5. Quel est le process ?
× Retenir un ensemble de classes d’actifs sur lesquelles nous
construirons une optimisation
× Générer une frontière d’efficience et identifier les portefeuilles
optimaux
× Construire des projections sur les portefeuilles obtenus: niveaux de
probabilité de leur comportement
6. Paramétrer les classes d’actifs
× Sélectionner sur une base de 55000 indices les proxys dont les
historiques représenteront les classes d’actifs choisies
× Utiliser l’un des groupes d’actifs prédéfinis par Morningstar ou
paramétrer vos classes d’actifs.
7. Paramétrer les « inputs »
Plusieurs lois de distribution de probabilité sont disponibles:
× Log-Normal distributions
× Truncated Lévy-Flight distributions
× Log-T distributions
× Johnson distributions
× Bootstrap Historical Data
8. La loi normale
× Distribution de probabilité par défaut
× Représentation graphique
× Choix entre différentes méthodologies pour estimer les performances
attendues : Historique, CAPM, Black Litterman, Building blocks.
9. Autres lois de distribution de probabilité
× On peut aller plus loin que la loi normale et prendre en compte
l’occurrence d’événements extrêmes : Fat Tails, Skewness différent de 0
et Kurtosis (Excess Kurtosis) supérieur à 0.
19. L’optimisation
Inclure différentes frontières d’efficience afin de comparer plusieurs
modèles de répartition d’actif.
Time period: February 1990 to May 2010. Source: Xiong, James X. and Thomas Idzorek, “The Impact of Skewness and Fat
Tails on the Asset Allocation Decision,” Financial Analysts Journal, March/April 2011, pp. 23-35.
27. Projections
50% de probabilité de dépasser 500 K après 11 ans
28. Les avantages de la nouvelle fonctionnalité de Morningstar Direct :
Asset Allocation
× Un accès à une base de 55000 indices
× Un outil basé sur internet
× Un paramétrage souple et hautement personnalisable
× Aller au-delà de la Loi Normale: Fat tails
× Black Litterman : entrez vos vues
× Resampling : envisager plusieurs scenarios sur votre optimisation