Documente Academic
Documente Profesional
Documente Cultură
Introduction 2
I Gestion de portefeuille 3
1 Approche Statique 3
1.1 Notations et hypothèses de bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Aversion et utilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Programme de markovitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Résolution du programme de markovitz sans contrainte : . . . . . . . . . . . . 5
1.3.2 Résolution du programme de markovitz sous contrainte : . . . . . . . . . . . . 5
2 Approche Dynamique 7
2.1 Gestion dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Résolution du programme de maximisation . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 Solution optimale dans le cas sans contraintes . . . . . . . . . . . . . . . . . . 9
2.2.2 Solution optimale dans le cas avec contraintes . . . . . . . . . . . . . . . . . . 14
3 Approche de Black-Litterman 21
3.1 Le modèle de Black-Litterman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Spécication des vues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3 Calibrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
II Modélisation GARCH 24
1 Représentation du modèle GARCH(p,q) 24
2 Vérication de l'hypothèse du bruit GARCH 25
3 Identication des ordres p et q du modèle GARCH 28
3.1 Méthode d'ajustement du modèle autoregressif AR(p) . . . . . . . . . . . . . . . . . 28
3.2 Méthode d'ajustement du modèle moyenne mobile MA(q) . . . . . . . . . . . . . . . 29
Conclusion 37
Bibliographie 38
Annexe 39
1 Approche statique- optimisation sous contraintes 39
2 Approche dynamique-optimisation sans contraintes 40
2.1 Cas d'une fonction d'utilité puissance . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2 Cas d'une fonction d'utilité exponentielle . . . . . . . . . . . . . . . . . . . . . . . . 40
Je remercie la BNP Paribas et l'ensemble des collaborateurs avec lesquels j'ai été amené à
travailler pour leur accueil et leur bonne humeur.
Plus particulièrement, je souhaite transmettre un remerciement sincère à Jalila AZIKI, mon
responsable de stage, pour sa disponibilité et c'est grâce à ses conseils avisés, clairs et ciblés que j'ai
pu mener à bien ce travail.
Aussi, j'inclus à ma reconnaissance l'ensemble des membres de la salle des marchés qui m'ont
motivé par leur dynamisme et leur ouverture d'esprit qui a largement participé à faciliter mon
intégration au sein de la société.
Ma gratitude s'adresse enn au corps enseignant de l'ENSAE, pour leurs pédagogie et leurs
conseils qui me seront utiles toute ma vie professionnelle.
Introduction
Avec la croissance des marchés nanciers, la visibilité sur les stratégies d'investissement devient
de moins en moins lucide et nécessite une analyse d'information de plus en plus complexe. Le but
étant d'aider les gestionnaires des portefeuilles à prendre des choix d'investissement optimaux tout
en aillant une aidée claire sur le risque qu'ils encourent. C'est dans ce cadre que s'est située notre
mission de stage qui avait pour objectif, de mettre à la disposition des gérants de portefeuilles,
des outils de gestion et d'aide à la décision qui s'adaptent aux horizons d'investissement et aux
contraintes des expositions, mais aussi aux convictions subjectives sur les performances du marché,
et qui orent à leur utilisateur la possibilité de suivre et de prévoir les risques associés à ses positions.
Dans un premier temps, nous présenterons la théorie classique de gestion de portefeuille avant
de s'attarder sur l'approche de base utilisée dans notre étude, à savoir l'approche dynamique de
gestion de portefeuille. Puis, nous insisterons sur l'approche de Black-Litterman qui permet de ma-
rier les modèles quantitatifs de gestion avec les vues personnelles du gérant.
La deuxième partie sera consacrée à la modélisation des séries nancières par le modèle GARCH
(modèle AutoRégressif Conditionnellement Hétéroscédastique). La particularité de ce modèle est
qu'il repose essentiellement sur le concept de variance conditionnelle, grandeur de grande utilité
pour la mesurer de la VaR (Value-At-Risk) et d'autres indicateurs essentiels au bon encadrement
du risque de portefeuille. L'organisation de cette partie, explicitera dans un premier temps les mo-
tivations derrières le choix de la modélisation GARCH, ensuite, la démarche choisi au cours de
la modélisation et qui a servi de base pour l'implémentation de l'outils informatique. Enn, nous
reprendrons brièvement les étapes de modélisation sous un exemple numérique.
Gestion de protefeuille
Première partie
Gestion de portefeuille
1 Approche Statique
Alors que les portefeuilles étaient gérés comme un ensemble de titres plus ou moins indépendants,
les travaux de markowitz(1959)[1] sur la gestion statique de portefeuille se sont attardés sur la prise
en compte des dépendances entre les titres individuelles et ont permet d'établir un cadre d'analyse
formel connu sous le nom de l'approche statique de gestion de portefeuille et qui est considéré à la
base de la gestion modèrne du portefeuille.
Dans cette partie, nous allons présenter les hypothèses de base de cette approche, ses fondements
mathématiques et les méthodes numériques qui permettent de chercher les allocations optimales
dans le cas de gestion sous contraintes.
ST0 = S00 (1 + r)
On suppose qu'on dispose d'une richesse initiale V0 à investir en respectant la contrainte budgétaire
P n i i
i=0 α0 = 1, avec α0 la proportion de richesse à inverstir en actif i.
En intégrant la contrainte budgétaire et remplacant le prix de l'actif sans risque par son expression
en fonction du taux sans risque, on obtient :
Xn
VT 0 α0i STi
= α0 (1 + r) +
V0 i=1
S0i
On note :
π(α0 ) la surperformance du portefeuille par rapport à l'actif sans risque.
π i la surperformance de l'actif i par rapport à l'actif sans risque.
Sous forme matricielle, la surperformance du portefeuille devient :
¡ ¢0
π(α0 ) = α00 π avec π = π 1 , π 2 , ..., π n
Dans la suite, on suppose que π est un vecteur gaussien multivarié de moyenne µ et de matrice de
variance covariance Σ .
page : 3
Gestion de protefeuille
Remarque :
Dans cette approche, on se limite au cas d'une fonction d'utilité exponentielle ; U (x) = −exp (−λx),
où λ est l'aversion au risque.
Pour cette fonction, on a :
∆U = λexp (−λx) ∆x
donc
∆U
= −λ∆x
U
En posant v0 = λ1 , on obtient :
∆U ∆x
=−
U v0
On constate alors que v0 à l'unité d'une richesse et peut être comparé à la richesse initiale pour
estimer l'aversion au risque.
page : 4
Gestion de protefeuille
Toutefois, la solution analytique de ce programme est beaucoup moins évidente comme exposé
dans le théorème de Karuch-Kuhn-Tucker. D'autant plus le nombre d'opérations nécessaires pour
résoudre ce système de manière analytique, augmente de l'ordre de 3n en fonction de la dimension
du problème(voir annexe).
Il s'agit d'une méthode itérative où, partant d'un vecteur initial α0 arbitraire, on construit une
suite de vecteurs αk , k ≥ 0. Autrement dit, l'objectif est la construction d'une méthode convergente,
en ce sens que, pour tout vecteur initial α0 , la suite (αk )k≥0 converge vers une solution du problème.
Pour construire le vecteur αk+1 à partir du vecteur αk , l'idée consiste à se ramener à un problème
"facile à résoudre numériquement", à savoir un problème de maximisation pour une fonction d'une
seule variable réelle. Pour cela, partant d'un vecteur initial α0 , chaque vecteur αk est construit en
page : 5
Gestion de protefeuille
calculant succesivement ses composantes par la résolution des problèmes suivants de minimisation
à une variable (on a entouré de crochets chaque nouvelle composante calculée) :
¡£ k+1 ¤ k k ¢ ¡ ¢
J ¡ α1 £ , α2 , ¤α3 , . . . , αnk¢ = supζ∈Λ J ¡ ζ, α2k , α3k , . . . , αnk ¢ ,
J αk+1 , αk+1 , α3k , . . . , αnk = supζ∈Λ J αk+1 , ζ, α3k , . . . , αnk ,
1 2 1
..
¡ k+1 k+1
£ ¤¢ . ¡ ¢
J α1 , . . . , αn−1 , αnk+1 = supζ∈Λ J α1k+1 , . . . , αn−1 k+1
,ζ .
avec Λ l'ensemble des stratégies admissibles d'investissement dans les actifs risqués et J est la
fonction dénie par :
J (α) = α0 µ − α0 Σα.
page : 6
Gestion de protefeuille
2 Approche Dynamique
La gestion statique du portefeuille apporte de nombreux enseignements robustes, mais très par-
tiels. Les hypothèses retenues ne permettent pas de mettre en places des stratégies plus complexes
que d'acheter et attendre. La gestion dynamique du portefeuille vient pour remédier à ce problème.
Plusieurs approches de gestion dynamique sont possibles, nous présenterons celle développée par
Samuelson 1969 et anée par Merton 1998, et qui consiste à chercher une stratégie de portefeuille
en utilisant des méthodes de type contrôle optimal. Ensuite, nous allons l'appliquer pour diérentes
fonctions d'utilité pour conclure par la suite sur les avantages et inconvénients de l'approche. Enn,
nous allons étendre l'approche dans le cas de gestion sous contraintes et proposer une méthode de
résolution numérique.
n actifs risqués :
½
dSt = diag (St ) (rt dt + σ (t, St ) dWt ) (2.1)
S 0 = s0
avec :¡ ¢0
St = St1 , . . . , Stn
.. 2
σ1,n+1
.
· · · Σ(n,n) · · ·
2
σ = ..
.. .
.
2 2
σn+1,1 ... σn+1,n+1
2 2
Σ étant la matrice de varaince covariance entre les actifs risqués. Les termes σ.,n+1 et σn+1,.
quand à eux, désignent la covariancce entre les actifs risqués et l'actif sans risque.
En utlisant les valeurs forward , on peut montrer que l'équation de la dynamique de la richesse peut
se simplier sous la forme :
(
dVt = Vt αt0 dS
St
t
V0 = ν
page : 7
Gestion de protefeuille
Nous pouvons donc nalement écrire le programme d'optimisation dynamique an de construire
le portefeuille eecient :
supαt ∈Λ E [U (VT )]
s.c :
V0 = ν
Et [Vt+h − Vt ] = Vt αt0 µt h
h i
2 2
Et (Vt+h − Vt ) = Vt2 (αt0 σt dWt )
donc µ ¶
2
∂J ∂J 1 2 ∂ J
h + supα∈Λ(t,t+h) Vt hαt0 µt + Vt2 (αt0 σdWt ) ' ◦ (h) .
∂t ∂V 2 ∂V 2
avec :
n+1
XX n
2
(αt0 σdWt ) = αj2 σji
2
h
i=1 j=1
car dWti .dWtj = 0 pour i 6= j.
Ainsi, la fonction valeur est solution de l'équation de Hamilton Jaccobi Bellman(HJB) suivante :
( h ³P ´ 2 i
∂J 0 ∂J 1 2 n+1 Pn 2 2 ∂ J
∂t + sup α∈Λ (t,t+h)
V t α µ ∂V + 2 V t i=1 j=1 αj σji ∂V 2 = 0 (2.2)
J (T, VT ) = U (VT )
page : 8
Gestion de protefeuille
Or, on montre
h queJ est concave³ du fait qu'elle
´i constitue l'esperance d'une fonction concave. Donc
∂J V 2 Pn+1 2
le sup de αj Vt µj ∂V + α2j 2t σ
i=1 ji est atteint pour :
∂J
−µj ∂V
αj = ∂2J
Pn+1 2
.
Vt ∂V 2 i=1 σji
Commentaire :
∂2J
Le fait que les αj soient fonctions de ∂J ∂J
∂t , ∂V et ∂V 2 traduit le comportement de myopie des in-
vestisseurs. Il s'agit tout simplement du fait de s'attarder aux uctuations à court terme et d'être
incapable d'adopter une vision à long terme.
Remarque :
Sous l'hypothèse d'anticipations stationnaires de la variance "σt = σ " et du rendement moyen
"µt = µ", on obtient une stratégie d'allocation constante en fonction du temps. Une telle stratégie
est appelé constant mix.
Soit QT la probabilité forward risque neutre. En vertu de l'equation (2.1), la dynamique des actifs
risqués sous la probabilité QT est :
page : 9
Gestion de protefeuille
dVt −1
et puisque Vt = αt [diagSt ] dSt alors :
dVt
= αt0 σdW QT
Vt
n
Ãn+1 !
dVt X X
QT
⇒ = αj σij dW .
Vt j=1 i=1
donc :
Pn+1 ³Pn ´2
j=1 αj σij
n+1
X Xn
i=1
Vt = V0 exp − ·t+ αj σij WiQT . (1)
2 i=1 j=1
D'autre part, on a :
n+1
X
dStj
= σij dW QT
Stj i=1
Stj −→ Stj (1 + x)
dVt Pn dStj
alors, en se servant de l'equation Vt = j=1 αj Stj
, la richesse évolue de αx% :
¡ ¢
Vt −→ Vt 1 + αj x
Soit δtj− le nombre d'actifs risqués j détenus par l'investisseur juste avant la variation du prix.
On a :
Vt
δtj− = αj .
St
page : 10
Gestion de protefeuille
Fig. 1 Evolution de la richesse en fonction du prix de l'actif risqué pour α =-0,5 et α =0,5
page : 11
Gestion de protefeuille
Pour garder la même composition après la variation du prix, le nombre d'actifs risqués détenus
vaut : ¡ ¢
j Vt 1 + α j x
δt = αj .
St (1 + x)
Finalement, la quantité n d'actifs risqués à acheter pour garder la même composition est égale à :
Vt (1 + αj x) − Vt (1 + x)
∆δ = δt − δt− = αj
Stj (1 + x)
¡ ¢ Vt x
⇒ ∆δ = αj2 − αj
St (1 + x)
Fig. 2 Variation du nombre d'actifs risqués détenus suite à l'augmentation de son prix en x%
A partir du graphique ci-dessus, on constate que quand le prix d'un actif risqué augmente,
l'investisseur vend une partie de ce dernier pour diminuer l'augmentation de la proportion de cet
actif constatée sur son portefeuille, et ce, dans le but de rester à constant-mix. De façon simple,
la stratégie constant-mix consiste à vendre l'actif risqué en faveur de l'actif sans risque lorsque son
prix augmente et à faire l'inverse quand il baisse.
L'intérêt de cette stratégie est que le gestionnaire peut tirer prot des hausses du marché en vendant
l'actif risqué, ce qui permet de collecter des bénéces. Et lorsque le marché est en baisse, d'acheter
page : 12
Gestion de protefeuille
Limites de l'approche
Si les actifs risqués du portefeuille subissent une hausse persistante de prix, on aura de moins
en moins d'actifs risqués et de plus en plus d'actifs sans risque. Ce qui réduira le rendement
du portefeuille puisqu'il va tendre vers celui de l'actif sans risque.
A l'opposé, suite à une baisse persistante des prix des actifs risqués qui composent le porte-
feuille, on aura de plus en plus d'actifs risqués et de moins en moins d'actifs sans risque. Ce
qui conduira à des pertes très lourdes si les prix continuent leurs baisse.
Remarque
Soit Mtj le montant investi dans l'actif j à l'instant t.
On a :
Mtj = αjt Vt
µj
⇒ Mtj = Pn+1 2
i=1 σji
donc, sous l'hypothèse d'anticipations stationnaires, le montant investi dans l'actif risqué j reste
constant en fonction du temps.
Partant de la formule(2.1), et utilisant la formule d'itô, on peut montrer qu'on a sous la probabilité
forward risque neutre QT :
1
1 1
d ln (St ) = σdWtQT − σ 2 1n+1 dt avec 1n+1 = .
2 ..
1 (n+1,1)
donc
dVt 1
= αt0 d ln (St ) + αt0 σ 2 1n+1 dt
Vt 2
n
à ! n n+1
X V0 µj STj 1 X V0 µj X 2
⇒ Vt − V0 = Pn+1 2 ln + P σji t
j=1 i=1 σji S0j 2 j=1 n+1 2
i=1 σji i=1
n
" Ã ! #
Vt − V0 X µj STj 1
⇒ = Pn+1 2 ln + µj t
V0 j=1 i=1 σji S0j 2
Remarque
La richesse étant exprimée en valeur forward, VT ≥ V0 signie qu'on réalise une performance meilleur
que celle de l'actif sans risque ;
V T ≥ V 0 ⇒ VTspot ≥ V0spot .
page : 13
Gestion de protefeuille
Commentaire
En suivant le même raisonnement que celui présenté dans le cas de la fonction d'utilité puissance,
on montre que cette approche reproduit les mêmes dérives que la première, que se soit dans le cas
des hausses ou des baisses persistantes du marché.
Algorithme de résolution
L'algorithme de résolution connu sous le nom d'algorithme de Howard[5][6] consiste à alterner deux
étapes :
page : 14
Gestion de protefeuille
une étape de calcul de la politique optimale α pour chaque date t ∈ [0, T [ et chaque niveau de
richesse détenue Vt , en fonction de la fonction valeur J , ceci en maximisant le second membre
de l'équation de Bellman.
une étape de résolution exacte de l'equation de Bellman dans laquelle on remplace le contrôle
réel par le contrôle précédement trouvé.
Cela consiste donc à calculer les deux suites récurrentes (αn )(0≤t≤T,Vt ∈[0,∞[) et (Jn )(0≤t≤T,Vt ∈[0,∞[)
dénies par :
∂J 1
n+1
XX n
∂ 2
J
n n
• αn+1 = supα∈Λ Vt α0 µ + Vt2 2
αj2 σji (1)
∂V 2 ∂V 2
i=1 j=1
n+1
XX n
∂Jn+1 ∂Jn+1 1 2 ∂ 2 Jn+1
• + Vt αn0 µ + Vt2 2
(αn )j σji =0 (2)
∂t ∂V 2 i=1 j=1
∂V 2
Dans cet algorithme, la suite Jn converge rapidement vers la solution J de l'équation de Bellman,
à cause du fait que le conrôle optimale α est régulier par rapport à la fonction J .
page : 15
Gestion de protefeuille
Fig. 4 Estimation de la fonction valeur obtenue par l'alogorithme de Howard après seulement 15
itérations
page : 16
Gestion de protefeuille
On pose :
Vt /V0
ξt = ∈ [0, 1[
1 + Vt /V0
L'idée derrière ce changement de variable est que la fonction f dénie par :
x
f : x −→
1+x
est à valeurs dans ]0, 1[ pour tout x dans R+
∗ . Par ailleurs, l'utilisation du rapport Vt /V0 plutôt que
Vt donne que ξ0 = 21 et permet de gagner en terme de simplication dans la résolution du problème.
ainsi :
³ ´
Vt /V0
∂ξt ∂ 1+V t /V0 1
= = 2
∂Vt ∂Vt (1 + Vt /V0 )
1 2
= (1 − ξt ) .
V0
et
³ ´
2
∂ 2 ξt ∂ V10 (1 − ξt ) ∂ξt
2 = ·
∂Vt ∂ξt ∂Vt
2 3
= − 2 (1 − ξt ) .
V0
donc
∂J ∂J ∂ξt ∂J 1 2
• Vt = Vt · · = Vt · · (1 − ξt )
∂Vt ∂ξt ∂Vt ∂ξt V0
∂J
= ξt (1 − ξt ) .
∂ξt
et
³ ´
1 2 ∂J
2
∂ J ∂ V0 (1 − ξt )∂ξt
∂ξt
• Vt2 = Vt2 ·
∂Vt2 ∂ξt ∂V
µ 2
¶
2 2 ∂J 1 2 ∂ J ∂ξt
= Vt − (1 − ξt ) + (1 − ξt ) ·
V0 ∂ξt V0 ∂ξt2 ∂Vt
∂J ¡ ¢ ∂2J
= −2ξt2 (1 − ξt ) + ξt2 1 − ξt2 ·
∂ξt ∂ξt2
dès lors, l'équation de HJB qui servivra pour chercher la stratégie optimale est :
h h ii
0 = ∂J + supαt ∈Λ ξ (1 − ξ) αt0 µ ∂J + 1 Pn+1 Pn α2 σ 2 · ξ 2 (1 − ξ) −2 ∂J + (1 + ξ) ∂ 2 J2 (2.4)
∂t ∂ξ 2 i=1 j=1 j ji ∂ξ ∂ξ
³ ´
J (T, ξT ) = U ξT
1−ξT
page : 17
Gestion de protefeuille
Discrétisation en temps
Nous écrivons l'équation précédente de HJB sous la forme :
∂J
+ supα∈Λ A (t, ξ) · J (t, ξ) = 0 (3)
∂t
avec t qui varie dans [0, T ] et l'opérateur A est donné par :
n+1 n · ¸
∂ 1 XX 2 2 2 ∂ ∂2
A (t, ξ) = ξ (1 − ξ) αt0 µ + αj σji · ξ (1 − ξ) −2 + (1 + ξ) 2
∂ξ 2 i=1 j=1 ∂ξ ∂ξ
A présent, on introduit un pas de temps subdivisant notre intervalle [0, T ] en N intervalles égales,
associées aux instants intermédiaires tk :
T
∆t = , t k = k · ∆t , 0 ≤ k ≤ N
N
Pour trouver des solutions approchées, nous utilisons les théta-schémas qui se traduisent sous l'ex-
pression :
J ((i + 1) ∆t , ξ) − J ((i) ∆t , ξ)
0= + Ak [J ((i + 1) ∆t , ξ) + θ (J (i∆t , ξ) − J ((i + 1) ∆t , ξ))]
∆t
avec 0 ≤ θ ≤ 1.
Discrétisation en espace
Les temps intermédiaires tk dénissent naturellement pour 0 ≤ k ≤ N , des points ξ sur le maillage
de points. Dans un souci de simplicité dans la mise en oeuvre pratique, on garde ici une progression
uniforme pour l'ensemble des points de la suite (ξk ) :
ξ k = k · ∆ξ , 0 ≤ k ≤ M
avec, la première dérivée première qui concerne les points décentrés à droite, la deuxième les
points centrés et la troisième les points décentrès à gauche.
page : 18
Gestion de protefeuille
avec, la première dérivée seconde qui concerne les points décentrés à droite, la deuxième les
points centrés et la troisième les points décentrès à gauche.
Discrétisation du problème de résolution de Howard :
Comme mentionné auparavant, l'algorithme de Howard se base sur une alternance entre itérations
sur les politques et itérations sur les valeurs. L'expression générale du problème étant introduite
dans le cas continu, nous proposons ci-dessous une reformulation dans le cas discret qui s'adapte à
la résolution par diérences nies.
aj αj2 + bj αj
avec : ( h i
Pn+1 ∂2J
aj = 12 ξ 2 (1 − ξk ) i=1
2
σij ∂J
−2 ∂ξ k
+ (1 − ξk ) ∂ξ 2
k
∂J
bj = ξk (1 − ξk ) ∂ξ k
µj
on pose :
−bj
maxj =
2aj
La détermination du maximum relatif de cette équation passe par la détermination de sa concavité ;
2
Si ∂∂ξJ2 < 0 :
k ³ ´
j j j
− si max j ≤ αmin alors αn+1 = αmin
¡ j
¢ j j
− si ³maxj ≥ αmax alors
´ αn+1 = αmax
− si j
αmin ≤ maxj ≤ αmaxj
alors j
αn+1 = maxj
∂2J
Si 2
∂ξk
≥0:
³ ´
− si j2
aj αmax j
+ bj αmax j2
≥ aj αmin j
+ bj αmin alors j
αn+1 j
= αmax
³ ´
− si j2
aj αmax j
+ bj αmax j2
< aj αmin j
+ bj αmin alors j
αn+1 j
= αmin
page : 19
Gestion de protefeuille
J (i + 1, k) − J (i, k)
0= + (1 − θ) Aki+1 + θAki
Dt
En réaménageant les termes de cette équation, on déduit la relation de récurrence suivante entre
les J (i, ·) : ¡ ¢ ¡ ¢
1 + Dt (1 − θ) Ak J (i + 1, k) = 1 − Dt θAk J (i, k)
Sous forme matricielle, on peut montrer que le passage du vecteur J (i + 1, ·) au vecteur J (i, ·) se
fait via la résolution d'un système linéaire de la forme :
Ai J (i, ·) = bi+1
Ainsi de suite, on détermine les termes J (·, T − 2∆t ) , J (·, T − 3∆t ) , . . . , J (·, 0) qui consti-
tuent les valeurs de la fonction valeur Jn+1 sur le domaine d'étude.
il reste alors simplement à calculer ...
Remarque
L'algorithme de Howard nécessite souvent peu d'itérations pour converger "bibcool19", mais chaque
itération comprend une inversion de matrice. Cette méthode, s'avère donc peu pratique vu l'im-
portant temps de calcul nécessaire pour inverser les matrices de grandes tailles. Pour contourner
ce problème, on propose de résoudre le système linéaire A · J = b par factorisation plutôt que par
inversion de la matrice A(voir annexe).
page : 20
Gestion de protefeuille
3 Approche de Black-Litterman
L'intérêt de cette approche, connue encore sous le nom de l'allocation mixte, est de trouver un
équilibre entre les positions de long et de court termes.
Les positions de long terme sont les allocations du portefeuille de référence qui peut être représenté
par l'indice du marché dont les actifs constitutifs sont pondérés par leur capitalisation boursière
,ou par les allocations issues d'une optimisation quantitative, telle que l'optimisation statique ou
dynamique présentées auparavant.
Les positions de court terme sont habituellement le produit de modèles ou d'idées du gestionnaire
de portefeuille. Ces prévisions peuvent être la source de rendement excédentaires par rapport au
portefeuille de référence, mais aussi une source de risque.
L'allocation mixte d'actifs a donc pour but, d'obtenir un compromis entre le portefeuille de ré-
férence et les positions tactiques, de telle manière que le potentiel de rendements excédentaire soit
intéressant sans que le risque encouru puisse empêcher l'atteinte des objectifs nancières du porte-
feuille.
Dans cette section, on montrera en premier lieu le fondement mathématique de l'approche, ensuite,
la démarche pratique de spécication des vues du gestionnaire du portefeuille, enn on exposera
une méthode de calibration des paramètres du modèle.
On suppose que les rendements espérés sont distribués autour des rendements implicites d'équi-
libre avec une matrice de covariance proportionnelle à la matrice de covariance initiale ;
µBL 7→ ℵ(µ, τ Σ)
Le facteur de proportionnalité τ sera plus au moins faible en fonction des niveaux de conance dans
le marché, plus τ est grand, plus la conance dans le marché sera grande.
Dans le cas où on dispose pas de vue particulière, τ = 0, les rendements espérés seront égaux
à µ. Dans le cas de vues, il faut les combiner avec l'équilibre de manière optimale, c'est tout l'ob-
jectif, la diculté de l'approche de Black-Litterman.
Pour le moment, supposons que nous pouvons préciser ces vues sous la forme matricielle suivante :
P.µBL = V + ²
avec P une matrice k lignes et n colonnes, avec k le nombre de vues et n le nombre d'actifs, ²
un terme d'incértitude sur la vue. P.µBL est supposé normalement distribué de moyenne V et de
matrice de covariance Ω correspondant au terme d'incertitude ².
Dans le cas de vue incertaines , on montre que l'espérance de µBL est : (voir annexe)
h i−1 h i
−1 −1
µBL = (τ Σ) + P 0 Ω−1 P (τ Σ) µ + P 0 Ω−1 V
page : 21
Gestion de protefeuille
Cette formule connue sous le nom de "Master Formula" s'interprète de la manière suivante :
L'espérance des rendements µBL apparaît comme une moyenne pondérée :
des rendements µ avec un coecient de pondération (τ Σ)−1 , qui sera d'autant plus fort que
τ et Σ seront faibles.
des vues V avec un coecient de pondération P 0 Ω−1 qui sera d'autant plus fort que l'incerti-
tude sur la vue Ω sera faible.
Lorsque le gérant est moins conant dans ses vues l'eséprance du rendement sera plus proche des
rendements d'équilibre µ.
L'espérance des rendement apparaît donc comme un compromis (mais optimal) entre l'équilibre du
marché et les vues.
Remarque :
Dans le cas d'un seul actif de rendement d'équilibre µ et de variance σ 2 , avec µBL 7→ ℵ(v, w2 ), la
relation précédente devient :
µ v
+ 2
µBL = τ σ 2 w
1 1
+ 2
τσ 2 w
on remarque nettement que l'espérance du rendement est bien une moyenne entre le rendement
d'équilibre et la vue.
La dernière étape consiste à déterminer les pondérations optimales. Pour cela, il sut d'utiliser
l'approche statique ou dynamique introduites auparavant, en remplaçant uniquement le vecteur des
rendements moyens historiques, par le vecteur µBL .
Exemple :
Dans le cas de l'approche statique sans contraintes, le vecteur des allocations optimales s'écrit :
1 −1
wBL = Σ µBL .
γ
avec γ le coecient d'aversion au risque
La performance relative de 3% à plus au moins 1% est interprété comme une variable aléatoire nor-
malement distribuée de moyenne 3% et variance telle que 90% se trouve entre 2% et 4%, autrement
dit tel que 1.645 σ =1%, soit σ =0.61%.
Une vue absolue peut être formulée de la manière suivante : le secteur des biens non cycliques sera
de 7.5% à plus au moins 1.5% (à 90% de conance).
Se traduisant par :
1.µcycl 2
BL 7→ ℵ(7.5%, 0.91 )
page : 22
Gestion de protefeuille
De la même façon que précédement, σ =0.91 correspond à l'écart type normal, tel que 1.5=1.645σ .
On peut en plus, combiner ces deux vues sous une forme matricielle pour construire la matrice P
de 2 lignes (nombre de vues) et 10 colonnes (nombre d'atifs égale à 10 par exemple) .
µ ¶
0 0 0.34 0 0.66 0 −0.51 0.49 0 0
P =
0 0 0 1 0 0 0 0 0 0
avec µ ¶
3%
V =
7.5%
et µ ¶
0.61%2 0
Ω=
0 0.91%2
3.3 Calibrations
La calibration consiste à trouver la valeur des paramètres du modèle à partir des données du
marché. Ainsi, dans le cas du portefeuille de marché, de rendement rm et volatilité σM , le paramètre
d'aversion γ s'obtient par la relation :
rM − rf ree
γ= 2 .
σM
Le paramètre τ qui intervient dans la formule de Black-Litterman peut être calibré de plusieurs
manières. Une première méthode consiste à rechercher un compromis entre la conance totale re-
présentée par la variance totale "trace(Ω)" et un terme d'incertitude sur les vues liées au marché
"τ 10k P ΣP 0 1k ", avec 1k le vecteur de dimension k contenant des 1 :
Ω
τ=
10k P ΣP 0 1k
Remarque :
En appliquant la relation précedente dans le cas d'un seul actif, on obtient :
w2
τ=
σ2
et
1
µBL = (µ + v)
2
Une autre façon pour calibrer τ consiste à examiner les performances attendues. L'Information
Ratio anticpé doit rester raisonnable. Ce ratio d'information est égal au rendement en excès divisé
par l'écart type des rendements en excès, plus connu sous le nom de "Tracking Error". Un ratio
d'information réaliste ne peut dépasser 2 : des rendements anticipés qui s'écartent de plus de 2 écart
type des rendements d'équilibre sont très improbables. Si le Ratio d'information est supérieur à 2,
il sut de diminuer τ jusqu'à obtenir un ratio d'information égal à 2.
page : 23
Modélisation GARCH
Deuxième partie
Modélisation GARCH
La modélisation des séries nancières est un problème complexe. Cette complexité n'est pas
seulement due à la grande variété des séries (prix d'actions, taux d'intérêt, taux de change . . .), à
l'importance de la fréquence d'observation (minute, jour, heure,. . .) ou à la disponibilité d'échan-
tillons de très grande taille. Elle tient surtout à l'existence de régularités statistiques ('faits stylisés')
communes à un très grand nombre de séries nancières et diciles à reproduire articiellement à
partir de modèles stachastiques.
Parmi ces régularités, on cite ci-dessous, celles vériées pour les séries quotidiennes de prix des
actions.
³ ´
Soit pt le cours d'un actif à la date t et rt rt = ptp−p t−1
t−1
son rendement.
(i) Autocorrélation des carrées des variations de prix ; on constate que la série (rt ) présente de
très faibles autocorrélations, le rendant proche d'un bruit blanc. En revanche les séries des car-
rées rt2 sont souvent fortement autocorrélées. Ces deux proporiétés ne sont pas incompatibles mais
montrent que le bruit blanc rt n'est pas indépendant.
(iii) Regroupement des extrêmes ; Les grandes valeurs de |rt |, ou fortes variations de prix, tendent
à être suivies de grandes valeurs, et les petites de petites. Cette propriété se voit souvent à l'oeil nu
sur les trajectoires des séries. Comme ces sous périodes sont récurrentes mais se succèdent de façon
non périodiques, ceci ne signie pas que la suite des rendement est incompatible avec un processus
stationnaire. C'est un phénomène connu sous le nom d'hétéroscédasticité conditionnelle ( variance
conditionnelle n'est pas constante).
(iv) Queues de distribution épaisses : Lorsque l'on considère les distributions de probabi-
lité empiriques de séries de rendements, ou de variations de prix, ou encore du logarithme de ces
variations de prix, on s'aperçoit généralement que celles-ci ne correspondent pas à une distribution
gaussienne. Plus précisément, les distributions de ces séries présentent des queues épaisses et des
pics en zéro : elles sont dites Leptokurtiques.
(v) Eet de levier : Il s'agit de l'assymétrie de l'impact des valeurs passées positives sur la
volatilité de la date courante. Ainsi, les valeurs négatives(baisses du cours) tendent à provoquer un
accroissement de volatilité supérieur à celui induit par des valeurs positives ( hausses des cours) de
même amplitude.
Pour tout processus (rt ), nous notons rt =: σ (rs ; −∞ ≤ s ≤ t − 1) la tribu engendrée par le passé
page : 24
Modélisation GARCH
de rt . Nous donnons une dénition du processus GARCH fondée sur les deux premiers moments de
rt conditionnels à son passé.
Dénition :
Soit (ηt ) une suite de variables i.i.d de loi η (0, 1) . On dit que (rt ) est un processus GARCH(p,q)
au sens fort ( relativement à la suite (ηt )) s'il vérie :
(i) rt = σt ηt
avec σt ∈ indépendant de ηt+i pour tout i ≥ 0 ;
(ii) Il existe des constantes w, αi , i = 1, . . . , q et βj , j = 1, . . . , p telles que
q
X p
X
¡ ¢
σt2 = V rt |rt−1 = w + 2
αi rt−i + 2
βj σt−j , t∈Z (1)
i=1 j=1
Remarque
Soit (νt ) le processus d'innovation de rt2 . Par dénition νt = rt2 − E[rt2 |rt−1 ].
En remplaçant dans l'équation (1), on obtient :
max(p,q) p
X X
rt2 = (αi + 2
βi ) rt−i + νt − 2
βj νt−j , t∈Z (2)
i=1 j=1
avec la convention αi = 0 (resp.βj = 0) si i > q (resp. j > p). On retrouve ainsi dans cette équation
la structure linéaire des modèles ARMA, permettant par exemple l'identication des ordres p et q
du modèle GARCH.
Sous des hypothèses supplémentaires impliquant la stationnarité de rt2 , on peut armer que si
rt est un processus GARCH(p,q), (rt2 ) est un processus ARMA(max (p, q) , p).
Dans la suite, nous présentons une analyse statistique du modèle GARCH comportant plusieurs
étapes : vérication de l'hypothèse du bruit GARCH, identication des ordres p et q , estimation
des paramètres de la volatilité (coecients w, αi , βj ) pour des ordres p et q donnés, adéquation du
modèle estimé et sélection nale du modèle le plus approprié.
On montre que si (rt ) est un processus GARCH(p,q) strictement stationnaire non anticipatif avec
la condition du moment d'ordre 4 ni (E[rt4 ] < ∞) alors, quand n → ∞,
√ 1
nb
ρm à ℵ( 0 , Σm ) (3)
b(0)2
γ
avec :
- ρm (resp. ρc
m ) Le vecteur des m premières autocorrélations (resp. empiriques) du processus (rt ) ;
ρb(1)
ρbm = ...
ρb(m)
page : 25
Modélisation GARCH
E[rt2 rt−1
2
] E[rt2 rt−1 rt−2 ] ... E[rt2 rt−1 rt−m ]
rt rt−1 ..
.. 2
E[rt rt−1 rt−2 ] E[rt2 rt−2
2
] .
- Σm = var . = ..
..
rt rt−1 . .
E[rt2 rt−1 rt−2 ] ··· E[rt2 rt−m
2
]
Pn
- ρbm = γbγbh0 et γ 1
bh = n−h t=h+1 rt rt−h
A partir de (3), on montre, en utilisant le théorème d'ergodicité appliqué au processus (rt ), que la
statistique de portmanteau dans le cas d'un bruit GARCH s'écrit sous la forme :
Qm > χ21−α, m
Remarques :
- La statistique de portmanteau dans le cas d'un bruit blanc fort (bruit i.i.d) prend la forme suivante :
m
X
Qm = n ρb2 (h).
h=1
- Dans le corrélogramme empirique de simulation d'un bruit blanc , on a constaté que les ordres 2
et 4 des autocorrélations sont très nettement en dehors des bandes de conance à 95% calculées sous
l'hypothèse de bruit blanc fort(voir gure ci-dessous). Le praticien non averti sera tenté a rejeter
l'hypothèse de bruit blanc.
√ √
Pour éviter ce genre de spécications, il faut donc bien être conscient que les limites [−1.96/ n , 1.96/ n]
ne sont pas valables pour les autocorrélations d'un bruit blanc GARCH ( bruits rt dépendants ) et
comme le montre la borne de signicativité pour un bruit blanc GARCH, on ne devrait pas rejeter
l'hypothèse de bruit blanc GARCH car toutes les autocorrélations sont à l'intérieur ou ne débordent
que légèrement des limites de signicativité.
page : 26
Modélisation GARCH
page : 27
Modélisation GARCH
Principe de la méthode :
Pour identier les ordres d'un GARCH(p,q), on utilise le fait que (rt2 ) suit un ARMA(P,Q) avec
P=max(p,q) et Q=p.
On commence par ajuster un modèle ARMA(P,Q) à rt2 , pour cela, on procède en deux temps ;
- D'abord, on ajuste un modèle autorégressif d'ordre P "AR(P)" à rt2 :
P
X
rt2 = 2
φi rt−i + at (4)
i=1
Par la suite,
→ Quand l'ajustement ARMA ressort P>Q alors le modèle GARCH(p,q) à retenir est tel que
p=Q, q=P.
→ Quand l'ajustement ARMA ressort P≤Q, ceci aboutit aux choix des modèles GARCH(p,q) avec
(p,q) = (Q,0), (Q,1), . . . , (Q,P). La sélection du modèle le plus approprié entre ces derniers sera
présentée dans l'étape 5 de validation du modèle.
Reste à déterminer une méthode pour ajuster les modèles AR(P) et MA(Q) , ceci fera l'objet
des deux points suivants.
Xt = φ1 Xt−1 + · · · + φP Xt−P + w + at
avec ½
at 7→ Bruit blanc (0, σ 2 )
φP 6= 0, (w, φ1 , . . . , φP ) ∈ RP +1
On montre que les processus {Xt } et {Xt − w} ont la même structure d'autocovariance et d'auto-
corrélation.
page : 28
Modélisation GARCH
duquelle, on déduit le système d'équations ci-dessous connu sous le nom du système de Yule-Walker,
et qui permettra de déterminer l'ordre P du modèle AR :
1 ρ(1) . . . ρ(P −1) φ1 ρ1
ρ(1) 1 φ 2 ρ2
.. .. .. = ..
. . . .
ρ(P −1) 1 φP ρP
Théorème
Pour un processus AR(P), on a
1
φbk, k 7→ ℵ(0, ) pour k ≥ P + 1
N
Application
de point de vu pratique, l'ordre P à retenir est celui qui vérie :
2
|φbk, k | < √ pour k = P + 1, P + 2, . . .
n
Xt = w + θ0 at + θ1 at−1 + · · · + θQ at−Q
avec ½
at 7→ Bruit blanc (0, σ 2 )
θQ 6= 0, (w, θ0 , θ1 , . . . , θQ ) ∈ RQ+2
Théorème
Si (Xt ) suit un processus moyenne mobile d'ordre Q alors,
pour tout k ≥ Q + 1
ρbk 7→ ℵ(0, σρ2k )
avec
1 £ ¤
σρ2k =1 + 2ρ21 + · · · + +2ρ2Q
N
et ρk le coecient d'autocorrélatiuon d'ordre k du processus (Xt ).
Application
page : 29
Modélisation GARCH
En pratique, on ne connait pas l'ordre q, on teste successivement les modèles MA(Q) pour Q=0,1,2,. . .
Pour tester H0 : M A(Q), on s'intéresse à k=Q+1.
Dans ce cas,
1 h i
σρ2k ' 1 + 2ρb1 2 + · · · + +2b
ρ2Q−1
N
l'hypothèse H0 sera retenue si |b ρk | < 1.96 σρk pour k=Q+1, Q+2,. . .
La vraie valeur des paramètres est inconnue et est notée : θ0 = (θ1 , . . . , θp+q+1 )0 .
Pour écrire la vraisemblance du modèle, il faut spécier une distribution particulière pour les va-
riables i.i.d ηt . on considère la vraisemblance gaussienne, i.e. la vraisemblance obtenue à partir
d'une loi normale centrée réduite pour les ηt . Nous ne ferons cependant pas l'hypothèse que cette
loi constitue la vraie distribution du processus ηt .
2
Etant données des valeurs initiales r0 , . . . , r1−q , σ02 , . . . , σ1−p que nous allons préciser, la vraisem-
blance conditionnelle gausssienne Ln (θ) s'écrit :
n
Y µ ¶
1 rt2
Ln (θ) = Ln (θ; r1 , . . . , rn ) = p exp − 2
t=1 2πσt2 2σt
Pour une valeur donnée de θ, sous l'hypothèse de stationnarité au second ordre, la varaince non
conditonnelle ( correspondant à cette valeur de θ) est un choix raisonnable pour les valeurs initiales
inconnues :
n
1X 2
r02 = · · · = r1−q
2
= σ02 = · · · = σ1−p
2
= r
n t=1 t
Un estimateur de quasi maximum de vraisemblance (QMV) de θ est déni comme toute quantitée
θbn vériant presque sûrement :
Ln (θbn ) = supθ Ln (θ)
page : 30
Modélisation GARCH
On voit, en prenant le logarithme, que maximiser la vraisemblance revient à maximiser par rapport
àθ
n
X
log Ln (θ) = lt (θ)
t=1
où
1 1 rt2
lt (θ) = − log σt2 −
2 2 σt2
page : 31
Modélisation GARCH
avec
p p
∂ 2 σt2 ∂zt X ∂σt−i 2
∂βi X ∂ 2 σt−i 2
0
= 0
+ 0
+ βi
∂θ∂θ ∂θ i=1
∂θ ∂θ i=1
∂θ∂θ0
p
X p
X
=A+ Bi + Ci (7)
i=1 i=1
∂βi
= (0, . . . , 0, 1, 0, . . . , 0)
∂θ0
& (1 + q + i)ème composante
0 0 ... 0
.. .. .. ..
. . . .
0 0 ... 0
0
Bi = ∂σt−i 2
∂σt−i2 2
∂σt−i
∂w · · ·
∂α1 ∂αp
.. .. .. ..
. . . .
0 0 ... 0
on a donc :
p
X
Bi0 = A
i=1
Les matrices Ci peuvent être calculées de manière récursive de l'équation (7), et ce, en utilisant la
condition initiale :
∂ 2 σt2
=0 , ∀t≤0
∂θ∂θ0
Méthode de Levenberg Marquardt
Il s'agit d'une variante de la méthode de gradient qui permet de réduire signicativement le nombre
d'itérations. En eet, la méthode de gradient donne la direction vers laquelle se déplacer pour trou-
ver le maximum, mais ne donne pas le pas. Dans la descente de gradient classique ce pas est un
coecient xe, et dans cette variante , il varie à chaque itération et permet de ce déplacer rapide-
ment vers le maximum.
page : 32
Modélisation GARCH
L'idée de Levenberg est donc d'utiliser cet approche dans la zone où Ln est quasi-linéaire, et une
descente de gradient dans les autres cas. Le pas d'une itération λ de cet algorithme est calculé de
la manière suivante :
Quand Ln (θ) augmente au cours de l'itération, on augmente λ (en le divisant par 10 par exemple),
et l'on se rapproche ainsi de la méthode d'approximation linéaire. Au contraire, si Ln (θ) diminue,
cela signie que nous nous trouvons dans une région dans laquelle Ln n'est pas trop linéaire, et donc
on diminue λ (en le divisant par 10 par exemple) an de se rapprocher de la descente de gradient.
Cet algorithme a ensuite été améliorée par Marquardt, l'algorithme d'optimisation étant déni par :
−1
θi = θi−1 − (H + λdiag (H))
Remarque
Un bon point de départ pour l'algorithme est obtenu par une estimation au préalable des coecients
par la méthode des moindres carrés.
H4 : identiabilité de θ0 ;
H6 : E[ηt4 ] < ∞ ;
on montre que
√ ³ ´ ¡ ¡ ¢ ¢
n θb − θ0 7→ ℵ 0, E[ηt4 ] − 1 · J −1
avec · ¸
∂ 2 lt (θ)
J =E
∂θ∂θ0 θ=θ0
Ce qui permet de construire des intervalles de conances et d'eectuer des tests d'hypothèses sur
les valeurs du paramètre θ0 .
La statistique usuelle de wald pour tester l'hypothèse θ0 = θ1 contre θ0 6= θ1 prend la forme
n
w(1+q+p) = (θ0 − θ1 ) Jb (θ0 − θ1 )
[ 4
E[η ] − 1
t
page : 33
Modélisation GARCH
1 1
w (1) 7→ δ0 + χ21
2 2
& masse en 0 .
l'hypothèse H0 : θ0 i = 0 avec i qui varie dans l'intervalle des entiers [1, n] sera rejetée si w1 >
χ21−2α (1).
Ce qui montre que la prévision optimale GARCH de toute variable du futur sachant son passé est
nulle.
Le principale intérêt des modèles GARCH ne réside évidement pas dans la prévision de la variable
elle même mais dans celle de son carré. Les prévisions à horizon h ≥ 0 s'obtiennent récursivement
par :
q
X p
£ 2 ¤ £ 2 ¤ £ 2 ¤ X £ 2 ¤
E rt+h |rt−1 = E rt+h |σt−1 = w + αi E rt+h−i |rt−1 + βj E σt+h−j |rt−1
i=1 j=1
avec pour i ≤ h £ 2 ¤ £ 2 ¤
E rt+h−i |rt−1 = E rt+h−i |σt−1
et pour i > h £ 2 ¤ £ ¤
2 2
E rt+h−i |rt−1 = rt+h−i , E σt+h−1 = σt+h−i .
Le premier point vérié est la possibilité d'ajuster un modèle GARCH à cette série nancière.
Pour ce faire, l'application calcule les autocorrélations empiriques ρb(h), puis les statistiques de por-
temanteau Qm des 20 premièrs ordres. Ensuite, ces statistiques sont comparées avec les bornes de
signicativité χ21−α, m importés de la table de la loi khi-deux.
Dans cette exemple, comme on peut le voir dans le tableau ci-dessous, les statistiques de porteman-
teau ne dépassent jamais les barres χ290%, m associées.
L'étape suivante, consiste à identier les ordres p et q du modèle GARCH. Dans cette étape,
comme exposé auparavant, l'application va ajuster un modèle autoregressif AR à rt2 , puis un modèle
page : 34
Modélisation GARCH
MA à la série du bruit du modèle AR, et c'est à la base de ces deux ajustements que les ordres p
et q du modèle GARCH sont calculés. Ceci donne :
(p, q) = (1, 2) .
Reste à estimer les paramètres (w, α1 , α2 , β1 ) du modèle. L'application opère dans un premier
lieu une estimation par la méthode de maximum de vraisemblance ordinaire. Cette estimation, est
utilisée comme point de démarrage par l'algorithme de Levenberg Marquardt qui cherche une ap-
proximation de l'estimateur du quasi maximum de vraisemblance.
Les résultats de cette maximisation sont les suivants :
page : 35
Modélisation GARCH
page : 36
Conclusion
Concernant les options oertes pour la gestion du portefeuille, l'utilisateur pourra choisir entre
une fonction d'utilité exponentielle ou puissance, insérer leurs paramètres ou à défaut, prendre les
valeurs proposées. Il peut en plus, déterminer facultativement le nombre de points de discrétisation
du temps et de l'espace dans la gestion dynamique. Par ailleurs, l'utilisateur peut calibrer les para-
mètres du modèle de Black-Litterman en utilisant les valeurs optimales achées par défaut, ou les
changer s'il en voit la nécessité.
Ce qui est de la modélisation de la volatilité par le modèle GARCH, elle a l'avantage d'orir
un cadre complet d'ajustement, d'estimation, de prévision, avec en plus des tests pour valider la
pertinence des résultats. Ce qui serait encore mieux, c'est de mettre en place le modèle GARCH
à seuil (THRESHOLD GARCH) qui permet de prendre en compte l'asymétrie de la volatilité en
fonction du sens de variation du rendement. Le modèle GARCH exponentiel (EGARCH) serait aussi
une possibilité attractive à entreprendre, dans la mesure où ce dernier nimpose pas de contraintes
à priori sur les coecients, chose qui nous autorise à garder les paramètres ayant une contribution
négative sur la volatilité.
[2] G. Demange and J-C. Rochet, Méthodes Mathématiques de la Finance. Econométrica, 2005.
[4] W.H. Fleming and H.M.Soner : Controlled Markov Process and Viscosity Solutions, Sprin-
ger, 1992.
[5] Mohamed Mnif , Agnès Sulem : Optimal risk control under excess of loss reinsurance , IN-
RIA, 14 Novombre 2001.
[7] Thomas IDZOREK :A Step-by-step guide to the Black-Litterman model,10 Février 2002.
[8] Robert LITTERMAN , Guangliang HE :The intuition behind Black-Litterman model port-
folios, Decembre 1999.
[11] Jamal NSIRI :note de cours series temporelles, INSEA Rabat, Janvier 2006.
[13] Gabriee FIORENTNI , Giorgio CALZOLARI :Analytic Derivatives and the Computation
of Garch Estimates, Journal of Applied Econometrics, Vol.11,No.4, pp399-417 , 1996.
Annexe
∀j ∈ {1, . . . , q} , µj ≥ 0
hi (x) = 0, gj (x) ≤ 0
∀j ∈ {1, . .P. , q} , µj gj (x) = 0P
p q
∇J (x) + i=1 λi ∇hi (x) + j=1 µj ∇gj (x) = 0.
Dans le cas du problème d'optimisation sous contrainte de markovitz, le lagrangien s'écrit sous la
0
forme : L = α0 µ − α 2Σα − β (−α + α) − β (α − α)
donc la solution analytique de ce problème consiste à parcourir pour chaque αi , les trois cas pos-
sibles ; ¡ ¢
αi = αi ¡βi = 0 ¢
αi ≤ αi ≤ αi ¡βi = β¢i = 0
αi = αi βi = 0
et de prendre le vecteur des α qui vérie les quatre conditions de Karuch-Kuhn-Tucker.
Remarque : Pour un problème de dimension n, le nombre des combinaisons des αi à tester est
de 3n ! !, ce qui rend cette méthode très couteuse en temps de calcul pour les dimensions élevées.
page : 39
Annexe
J (t, V ) = f (t) · g (V )
donc ¡ ∂J ¢2 n
∂J X µ2j
0
= f (t) · g (V ) = ∂V∂2J P n+1 2
∂t 2 ∂V 2 j=1 i=1 σji
2 n
f (t) g 0 (V ) X
2
µ2j
⇒ 00 Pn+1 2
2f (t) g (V ) j=1 i=1 σji
2 n
X
f 0 (t) g 0 (V ) µ2j
⇒ = 00 Pn+1 2 = C ∈ R (1)
f (t) g (V ) g (V ) j=1 i=1 σji
V 1−γ
or J (T, V ) = f (T ) V k = 1−γ donc :
½ 1
f (T ) = 1−γ
k =1−γ
n
1−γ X µ2j
⇒C= Pn+1 2
γ j=1 i=1 σji
· ¸
1 1−γ Pn µ2j
Ainsi J (T, V ) = 1−γ exp γ (T − t) j=1
Pn+1 2
σji
V 1−γ
i=1
∂J
−µj ∂V
et puisque αj = 2
∂ J
Pn+1 2
alors :
Vt ∂V 2 i=1 σji
µj
αj = Pn+1
γ 2
σji
i=1
∂J −1 ∂2J J
∂V = V0 J , ∂V 2 = V02
page : 40
Annexe
alors ¡ ¢
n ∂J 2
0 1 J 2 /V 2 X µj ∂V
f (t) J = Pn+1 2
2 J/V02 j=1 ∂2J
i=1 σji
∂V 2
n ¡ ∂J ¢2
0 1X µj ∂V
⇒ f (t) = ∂2J
Pn+1 2
2 j=1 i=1 σji
∂V 2
1
Pn (µj ∂V
∂J
)
2
n ¡ ∂J ¢2
1 X µj ∂V
⇒ f (t) = (t − T ) ∂2J
Pn+1 2 .
2 i=1 σji
j=1 ∂V 2
¡ ∂J ¢2
Xn
Vt 1 µj ∂V
⇒ J (t, Vt ) = −exp − + (T − t) ∂2J
Pn+1 2
V0 2 j=1 2 i=1 σji
∂V
donc la stratégie optimale à suivre dans le cas d'une fonction d'utilité exponentielle consiste à
investir des proportions de richesses αj qui vérient :
µj V0
αj = Pn+1 2
i=1 σji
Vt
page : 41
Annexe
· f or(int i = 1; i <= N ; i + +)
· {
· f or(int j = 1 ; j <= i; j + +)
· {
· sum = 0;
· f or(int k = 1; k < j; k + +)
· sum+ = A(i, k) ∗ A(k, j);
· A(i, j) = A(i, j) − sum;
· }
· f or(int j = i + 1; j <= N ; j + +)
· {
· sum = 0;
· f or(int k = 1; k < i; k + +)
· sum+ = A(i, k) ∗ A(k, j);
· A(i, j) = (A(i, j) − sum)/A(i, i);
· }
· }
Remarque
La diagonale de L (qui ne contient que des 1) n'est pas stockée.
· f or(int i = 1; i <= N ; i + +)
· {
· sum = 0.;
· f or(int k = 1; k < i; k + +)
· sum+ = A(i, k) ∗ b(k);
· b(i) = (b(i) − sum)/A(i, i);
· }
· f or(int i = N ; i >= 1; i − −)
· {
· sum = 0;
· f or(int k = i + 1; k <= N ; k + +)
· sum+ = A(i, k) ∗ b(k);
· b(i)− = sum;
· }
page : 42
Annexe
A = LU
où L est triangulaire inférieure avec des 1 sur la diagonale et U est triangulaire supérieure et
inversible si et seulement si tous les blocs Ap , 1 ≤ p ≤ N , sont inversibles. De plus, cette factorisation
est unique.
page : 43
Annexe
h i
−1 −1
0
∂ [µBL − µ] (τ Σ)
−1
[µBL − µ] ∂ µBL (τ Σ) µBL − 2µ0BL (τ Σ) µ
=
∂µBL ∂µBL
−1 −1
= 2 (τ Σ) µBL − 2 (τ Σ) µ
−1
= 2 (τ Σ) [µBL − µ] (1)
h i−1 h i
−1 −1
⇒ µBL = (τ Σ) + P 0 Ω−1 P (τ Σ) µ + P Ω−1 P .
page : 44