📈 economics

P vs NP Problem in Portfolio Optimization: Integrating the Markowitz-CAPM Framework with Cardinality Constraints and Black-Scholes Derivative Pricing

Cet article opérationnalise le problème P vs NP dans la finance quantitative en étudiant la sélection de portefeuilles sous contraintes de cardinalité, en intégrant le cadre Markowitz-CAPM, des algorithmes d'approximation pour résoudre la complexité combinatoire et une tarification des dérivés via le modèle Black-Scholes.

Auteurs originaux : Davit Gondauri

Publié 2026-03-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Davit Gondauri

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un chef cuisinier très célèbre. Votre objectif est de créer le meilleur plat possible (le portefeuille d'investissement parfait) en utilisant une liste de 94 ingrédients différents (les industries boursières comme la tech, l'automobile, l'agriculture, etc.).

Voici comment ce papier de recherche explique ce défi, en utilisant des métaphores simples :

1. Le Défi : Choisir les 10 meilleurs ingrédients parmi 94

Dans le monde de la finance classique, on peut mélanger tous les ingrédients en petites quantités pour obtenir un goût équilibré. C'est facile à calculer, comme suivre une recette simple.

Mais dans la vraie vie, les investisseurs ont des règles strictes :

La règle des "10 assiettes" (Contrainte de cardinalité) : Vous ne pouvez servir que 10 ingrédients maximum sur votre table. Vous ne pouvez pas utiliser les 94.
Le problème : Si vous devez choisir 10 ingrédients parmi 94, le nombre de combinaisons possibles est astronomique. C'est comme essayer de trouver la combinaison parfaite d'un cadenas à 94 chiffres en essayant chaque combinaison une par une. Même un super-ordinateur mettrait des milliards d'années à tout vérifier.

C'est ici qu'intervient le mystère "P vs NP" :

P (Facile) : Si quelqu'un vous donne une liste de 10 ingrédients, vous pouvez vérifier très vite si c'est un bon plat.
NP (Difficile) : Mais trouver cette liste parfaite de 10 ingrédients depuis zéro est un cauchemar mathématique. Le papier dit : "On ne peut pas trouver la solution parfaite en un temps raisonnable, alors on doit utiliser des astuces."

2. Les Astuces de Cuisine (Les Algorithmes)

Puisqu'on ne peut pas tester toutes les combinaisons, les chercheurs utilisent trois méthodes pour trouver un "très bon" plat sans être parfaits :

Le Gourmet Pressé (Algorithme Glouton) : Il regarde la liste, prend les 10 ingrédients qui ont l'air les plus prometteurs tout de suite, et s'arrête là. C'est rapide, mais pas toujours le meilleur.
Le Tire-au-flanc (Monte Carlo) : Il ferme les yeux, pioche 10 ingrédients au hasard, goûte, rejette, et recommence des milliers de fois. À force d'essayer, il finit par tomber sur un excellent plat.
L'Évolution (Algorithme Génétique) : Il imagine que les plats sont des animaux. Il garde les meilleurs, les "croise" (mélange leurs ingrédients), et fait des mutations pour voir si la nouvelle génération est encore meilleure. C'est comme la sélection naturelle, mais pour les portefeuilles.

La découverte clé : Le papier montre que ces méthodes ne donnent pas toujours le même résultat. Parfois, le "meilleur" plat trouvé est juste une chance de tirage. C'est pourquoi les chercheurs ont testé leurs recettes 10 fois avec des graines aléatoires différentes pour s'assurer que le résultat est stable, et pas juste une "chance de tirage".

3. Le Secret de la Cuisine : La Corrélation (Les Ingrédients qui se ressemblent)

Le papier utilise des données réelles (les "Betas" de Damodaran) pour construire sa liste d'ingrédients.
Il découvre quelque chose d'intéressant : beaucoup d'industries bougent ensemble. Si la "Tech" monte, souvent l'"Automobile" monte aussi.

L'analogie : C'est comme si vous essayiez de diversifier votre assiette en mettant du "Poulet" et de la "Dinde". Ce n'est pas vraiment diversifié !
Le papier montre que parce que les ingrédients sont si similaires (corrélés), il est très difficile de créer un plat qui résiste aux tempêtes (risques) tout en ayant un goût fort (rendement).

4. L'Ingrédient Spécial : Le "Coup de Pouce" (Les Options)

Le papier ajoute une couche complexe : les options (des produits financiers dérivés).

L'analogie : Imaginez que vous pouvez ajouter une "poudre magique" à votre plat. Si le plat réussit, la poudre le rend énormément meilleur. Mais si ça rate, la poudre peut le rendre énormément pire.
Les chercheurs ont pris une "poudre magique" (une option d'achat sur l'industrie Internet) et l'ont intégrée dans leur calcul.
Le résultat : Ajouter cette poudre augmente le potentiel de gain, mais aussi le risque de façon démesurée. Le "goût" (le rendement ajusté au risque) ne s'améliore pas forcément. C'est un avertissement : ne soyez pas aveuglé par le potentiel de gain explosif si le risque devient incontrôlable.

5. La Conclusion : La Réalité du Monde Réel

Ce papier ne dit pas "Voici la recette parfaite". Il dit :

La perfection est impossible à trouver rapidement quand on a des règles strictes (choisir 10 parmi 94).
La transparence est reine : Il vaut mieux utiliser une "bonne" recette trouvée par hasard plusieurs fois et vérifier qu'elle est stable, plutôt que de prétendre avoir trouvé la "recette divine" une seule fois.
La prudence : Ajouter des produits complexes (comme les options) peut sembler génial sur le papier, mais cela peut rendre le portefeuille très fragile si on ne fait pas attention.

En résumé : Ce papier est un guide pratique pour naviguer dans un labyrinthe mathématique complexe. Il nous apprend que dans la finance, comme en cuisine, il faut accepter qu'on ne peut pas tout calculer parfaitement, et qu'il vaut mieux utiliser des méthodes intelligentes, tester ses résultats à plusieurs reprises, et comprendre que certains ingrédients (comme les options) peuvent transformer un plat délicieux en un désastre si on ne les maîtrise pas.

1. Problématique et Contexte

L'article s'attaque à l'intersection critique entre la théorie financière et la complexité computationnelle. Le problème central est l'optimisation de portefeuille sous contrainte de cardinalité (limiter le nombre d'actifs dans le portefeuille à un nombre $K$ ).

Le paradoxe P vs NP : Dans le cadre classique de Markowitz (moyenne-variance), l'optimisation est un problème convexe soluble en temps polynomial. Cependant, l'imposition d'une contrainte de cardinalité stricte ( $|supp(w)| \le K$ ) transforme le problème en un Programme Quadratique Mixte-Entier (MIQP). Ce problème devient NP-difficile car il nécessite de sélectionner un sous-ensemble optimal parmi un nombre combinatoire de possibilités ( $C(n, K)$ ), rendant la recherche de la solution globale optimale intraitable pour de grands ensembles de données.
Objectif : L'étude vise à rendre cette division théorique (P vs NP) opérationnelle dans un cadre financier auditable, en démontrant comment gérer cette complexité par des heuristiques tout en maintenant une rigueur empirique et une reproductibilité totale.

2. Méthodologie et Cadre Expérimental

L'auteur propose un cadre intégré combinant la théorie économique, la modélisation des risques et l'ingénierie algorithmique.

A. Données et Calibration (Markowitz-CAPM)

Univers d'actifs : Environ 94 portefeuilles sectoriels américains basés sur les données d'Aswath Damodaran.
Retours attendus ( $\mu$ ) : Calibrés via le modèle CAPM : $\mu_i = R_f + \beta_i \cdot ERP$ , utilisant les bêtas levés et la prime de risque actions.
Matrice de covariance ( $\Sigma$ ) : Construite via un modèle à un indice (Single-Index). La matrice est entièrement reconstruisible à partir des paramètres d'entrée (bêtas et volatilités), garantissant la transparence. La structure suppose que la corrélation entre les actifs est dominée par le facteur marché commun.

B. Modélisation du Problème

Le problème est formulé comme un MIQP :

Minimiser la variance du portefeuille ( $w^T \Sigma w$ ) sous contrainte de rendement.
Contrainte de cardinalité : $\sum z_i = K$ où $z_i \in \{0, 1\}$ est une variable binaire de sélection.
Lien entre variables continues (poids $w$ ) et discrètes (sélection $z$ ) : $w_i \le u_i z_i$ .

C. Algorithmes de Résolution (Approches d'Approximation)

Puisque l'optimisation exacte est intractable à grande échelle, l'étude évalue trois schémas d'approximation avec une rigueur statistique :

Algorithme Glouton (Greedy) : Sélection des $K$ meilleurs actifs selon un score (ex: ratio de Sharpe CAPM).
Échantillonnage Monte Carlo : Génération aléatoire de sous-ensembles de taille $K$ avec des poids optimisés (ou égaux).
Algorithmes Génétiques (GA) : Utilisation de chromosomes binaires pour la sélection de sous-ensembles, couplée à une ré-optimisation continue des poids (QP convexe) pour chaque sous-ensemble sélectionné.

D. Intégration des Dérivés (Black-Scholes)

Une contribution majeure est l'incorporation d'un call européen dans l'univers d'actifs.

Méthode : Linéarisation par le Delta ( $\Delta$ ). Le call est traité comme un actif supplémentaire avec un levier implicite $L = (\Delta \cdot S_0) / C$ .
Moments : Le bêta et la volatilité du call sont dérivés de ceux de l'actif sous-jacent multipliés par le levier. Le rendement attendu suit la logique CAPM.
Validation : Tests de robustesse (grille de moneyness/maturité) et tests de "bump" (comparaison de la linéarisation Delta vs ré-évaluation Black-Scholes complète) pour quantifier l'erreur d'approximation.

3. Contributions Clés

Ancrage de Complexité : Formalisation explicite du problème de sélection de portefeuille à cardinalité contrainte comme un problème NP-dur, justifiant le recours aux métaheuristiques.
Reproductibilité et Auditabilité :
- Utilisation d'un protocole de recherche stochastique avec journalisation des graines aléatoires (seeds).
- Reporting des résultats non pas sur une seule "meilleure exécution", mais sur des statistiques distributionnelles (médiane, IQR, quantiles) sur plusieurs exécutions.
- Fourniture de matrices de covariance et de corrélation complètes et reconstruisibles.
Intégration des Dérivés Reproductible : Démonstration concrète de la manière d'ajouter des instruments non linéaires (options) dans un cadre moyenne-variance sans perdre la traçabilité des hypothèses, avec validation de l'erreur de linéarisation.
Benchmark Exact sur Instances Réduites : Comparaison des heuristiques contre une solution exacte (énumération complète) sur un sous-ensemble réduit ( $n=20, K=6$ ) pour valider la qualité des solutions approchées.

4. Résultats Principaux

Frontières Efficientes et Contraintes : L'imposition de la contrainte de cardinalité ( $K=10$ ) crée des discontinuités dans la frontière efficiente par rapport au cas non contraint. Elle force un arbitrage entre les primes de risque élevées des secteurs à fort bêta et les limites de diversification imposées par la structure de corrélation forte (modèle à un indice).
Performance des Algorithmes :
- Les méthodes stochastiques (Monte Carlo, GA) montrent une stabilité remarquable. La médiane du ratio de Sharpe est très proche du meilleur résultat observé, indiquant que les heuristiques ne dépendent pas de "coups de chance".
- L'ajout d'une ré-optimisation continue des poids après la sélection du sous-ensemble par GA améliore significativement la stabilité des résultats.
- Les temps de calcul sont linéaires par rapport à l'effort (nombre d'évaluations), confirmant la scalabilité des approches heuristiques.
Impact des Dérivés : L'ajout d'un call (Case B) augmente considérablement le rendement attendu et la volatilité du portefeuille en raison du levier, mais n'améliore pas nécessairement le ratio de Sharpe. Cela démontre que l'ajout d'instruments dérivés peut créer des artefacts de levier plutôt que de véritables gains d'efficacité, soulignant la nécessité de contrôles de risque stricts (bornes sur le bêta du portefeuille).
Diagnostics de Dépendance : La matrice de corrélation montre une forte dépendance commune (médiane $\rho \approx 0.77$ ) et une concentration des valeurs propres (le premier facteur explique ~76% de la variance totale), ce qui limite la diversification réelle et explique pourquoi les algorithmes sélectionnent souvent des secteurs corrélés.

5. Signification et Conclusion

Cet article fournit un modèle de référence ("template") de niveau académique pour étudier la sélection de portefeuille NP-difficile.

Théorique : Il démontre que la contrainte de cardinalité transforme un problème d'optimisation convexe en un problème de sélection de sous-ensemble combinatoire, illustrant concrètement les limites de la résolution exacte (P vs NP) dans la finance pratique.
Pratique : Il établit que pour les problèmes réels, la crédibilité des solutions heuristiques ne repose pas sur l'optimalité globale (impossible à garantir), mais sur la stabilité distributionnelle, la reproductibilité (gestion des seeds) et la transparence des hypothèses (modèle de covariance, calibration CAPM).
Innovation : L'intégration réussie d'un instrument dérivé (Black-Scholes) dans un cadre d'optimisation linéaire/convexe via la linéarisation Delta, tout en quantifiant les erreurs d'approximation, offre une voie méthodologique pour enrichir les modèles de portefeuille sans sacrifier l'auditabilité.

En résumé, l'étude conclut que l'optimisation de portefeuille sous contraintes réalistes est un laboratoire méthodologique idéal pour explorer la frontière P vs NP, à condition d'adopter une discipline rigoureuse de reporting statistique et de validation des hypothèses.