Optimisation de portefeuille multi‑horizons

L’optimisation de portefeuille multi‑horizons est une extension dynamique de la sélection moyenne‑variance qui détermine conjointement une séquence de poids de portefeuille et d’actions de trading sur plusieurs périodes futures. Au lieu d’optimiser un compromis à période unique entre rendement attendu et variance, elle minimise un objectif cumulé — généralement une somme pondérée d’utilités ou de pénalités de risque propres à chaque période — sous des contraintes budgétaires dynamiques, des coûts de transaction et une information évolutive. Le cadre modélise explicitement l’évolution dans le temps des préférences des investisseurs, des anticipations du marché et des contraintes, permettant de construire des portefeuilles optimaux non seulement à leur création mais aussi lors de ré‑optimisations séquentielles.

Cette approche généralise l’optimisation statique de Markowitz et corrige ses principales limites dans des contextes réalistes : elle prend en compte la dépendance au chemin (p. ex. l’impact des transactions d’aujourd’hui sur l’ensemble d’opportunités de demain), permet une aversion au risque ou à la perte variable dans le temps, et intègre les coûts de transaction et de rééquilibrage. Les modèles multi‑horizons sont particulièrement utiles pour les investisseurs institutionnels — tels que les fonds souverains, les régimes de retraite et les dotations — qui gèrent des actifs sur de longs horizons pluriannuels et doivent concilier des besoins de liquidité intermédiaires avec des objectifs de croissance à long terme.

L’optimisation multi‑horizons repose sur trois composantes interdépendantes : les variables d’état, les variables de décision et la fonction objectif. Les variables d’état capturent l’ensemble d’informations disponible à chaque période (par ex. les positions actuelles du portefeuille, les prix de marché, les indicateurs macroéconomiques et les préférences des investisseurs). Les variables de décision comprennent le vecteur des poids de portefeuille ou des positions d’actifs à détenir à chaque période et, éventuellement, la taille des transactions exécutées entre les périodes. La fonction objectif agrège les utilités ou pénalités propres à chaque période sur l’horizon de planification, souvent exprimée comme la somme attendue des utilités périodiques moins un terme de pénalité de risque mis à l’échelle par un paramètre d’aversion au risque cohérent dans le temps.

Une formulation courante utilise une structure d’utilité récursive où la fonction valeur à l’instant t satisfait :

V_t(S_t) = max_{a_t} { U(S_t, a_t) + β · E[V_{t+1}(S_{t+1}) | S_t, a_t] }

où S_t désigne l’état à l’instant t, a_t l’action (transaction ou choix de portefeuille), U l’utilité à une période, et β ∈ (0,1] le facteur d’actualisation. Sous une utilité quadratique et des rendements gaussiens, cela se réduit à un problème d’optimisation convexe sur la séquence des poids de portefeuille, la matrice de covariance des rendements multi‑périodes intervenant dans le terme de risque.

Plusieurs variantes de l’optimisation multi‑horizons sont utilisées en pratique, différenciées par la manière dont elles modélisent les préférences, les contraintes et la dynamique des rendements :

• Mean‑variance additive dans le temps : utilise une somme d’objectifs moyenne‑variance par période avec un coefficient d’aversion au risque constant. Simple à mettre en œuvre mais généralement pas cohérent dans le temps sauf si l’aversion au risque est nulle.
• Moyenne-variance temporellement cohérente : ajuste l’objectif pour garantir la cohérence d’une période à l’autre, souvent en redéfinissant le terme de risque afin d’inclure la variance conditionnelle des fonctions de valeur futures. Cela conduit à un problème de contrôle linéaire‑quadratique.
• Cadres d’aversion à la perte : intègrent des préférences dépendantes du point de référence (p. ex., la théorie des perspectives) où les pertes par rapport à un indice de référence ou à la richesse initiale génèrent une désutilité marginale plus élevée. Cela est particulièrement pertinent pour les fonds souverains et les passifs de retraite.
• Optimisation robuste à plusieurs étapes : utilise des arbres de scénarios ou des ensembles d’ambiguïté pour se couvrir contre l’incertitude du modèle dans les prévisions de rendement, réduisant la sensibilité aux erreurs d’estimation dans des contextes à haute dimension.

Les investisseurs institutionnels utilisent l’optimisation multi‑horizon pour coordonner l’allocation d’actifs stratégique avec le rééquilibrage tactique et l’investissement orienté passif. Par exemple, un fonds de pension peut définir trois horizons : court terme (1‑2 ans) pour l’adéquation des flux de trésorerie et la liquidité, moyen terme (3‑5 ans) pour le budgeting du risque et les biais factoriels, et long terme (10 + ans) pour la croissance et la protection contre l’inflation. L’optimiseur sélectionne conjointement les transactions sur l’ensemble des périodes afin de minimiser la somme pondérée de l’erreur de suivi, du turnover et du risque de déficit, sous les contraintes de ratio de financement et des limites réglementaires.

La mise en œuvre suit généralement un schéma à horizon glissant ou récessif : à chaque date de rééquilibrage, le plan multi‑périodes complet est résolu de nouveau avec les prévisions et données de marché actualisées, et seule l’action du premier horizon est exécutée. Cette approche préserve la faisabilité et l’adaptabilité tout en conservant les avantages d’une planification prospective. Des méthodes numériques telles que la programmation dynamique, la programmation stochastique ou l’approximation convexe (p. ex., les relaxations SDP) sont employées selon la taille et la structure du problème.

Considérons un cadre à deux périodes avec deux actifs (actions et obligations), une richesse initiale W₀, et des moyennes de rendement connues μ₁, μ₂ ainsi que la covariance Σ entre les périodes. Les coûts de transaction sont proportionnels : κ·|Δw| par unité de variation de poids. L’investisseur maximise :

E[U₁] + β·E[U₂], où Uₜ = wₜ′μₜ − (γ/2)·wₜ′Σₜwₜ − κ·|wₜ − wₜ₋₁|

Le poids optimal du premier horizon w₀* résout un programme quadratique qui équilibre rendement immédiat, risque et coût d’engagement sur les transactions futures. Si l’optimiseur anticipe que les actions deviendront plus attractives au deuxième horizon, il peut tolérer une sous‑pondération initiale modeste—sachant que le coût de rééquilibrage sera compensé par des rendements attendus plus élevés—alors qu’un optimiseur à période unique réagirait de façon excessive aux seules signaux du premier horizon.

L’optimisation multi‑horizon introduit plusieurs risques pratiques :

• Amplification de l’erreur de prévision : estimer les distributions de rendement multi‑périodes nécessite des hypothèses sur la corrélation sérielle et la dynamique de volatilité ; de petites erreurs se cumulent sur les horizons, entraînant des politiques sous‑optimales ou instables.
• Charge computationnelle : résoudre des programmes à plusieurs étapes de grande taille est coûteux ; les arbres de scénarios à de nombreuses branches deviennent intractables au‑delà de quelques périodes.
• Risque de modèle : les formulations temporellement cohérentes reposent souvent sur une utilité quadratique ou des rendements gaussiens, ce qui peut mal représenter les queues de distribution et l’asymétrie.
• Sur‑apprentissage des covariances historiques : l’estimation de covariances en haute dimension est bruyante, surtout lorsque les horizons dépassent la taille d’échantillon effectif des données historiques.

Pour atténuer ces risques, les praticiens combinent l’optimisation multi‑horizon avec des techniques de régularisation (p. ex., le shrinkage, les modèles factoriels), une génération de scénarios robuste et des tests de résistance sur des trajectoires de rendement alternatives.

• Ignorer les coûts de transaction dans la planification dynamique : considérer l’optimisation multi‑horizon comme une suite de problèmes statiques conduit à un turnover excessif et à une performance érodée.
• Utiliser une aversion au risque incohérente d’une période à l’autre : appliquer un coefficient d’aversion au risque constant dans un objectif moyenne‑variance additive dans le temps génère des stratégies que l’investisseur souhaiterait ensuite abandonner—sapant ainsi la crédibilité du plan.
• Négliger les contraintes de liquidité : supposer une liquidité totale des transactions aux prix prévus peut entraîner des calendriers de rééquilibrage irréalisables, notamment pour les actifs illiquides.
• Mauvaise adéquation entre horizons et droits de décision : un gestionnaire de fonds peut optimiser sur un horizon de 10 ans tout en étant évalué trimestriellement, ce qui crée des incitations désalignées et des écarts fréquents par rapport au plan.

La meilleure pratique consiste à calibrer la durée de l’horizon et l’aversion au risque en fonction du cycle de décision réel de l’investisseur et à valider les résultats de l’optimiseur à l’aide de repères simples (p. ex., buy‑and‑hold, pondération égale) dans des scénarios hors‑échantillon.