Optimisation de la théorie du portefeuille post-moderne (PMPT)

L’optimisation de la théorie du portefeuille post-moderne (PMPT) constitue un cadre de construction de portefeuilles d’investissement en minimisant le risque à la baisse — défini comme les rendements inférieurs à un objectif spécifié ou à un rendement minimal acceptable — plutôt que la variance totale. Elle prolonge la théorie moderne du portefeuille (MPT) en reconnaissant que les investisseurs perçoivent généralement les pertes et les gains de façon asymétrique : ils sont plus sensibles aux déficits qu’à la volatilité à la hausse. L’optimisation PMPT remplace donc l’optimisation moyenne‑variance (MVO) par une optimisation du risque à la baisse (DRO), en utilisant des mesures telles que la semi‑variance, la semi‑déviation ou le ratio de Sortino pour orienter les décisions d’allocation d’actifs.

Contrairement à la MPT, qui suppose que les investisseurs se soucient de la dispersion des rendements autour de la moyenne, quelle que soit la direction, la PMPT modélise explicitement le risque comme l’incapacité à atteindre un objectif, tel qu’un calendrier de passifs, un indice de référence ou un plancher de rendement personnel. Cela rend la PMPT particulièrement adaptée aux applications de planification de retraite, de gestion de fonds de dotation et à d’autres contextes où la sous‑performance entraîne des conséquences concrètes.

L’optimisation PMPT détermine les pondérations du portefeuille qui maximisent le rendement attendu sous une contrainte de risque à la baisse, ou inversement, minimise le risque à la baisse sous une contrainte de rendement cible. Le problème d’optimisation est généralement formulé à l’aide des moments partiels inférieurs (LPM), où la fonction objectif intègre uniquement les écarts quadratiques en dessous d’un rendement cible \(T\) :

où \(r\) représente le rendement aléatoire et \(f(r)\) sa densité de probabilité. En pratique, cela est approximé à l’aide de distributions de rendements historiques ou simulées :

Cet objectif remplace le terme de variance \(\sigma^2 = \frac{1}{N} \sum (r_t - \bar{r})^2\) utilisé dans la MVO. La frontière efficiente ainsi obtenue est concave dans le plan rendement‑risque à la baisse et conduit souvent à des portefeuilles avec une probabilité plus faible de sous‑performance par rapport à l’objectif.

• Target Return (T) : Un indice pré‑spécifié — tel que l’inflation plus 3 %, un flux de trésorerie de passif, ou un taux sans risque — qui définit le seuil des rendements « indésirables ».
• Semi-Variance / Semi-Deviation : La variance ou l’écart‑type des rendements inférieurs à l’objectif, servant de mesure du risque.
• Sortino Ratio : Le rendement excédentaire par rapport à l’objectif divisé par la semi‑déviation, utilisé comme indicateur de performance dans l’optimisation ou le classement.
• Downside Risk Optimization (DRO) : La méthode de calcul permettant de résoudre l’objectif PMPT, souvent mise en œuvre via une programmation quadratique lorsque les rendements sont approximés de façon discrète.

• Convergence Behavior : Les études empiriques montrent que les optimiseurs de semi‑variance non contraints ne convergent pas toujours vers des « solutions de coin » extrêmes comme le prédit la théorie ; au contraire, ils produisent souvent des allocations diversifiées, notamment lorsque les distributions de rendements sont non gaussiennes ou présentent des queues épaisses.
• Data Sensitivity : L’optimisation PMPT est plus sensible au choix du rendement cible et aux hypothèses de distribution des rendements qu’en MPT. De petites variations de l’objectif ou une erreur d’estimation des moments à la baisse peuvent affecter de façon significative les pondérations optimales.
• Computational Complexity : Bien que maîtrisable pour des univers d’actifs de taille modérée, le DRO devient plus coûteux en calcul que la MVO pour des problèmes à grande échelle, en raison d’une pondération du risque non symétrique et de non‑convexités dans les formulations LPM d’ordre supérieur.
• Goal Alignment : Le PMPT excelle lorsque les objectifs de l’investisseur sont clairement définis (par ex. financer un flux de passif connu), mais son avantage sur le MPT s’atténue lorsque les cibles sont arbitraires ou que les distributions de rendements sont symétriques et à queues fines.

Supposons qu’un investisseur vise un rendement annuel de 5 % et évalue deux classes d’actifs à l’aide des rendements annuels historiques :

• Actif A : rendements de [2 %, 6 %, 8 %, 4 %]
• Actif B : rendements de [3 %, 3 %, 7 %, 7 %]

Pour l’actif A, les écarts sous 5 % sont [−3 %, 0 %, 0 %, −1 %] → carrés des négatifs : [9, 0, 0, 1] → semi‑variance = 2,5. Pour l’actif B, les écarts sous 5 % sont [−2 %, −2 %, 2 %, 2 %] → carrés des négatifs : [4, 4, 0, 0] → semi‑variance = 2,0.

Les deux actifs ont la même moyenne (5 %), mais l’actif A présente un risque à la baisse plus élevé (semi‑variance 2,5 contre 2,0) car ses déficits sous l’objectif de 5 % sont plus importants ; ainsi, un investisseur averses à la perte qui optimise selon le PMPT privilégierait l’actif B. Les deux cadres divergent le plus nettement lorsque les actifs partagent la même variance totale mais diffèrent dans la forme de leurs distributions de rendements : comme la variance totale pondère de façon égale les écarts à la hausse et à la baisse, deux actifs ayant une variance identique peuvent afficher des semi‑variances très différentes dès que leurs rendements sont asymétriques — et c’est précisément cette asymétrie que le PMPT cherche à valoriser.