadir définit la borne infèrieure (cas
de maximisation) où les points non dominés peuvent atteindre.
constitue le point nadir (cf. fig. 1.2) avec χE est l’ensemble des solutions efficientes et YN est
l’ensemble des solutions non dominées.
Avant de se lancer dans la résolution d’un problème multi-objectif, il faut se poser la question
du type de méthode d’optimisation à utiliser. En effet, on peut répartir les méthodes de résolution
de problèmes multi-objectifs en trois familles. Ainsi nous pouvons trouver les familles suivantes :
• Préférence a priori : le décideur définit ses préférences entre les différents objectifs avant
d’utiliser la méthode d’optimisation.
• Préférence a posteriori : le décideur choisit la solution de son choix parmi l’ensemble des
solutions fournies par la méthode d’optimisation
Il est à noter que certaines méthodes n’entrent pas forcément dans une seule catégorie. En effet,
la méthode qui consiste à agréger les différents objectifs à l’aide de poids est une méthode
à préférence a priori. Cependant, si les poids sont affectés aléatoirement et si la méthode est
itérée en changeant les poids à chaque exécution, il s’agit alors d’une méthode à préférence
a posteriori. Nous nous intéressons ici à l’optimisation a priori de problèmes multi-objectif,
c’est-à-dire l’étude de méthodes pour générer un ensemble de solutions efficaces ou potentiellement
efficaces.
Les méthodes de résolution des problèmes d’optimisation sont très diverses, et sont destinées
à leur résolution soit de manière exacte, soit de manière approchée (ou heuristique). Les méthodes
exactes ont l’avantage de fournir une garantie sur le résultat obtenu, qui est prouvé comme
étant optimal, mais très souvent on ne peut garantir de trouver la solution optimale en un
temps "raisonnable". Les heuristiques, quant à elles, permettent de fournir très rapidement des
solutions intéressantes, mais n’offrent pas la garantie de trouver la solution optimale, ni même
une solution proche de la solution optimale.
Les méthodes de résolution les plus répandues sont certainement celles construisant un arbre
de recherche afin d’explorer l’ensemble de l’espace de recherche. Ces méthodes sont appelées
Branch & *, ’*’ pouvant être remplacé par Bound, Cut, Price ou Cut & Price) (ces méthodes
sont également appelées méthodes de séparation). Elles utilisent des bornes pour éliminer de
la recherche des ensembles de solutions ayant une certaine structure. D’autres méthodes sont
spécifiques à un problème donné, ou moins générales, comme la programmation dynamique, la
méthode du simplexe, et la programmation linéaire en nombre entiers.
solutions réalisables associé à un des noeuds de l’arbre ou, au contraire de prouver mathématiquement
que cet ensemble ne contient pas de solution intéressante pour la résolution du problème étudié.
Cette évaluation se fait grâce à une fonction qui permet de mettre une borne sur certaines
solutions pour, soit les exclure, soit les garder comme des solutions potentielles.
Des méthodes de résolution approchée ont été mise au point afin de procurer rapidement
des solutions de bonne qualité mais non optimales. Ces méthodes sont regroupées en dittérentes
classes génériques de résolution, qu’on appelle métaheuristiques. Parmi ces méthodes de résolution
approchée, on distingue deux classes : celles se basant sur une solution unique et celles faisant
évoluer une population de solutions.Les métaheuristiques à solution unique sont basées sur un
algorithme de recherche de voisinage qui commence avec une solution initiale, puis l’améliore
pas à pas en choisissant une nouvelle solution dans son voisinage. Les plus classiques sont la
recherche locale, le recuit simulé et la recherche tabou.
a) Recherche locale
Les métaheuristiques dites de recherche locale, ou de descente, sont très anciennes et doivent
leur succès à leur rapidité et leur simplicité. A chaque pas de la recherche, ces méthodes
progressent vers une solution voisine de meilleure qualité. La descente s’arrête quand tous les
voisins candidats sont moins bons que la solution courante, c’est-à-dire lorsqu’un optimum local
est atteint. On distingue ditférents types de descentes en fonction de la stratégie de génération de
la solution de départ et du parcours du voisinage : la descente déterministe (en général on choisit
la solution apportant la plus grande amélioration), la descente stochastique (choix aléatoire
parmi les solutions améliorant la solution initiale) et la descente vers le premier meilleur.
Les problèmes d’optimisation du monde réel ont souvent plusieurs objectifs conflictuels,
plusieurs contraintes et des variables de décision dans le domaine continu. Sans perte de généralité.
Dans notre cas, on a un problème d’optimisation de type MOMILP (Multi-Objective Mixed
Integer Linear Programming). Ce problème peut être formulé comme suit :
M in z1 = f1 (x) = c1 x
”M in”z = f (x) = Cx ...
M in zp = fp (x) = cp x
s.t x∈X= x ∈ Rn : Ax = b, x ≥ 0, xj ∈ N0 , j ∈ I
où k est le nombre de fonctions objectives (critères), n est le nombre de variables, A est une
matrice m × n, b est une colonne m-vecteur et ci , ”i = 1, ..., k”, sont des n-vecteurs de ligne
La méthode des ϵ-contraintes est une technique de programmation mathématique qui transforme
un problème d’optimisation multiobjectif en plusieurs problèmes à un seul objectif pour générer
des solutions optimales Pareto. Cette méthode n’a pas été très souvent utilisée dans le calcul en
raison du fait qu’elle ne génère pas un ensemble de solutions non dominées en une seule fois,
comme le font la plupart des méthodes de calcul évolutif . En outre, il a été constaté que cette
méthode est relativement coûteuse lors de la résolution de problèmes multi-objectifs "faciles",
en raison des nombreuses optimisations mono-objectif exécutées. Pour transformer le problème
multiobjectif en plusieurs problèmes mono-objectif avec des contraintes, il utilise la procédure
suivante (en supposant la minimisation pour toutes les fonctions objectives) :
minimize fl (X)
subject to fj (X) ≤ ϵj f or all j = 1, 2, ..., m, j ̸= l,
X ∈ S
Où l ∈ 1, 2, ..., m et S est la région réalisable, qui peut être définie par toute contrainte
d’égalité et/ou d’inégalité. Le vecteur des bornes supérieures, ϵ = (ϵ1 , ϵ2 , ..., ϵm ), définit la
valeur maximale que peut avoir chaque objectif. Afin d’obtenir un sous-ensemble de l’ensemble
optimal de Pareto (ou même l’ensemble entier, dans le cas où cet ensemble est fini), on doit
faire varier le vecteur des bornes supérieures le long du front de Pareto pour chaque objectif,
et effectuer un nouveau processus d’optimisation pour chaque nouveau vecteur. La génération
de différents points du front de Pareto en utilisant différentes valeurs de la borne supérieure est
illustrée à la figure 4.5.
Pour tout problème d’optimisation multiobjectif non linéaire, la solution par ϵ- contrainte
donne une solution faiblement optimale de Pareto. Une vraie solution optimale de Pareto peut
être obtenue soit si la solution est unique, soit si les optimisations sont faites pour tous les
objectifs avant de déclarer la solution. Cependant, pour améliorer la vitesse de génération des
solutions, une seule optimisation par point peut être effectuée pour obtenir une approximation
de l’ensemble optimal de Pareto.
F IGURE 4.6 – Illustration du Front de Pareto en utilisant ϵ-contrainte avec 2500 points
L’algorithme 1 peut être mis en œuvre pour résoudre une séquence de P ϵ instances. Cet
algorithme requiert en entrée les données ou le problème P C , C et X, ainsi qu’une valeur de
paramètre strictement positive assez petite strictement positive,η, et il fournit en sortie le front
de Pareto complet, N(Z). Cet algorithme utilise quatre procédures internes :
— Ideal(P ) : qui calcule le point idéal,z ⋆ = (z1⋆ , ..., zk⋆ , ..., zp⋆ ), par une mainmisation individuelle
de chaque fonction objectif.
— ApproxN adir(P ) : qui calcule le point nadir ou une approximation de celui-ci, z nad =
(z1nad , ..., zknad , ..., zpnad ).
— A partir des deux calculs précédents, nous pouvons identifier les plages de valeurs possibles,
pour chaque fonction objectif, qui sont délimitées par le bas par zknad et par le haut par zk⋆ ,
pour k = 1, ...., p.
— Solve(P ) : qui fait appel à un solveur de programmation linéaire en nombres entiers pour
résoudre P ϵ , et fournit le vecteur de résultat z̄ = (z̄1 , ..., z̄k , ..., z̄p ).
— F ilter(N̂ (Z)) : qui effectue le filtrage d’un ensemble auxiliaire, N̂ (Z), qui peut contenir
des vecteurs de résultats faiblement non dominés, et fournit en sortie l’ensemble du front
de Pareto, N (Z).
On va faire dans cette sous-section une description technique de l’algorithme adopté pour
la résolution de notre problème. Les différentes fonctions présentées dans cet algorithme sont
décrites ci-dessus.
5
Implémentation numérique
Sommaire
5.1 Présentation du langage Python . . . . . . . . . . . . . . . . . 43
5.2 Présentation du solveur CPLEX . . . . . . . . . . . . . . . . . 43
5.3 Présentation de l’application . . . . . . . . . . . . . . . . . . . . 44
5.4 Résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.5 Interprétation des résultats . . . . . . . . . . . . . . . . . . . . 44
Les langages de programmation sont de différents « niveaux » ; Python, que nous avons
choisi est dit de haut-niveau car il masque la plupart des opérations élémentaires effectuées par
l’ordinateur. Par opposition, les langages de bas-niveau gèrent les opérations de l’ordinateur à
un niveau plus proche de ce qu’il se passe réellement dans l’ordinateur. Python est un langage
simple et moderne, utilisé sur des applications allant de l’éditeur de texte au serveur web ; pour
citer quelques services tournant sous Python, afin d’illustrer la puissance du langage :
• La NASA, l’ESA, le CNES, utilisent Python pour divers logiciels de traitement des
observations spatiales.
Afin d’utiliser le langage Python, il est possible d’avoir recours à diverses méthodes
CPLEX (crée par Robert E. Bixby en utilisant le langage C en 1987 et racheté par la société
ILOG en 1997) est un solveur (logiciel) pour la programmation mathématique (résolution de
programmes linéaires en nombres fractionnaires, mixtes ou entiers et de programmes quadratiques).
Plusieurs types d’algorithmes de résolution sont disponibles, en particulier l’algorithme du
simplexe (primal, dual, problèmes de flot) et un algorithme de points intérieurs (barrier). Deux
modes d’utilisation sont disponibles : via une API, permettant d’interfacer CPLEX à l’aide d’un
langage de programmation (de type Java, Python ou C++), et un mode interactif, en lignes de
commande.
5.4 Résolution
[1] Hanene Ben Salah, Gestion des actifs financiers : de l’approche Classique à la modélisation
non paramétrique en estimation du DownSide Risk pour la constitution d’un portefeuille
efficient. Gestion et management. Université Claude Bernard - Lyon I, 2015. Français.
[3] Hajar TAKI, Construction d’un portefeuille obligataire optimal pour la Caisse Marocaine
des Retraites, modélisation avec livraison d’une application , Juin 2015 .
[10] Roy de Winter, Philip Bronkhorst, Bas van Stein Thomas Bäck, Constrained
Multi-Objective Optimization with a Limited Budget of Function Evaluations.
[11] Maria Joao Alves , Joao Climaco, An interactive reference point approach for
multiobjective mixed-integer programming using branch-and-bound, European Journal of
Operational Research 124 (2000) 478±494.
[12] B. Soylu and G. B. Yildiz, “An exact algorithm for biobjective mixed integer linear
programming problems,” Computers Operations Research 72, 204 – 213 (2016).
[16] Ricardo Landa Becerra and Carlos A. Coello Coello, Solving Hard Multiobjective
Optimization Problems Using -Constraint with Cultured Differential Evolution,
Evolutionary Computation Group at CINVESTAV-IPN (EVOCINV) Electrical Eng.
Department, Computer Science Dept. Av. IPN No. 2508 Col. San Pedro Zacatenco, México
D.F. 07300, México.
[17] Mariana Mesquita-Cunhaa, , José Rui Figueiraa , Ana Paula Barbosa-Povoaa, New
epsilonconstraint methods for multi-objective integer linear programming : a Pareto front
representation approach, CEGIST - Centre for Management Studies, Instituto Superior
Técnico, Universidade de Lisboa, Portugal.
[18] Haimes, Y.Y., Lasdon, L.S., Wismer, D.A. : On a Bicriterion Formulation of theProblems
of Integrated System Identification and System Optimization. IEEE Transactions on
Systems, Man, and Cybernetics 1(3) (1971) 296–297.
[19] Ricardo Landa Becerra and Carlos A. Coello Coello, Solving Hard Multiobjective
Optimization Problems Using -Constraint with Cultured Differential Evolution,
Evolutionary Computation Group at CINVESTAV-IPN (EVOCINV) Electrical Eng.
Department, Computer Science Dept.
[24] Pankaj Gupta , Garima Mittal , Mukesh Kumar Mehlawat, Expected value multiobjective
portfolio rebalancing model with fuzzy parameters, Department of Operational Research,
University of Delhi, Delhi, India AND Department of Decision Sciences, Apeejay School
of Management, Dwarka, New Delhi, India, 2012 Elsevier.
[28] ESMÉ FAERBER, All about BONDS ROND MUTUAL FUNDS AND ROND ETFs.
[29] Marchés financiers Gestion de portefeuille et des risques 6° édition Bertrand Jacquillat et
Bruno Solnik et Christophe Pérignon.
[30] THE BASICS OF FINANCE + Web Site An Introduction to Financial Markets, Business
Finance, and Portfolio Management.
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed non risus. Suspendisse lectus
tortor, dignissim sit amet, adipiscing nec, ultricies sed, dolor. Cras elementum ultrices diam.
Maecenas ligula massa, varius a, semper congue, euismod non, mi. Proin porttitor, orci nec
nonummy molestie, enim est eleifend mi, non fermentum diam nisl sit amet erat. Duis semper.
Duis arcu massa, scelerisque vitae, consequat in, pretium a, enim.
Lorem ipsum dolor sit amet, consectetur adipiscing elit. Sed non risus. Suspendisse lectus
tortor, dignissim sit amet, adipiscing nec, ultricies sed, dolor. Cras elementum ultrices diam.
Maecenas ligula massa, varius a, semper congue, euismod non, mi. Proin porttitor, orci nec
nonummy molestie, enim est eleifend mi, non fermentum diam nisl sit amet erat. Duis semper.
Duis arcu massa, scelerisque vitae, consequat in, pretium a, enim. Pellentesque congue. Ut in
risus volutpat libero pharetra tempor.