1. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Mod´elisation de strat´egies en finance de
march´e
S´eance 12 : Extensions du mod`ele de Markowitz
Alexander Surkov, CFA, FRM, PRM, PhD
alexander.surkov@usherbrooke.ca
´Ecole de gestion
Universit´e de Sherbrooke
Le 5 avril 2017
2. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Table de mati`ere
Mod`ele de Markowitz
Fronti`ere efficiente de Markowitz revisit´ee
Extensions du mod`ele de Markowitz
Limitations du mod`ele de Markowitz
Fronti`ere efficiente r´e-´echantillonn´ee
3. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Table de mati`ere
Mod`ele de Markowitz
Fronti`ere efficiente de Markowitz revisit´ee
Extensions du mod`ele de Markowitz
Limitations du mod`ele de Markowitz
Fronti`ere efficiente r´e-´echantillonn´ee
4. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Probl`eme d’optimisation sans vente `a d´ecouvert
La vente `a d´ecouvert d’actifs risqu´es est souvent
interdite o`u compliqu´ee.
Le probl`eme d’optimisation sous contraintes
σ2
π = ωT
Σω → min
ω
ωT
µ = µπ, ωT
1 = 1, ω ≥ 0
La m´ethode des multiplicateurs de Lagrange ne permet
que des ´egalit´es dans les contraintes, elle ne fonctionne
donc plus.
5. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : des titres de propri´et´e et de dette
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
SPX
TSX
FTSE
DAX
CAC
Nkk
LTB
STB
ITB
6. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Fonction quadprog de Matlab
x = quadprog( H, f, A, b, Aeq, beq, lb, ub );
La fonction quadprog permet de trouver la solution
d’un probl`eme quadratique d’optimisation
1
2
xT
· H · x + f T
· x → min
x
A · x ≤ b, Aeq · x = beq, lb ≤ x ≤ ub
Pour plus de d´etails, voir
www.mathworks.com/help/optim/ug/quadprog.html
7. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Solution num´erique en Matlab (1)
mu = nanmean( r, 1 )’;
N = length( mu );
sigma = nancov( r );
% Minimum global de la variance
mu_mgv = mgv( mu, sigma );
Nprtf = 25;
% Rendements de la fronti`ere
MU = linspace( mu_mgv, max( mu ), Nprtf )’;
% ´Ecarts type de la fronti`ere
Sf = optnum( mu, sigma, MU );
8. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Solution num´erique en Matlab (2)
function [ S, W ] = optnum( mu, sigma, MU )
N = length( mu );
Nprtf = length( MU );
W = NaN( N, Nprtf );
S = NaN( Nprtf, 1 );
for i = 1:Nprtf
[ W(:, i), S(i) ] = quadprog( sigma, ...
[], [], [], [ mu’; ones(1, N) ], ...
[ MU(i); 1 ], zeros( N, 1 ) );
end
S = sqrt( 2 * S );
end
9. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Solution num´erique en Matlab (3)
function [ mu_mgv, S, W ] = mgv( mu, sigma )
N = length( mu );
[ W, S ] = quadprog( sigma, ...
[], [], [], ones( 1, N ), ...
1, zeros( N, 1 ) );
S = sqrt( 2 * S );
mu_mgv = W’ * mu;
end
10. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : fronti`ere efficiente
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
11. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : fronti`eres efficientes
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
12. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Probl`eme d’optimisation avec l’actif sans risque
L’actif sans risque peut habituellement ˆetre prˆet´e.
Le probl`eme d’optimisation sous contraintes
σ2
π = ωT
Σω → min
ω, ω0
ωT
µ + ω0Rf = µπ, ωT
1 + ω0 = 1, ω ≥ 0
Si on exclu ω0 = 1 − ωT1,
σ2
π = ωT
Σω → min
ω
ωT
(µ − Rf 1) = µπ − Rf , ω ≥ 0
13. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : des titres de propri´et´e et de dette
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
14. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Actif sans risque en Matlab (1)
mu = nanmean( r, 1 )’;
N = length( mu );
sigma = nancov( r );
Nprtf = 25;
% Rendements de la fronti`ere
MU = linspace( Rf, 0.01, Nprtf )’;
% ´Ecarts type de la fronti`ere
Sf = optnumrf( mu - Rf, sigma, MU - Rf );
15. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Actif sans risque en Matlab (2)
function [ S, W ] = optnumrf( mu, sigma, MU )
N = length( mu );
Nprtf = length( MU );
W = NaN( N, Nprtf );
S = NaN( Nprtf, 1 );
for i = 1:Nprtf
[ W(:, i), S(i) ] = quadprog( sigma, ...
[], [], [], mu’, MU(i), ...
zeros( N, 1 ) );
end
S = sqrt( 2 * S );
end
16. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : des titres de propri´et´e et de dette
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
17. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Portefeuille de march´e
Le probl`eme d’optimisation pour le portefeuille de
march´e est non-lin´eaire
σπ
µπ − Rf
=
√
ωTΣω
ωTµ − Rf
→ min
ω
ωT
1 = 1, ω ≥ 0
En Matlab, la fonction fmincon permet de trouver une
solution `a partir de certaines valeurs initiales.
[ rm, Srm ] = pdm( mu - Rf, sigma );
rm = rm + Rf;
18. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Portefeuille de march´e en Matlab
function [ rm, S, W ] = pdm( mu, sigma )
N = length( mu );
f = @(x) sqrt( x’ * sigma * x ) / ( x’ * mu );
W = fmincon( f, ones( N,1 ) / N, ...
[],[], ones(1,N), 1, ...
zeros( N, 1 ) );
S = sqrt( W’ * sigma * W );
rm = W’ * mu;
end
19. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : portefeuille de march´e
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
20. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Table de mati`ere
Mod`ele de Markowitz
Fronti`ere efficiente de Markowitz revisit´ee
Extensions du mod`ele de Markowitz
Limitations du mod`ele de Markowitz
Fronti`ere efficiente r´e-´echantillonn´ee
21. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Limitations et extensions du mod`ele de
Markowitz
Variance n’est pas une bonne mesure de risque : les
approches moyenne — semi-variance , moyenne
— CVaR etc.
Le mod`ele ne tient pas compte des passifs : l’approche
moyenne — tracking error ou p´enalisation dans la
fonction cible pour l’erreur de suivi
Le corr´elations ne sont pas les mˆemes dans une p´eriode
de tension : ajustement des corr´elations
Les poids r´esultants sont souvent peu intuitifs.
De plus, ils sont tr`es sensibles au rendement cible et
aux erreurs d’estimation : l’approche des fronti`eres
simul´ees de Michaud, mod`ele de Black–Litterman
22. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Sensibilit´e aux intrants et l’erreur
d’´echantillonnage
L’optimisation cause des poids positifs pour les actifs
les plus avantageux (plus de rendement, moins de
risque) et n´egatifs (si permis) pour les pires actifs.
Ces extr´emit´es sont probablement les cas avec la pire
erreur d’´echantillonnage.
L’algorithme a donc une tendance `a amplifier des
erreurs.
L’erreur peut ˆetre visualis´ee par un r´e-´echantillonnage :
par l’entremise d’un tirage avec la remise de
l’´echantillon des donn´ees observ´ees,
ou bien par la simulation de type Monte-Carlo (tirage
de la distribution ajust´ee aux donn´ees observ´ees).
23. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : sensibilit´e aux param`etres estim´es
0 0.02 0.04 0.06 0.08
0.005
0.01
0.015
0.02
σπ
µπ
24. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Sensibilit´e en Matlab
T = 241;
Nsim = 500;
Wsim = zeros( N, Nprtf, Nsim );
for j = 1:Nsim
Rsim = mvnrnd( mu, sigma, T );
mu_sim = mean( Rsim, 1 )’;
sigma_sim = cov( Rsim );
mu_mgv = mgv (mu_sim, sigma_sim );
MUsim = linspace( mu_mgv, max(mu_sim), Nprtf )’;
[ Ssim, Wsim(:,:,j) ] = optnum( ...
mu_sim’, sigma_sim, MUsim );
end
25. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Table de mati`ere
Mod`ele de Markowitz
Fronti`ere efficiente de Markowitz revisit´ee
Extensions du mod`ele de Markowitz
Limitations du mod`ele de Markowitz
Fronti`ere efficiente r´e-´echantillonn´ee
26. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Portefeuilles ´equivalents
En faisant varier les param`etres µ et Σ, pour chaque µπ,
nous pourrions trouver plusieurs portefeuilles optimaux.
Pour chacun de ces portefeuilles, le rendement et la
variance peuvent ˆetre calcul´es selon les µ et Σ observ´es.
Ces portefeuilles sont ´equivalent de point de vue
statistique au portefeuille correspondant sur la fronti`ere
efficiente (α = 5% des portefeuilles avec les rendements
minimaux pourraient ˆetre exclus).
Dans la fronti`ere efficiente r´e-´echantillonn´ee, les poids
sont ´egaux aux moyennes des poids de tous les
portefeuilles ´equivalents.
27. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : portefeuilles ´equivalents
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
28. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Exemple : la fronti`ere r´e-´echantillonn´ee
0 0.02 0.04 0.06
2
4
6
8
10
x 10
−3
σπ
µπ
29. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Conclusion (1)
Les portefeuilles de la fronti`ere r´e-´echantillonn´ee sont
plus diversifi´es (plus d’actifs sont pr´esents dans la
solution).
En raison de cela, les portefeuilles de la fronti`ere
r´e-´echantillonn´ee ont une meilleure performance hors
´echantillon que ceux de Markowitz.
De plus, leur composition varie plus graduellement si le
rendement exig´e change.
Cependant, l’approche de la fronti`ere r´e-´echantillonn´ee
est compl`etement heuristique, il ne se base sur aucun
probl`eme d’optimisation.
30. Mod´elisation de
strat´egies en
finance de march´e
Alexander Surkov
Mod`ele de
Markowitz
Fronti`ere efficiente
Extensions
Limitations
Michaud
Conclusion (2)
La moyenne de fronti`eres efficientes ne repr´esente pas
les portefeuilles optimaux tenant compte de l’incertitude
dans les intrants.
La fronti`ere r´e-´echantillonn´ee peut ˆetre concave, ce qui
n’est pas possible pour une fronti`ere efficiente.
Le rendements pour construire la fronti`ere
r´e-´echantillonn´ee sont tir´es de la distribution dont les
param`etres contient l’erreur.
Cette m´ethode est quand mˆeme bonne pour estimation
de pr´ecision de l’approche de Markowitz.