L’optimisation d’un portefeuille d’investissement pour maximiser les rendements tout en minimisant les risques est l’objectif ultime des investisseurs et de leurs conseillers. Cependant, il n’existe pas de chemin prédéfini et des défis se présentent toujours. L’une de ces limites est le problème des petits échantillons à haute dimension (HDSS). HDSS fait référence à un portefeuille avec un grand nombre d’actifs mais peu de données historiques, ce qui conduit à une optimisation peu fiable du portefeuille et se traduit par une faible performance des investissements.
Dans une étude récemment publiée, Chanaka Edirisinghe, Ph.D., professeur principal de finance quantitative Kay et Jackson Tai ’72 du Rensselaer Polytechnic Institute, en collaboration avec Jaehwan Jeong, Ph.D., professeur associé à l’université de Radford, a développé une méthode basée sur les données pour améliorer la sélection de portefeuille dans le contexte des HDSS. Ce travail apparaît dans un numéro de Journal de gestion de portefeuille, en l’honneur du « père de la théorie moderne du portefeuille » et lauréat du prix Nobel Harry Markowitz.
De nombreux portefeuilles utilisent l’optimisation moyenne-variance (MV), qui entraîne souvent un risque excessif et une fragmentation du portefeuille. Pour contourner ce problème, Edirisinghe et Jeong ont utilisé le contrôle de cardinalité pour limiter le nombre d’actifs, ainsi qu’une contrainte d’effet de levier pour contrôler le montant des emprunts ou des ventes à découvert afin de minimiser les risques. Ils ont également utilisé des contraintes de norme pour gérer efficacement les positions d’actifs. Enfin, ils ont utilisé la validation croisée pour améliorer les performances du portefeuille lorsqu’elle est appliquée à de nouvelles données inédites. Ils ont ensuite testé leur approche.
« Nous avons mené une étude de cas en utilisant de larges groupes d’actions de l’indice S&P 500 », a déclaré Edirisinghe. « Notre méthodologie de sélection de portefeuille clairsemée contrôlée par effet de levier a considérablement amélioré la performance du portefeuille. Le résultat est une plus grande facilité de gestion et un risque réduit. »
« L’approche du professeur Edirisinghe favorise l’optimisation des portefeuilles », a déclaré Liad Wagman, Ph.D., doyen de la Lally School of Management de Rensselaer. « L’intégration des contrôles de parcimonie et d’effet de levier dans un cadre axé sur les données conduit à des portefeuilles plus performants. »
Plus d’informations :
Chanaka Edirisinghe et al., Sélection de portefeuille clairsemée à moyenne-variance pilotée par les données sous contrôle de l’effet de levier, Journal de gestion de portefeuille (2024). DOI : 10.3905/jpm.2024.50.8.196