Asset allocation using a Markov process of clustered efficient frontier coefficients states

1. Problématique et Contexte

L'article aborde une limitation fondamentale de la théorie moderne du portefeuille (MPT) de Markowitz : l'hypothèse de stationnarité des marchés. En pratique, les rendements attendus et les matrices de covariance des actifs changent constamment, ce qui rend les modèles statiques peu robustes et sujets à des erreurs d'estimation importantes.

Bien que des modèles existants tentent de résoudre ce problème (comme le modèle Black-Litterman ou les modèles de rétrécissement de covariance), ils peinent souvent à estimer correctement le vecteur de rendements, le paramètre le plus sensible du modèle. Par ailleurs, les modèles de changement de régime (Regime-Switching) basés sur les Modèles de Markov Cachés (HMM) sont couramment utilisés, mais ils souffrent de deux défauts majeurs :

1. Ils reposent sur des états cachés (non observables), ce qui les rend peu interprétables.
2. Ils sont sensibles aux erreurs de classification mineures, ce qui dégrade souvent leurs performances hors échantillon.

L'objectif de cette étude est de proposer une nouvelle approche d'allocation d'actifs qui relaxe l'hypothèse de stationnarité en utilisant un processus de Markov basé sur des états observables, définis non pas par les rendements et la volatilité bruts, mais par les coefficients de la frontière efficiente.

2. Méthodologie Proposée : Le Modèle « Markov Markowitz »

Les auteurs proposent un modèle en cinq étapes itératives, mis à jour de manière en ligne (online expanding window) chaque mois :

A. Définition des États du Marché via les Coefficients de la Frontière Efficiente (EF)

Au lieu d'utiliser les rendements directs, le modèle décompose la frontière efficiente en une fonction polynomiale du second ordre (racine carrée) définie par trois coefficients interprétables (dérivés de Merton, 1972) :

• $r_{mvp}$ : Le rendement du portefeuille de variance minimale.
• $\sigma_{mvp}$ : La volatilité du portefeuille de variance minimale.
• $u$ : Le taux de courbure de la fonction d'utilité de la frontière (indiquant le compromis risque-rendement).

Ces coefficients offrent une réduction de dimensionnalité par rapport au vecteur de rendements et à la matrice de covariance complète.

B. Regroupement Temporel (Temporal Clustering)

Pour identifier les régimes de marché, le modèle utilise un clustering hiérarchique agglomératif appliqué aux séries temporelles de ces coefficients.

• Distance : Pour tenir compte de la nature temporelle des données, les auteurs utilisent la Dynamic Time Warping (DTW) sur une matrice de distances de corrélation transformée. Cela permet de comparer des séries temporelles avec des décalages ou des vitesses différentes, contrairement à la distance euclidienne classique.
• Résultat : Cela crée des états de marché observables (clusters) qui regroupent des périodes aux caractéristiques de frontière efficiente similaires.

C. Modèle de Markov sur les États Observables

Une fois les états définis par le clustering, le modèle calcule une matrice de transition de Markov. Contrairement aux HMM, ces états sont directement observables à chaque étape de temps. Le modèle suppose que la probabilité de passer d'un état à un autre suit un processus de Markov.

D. Optimisation de Portefeuille par État

Pour chaque état identifié (cluster), le modèle calcule un portefeuille de tangence (portefeuille maximisant le ratio de Sharpe) en utilisant uniquement les données de rendement et de covariance de cette période spécifique (celle appartenant à l'état).

• Cela permet d'adapter la stratégie aux conditions de marché spécifiques de chaque régime, évitant ainsi le mélange de données hétérogènes.
• Le modèle teste à la fois des contraintes long-only (somme des poids = 1) et long-short (somme des poids = 0) pour sélectionner celui offrant le meilleur ratio de Sharpe in-sample.

E. Agrégation des Poids

Le portefeuille final pour le mois suivant est une espérance pondérée des portefeuilles de tangence de chaque état. Les poids sont pondérés par la probabilité de transition depuis l'état actuel vers chaque état possible, dérivée de la matrice de Markov.

3. Contributions Clés

1. Nouvelles Caractéristiques pour le Changement de Régime : L'utilisation des coefficients de la frontière efficiente ($r_{mvp}, \sigma_{mvp}, u$) comme caractéristiques pour définir les états de marché est une première dans la littérature sur le changement de régime.
2. Interprétabilité Supérieure : En remplaçant les états cachés des HMM par des états observables issus d'un clustering hiérarchique, le modèle devient entièrement transparent. Les investisseurs peuvent visualiser et comprendre la nature de chaque état (ex: marché baissier, haussier, faible rendement).
3. Approche Hybride : Combinaison de l'apprentissage non supervisé (clustering) pour la détection de régimes et de l'optimisation de portefeuille classique (MPT) conditionnelle à ces régimes, le tout intégré dans un cadre de processus de Markov.

4. Résultats Empiriques

Les auteurs ont testé leur modèle sur trois univers d'actifs distincts :

1. GVMC : 6 fonds mutualistes classés par taille (Small/Mid/Large) et style (Growth/Value).
2. Sectors : 9 secteurs du S&P 500.
3. Marchés Développés : 5 indices mondiaux (US, Chine, Allemagne, France, Canada).

Performances :

• Le modèle « Markov Markowitz » (avec 3 à 5 clusters) a significativement surperformé les benchmarks (Portefeuille de tangence mensuel, Portefeuille équitablement pondéré, S&P 500) sur la période de test (2000-2022 pour GVMC/Marchés, 2008-2022 pour les Secteurs).
• Ratio de Sharpe : Le modèle proposé a obtenu des ratios de Sharpe nettement supérieurs (ex: 0.66 vs 0.43 pour le benchmark de tangence sur GVMC).
• Rendement ajusté au risque : Le modèle a généré des rendements annuels plus élevés tout en subissant des pertes maximales (MDD) souvent inférieures ou comparables aux benchmarks, notamment lors des chocs majeurs (Crise Dot-com 2001, Crise Financière 2008, Crash Covid 2020).
• Robustesse : Les résultats restent significatifs même avec des dates de début de test différentes (2000 vs 2008), bien que la performance soit légèrement atténuée sur l'univers des marchés développés en raison de l'absence de données de rendement total (Total Return).

Limitations Observées :

• La performance diminue lorsque le nombre d'actifs dépasse le nombre de points de données disponibles pour le calcul de la matrice de covariance mensuelle (problème de dimensionnalité), comme observé lors du test combiné de tous les univers.

5. Signification et Perspectives

Ce travail démontre que la décomposition de la frontière efficiente en coefficients interprétables offre une représentation plus riche et plus stable des régimes de marché que les métriques traditionnelles.

• Insights Marchés : L'analyse des états révèle que les marchés ne sont pas simplement « haussiers » ou « baissiers ». Il existe plusieurs types d'états haussiers, dont certains sont beaucoup plus susceptibles de basculer vers un état baissier que d'autres. De plus, les états baissiers ont tendance à persister (auto-récurrents), ce que le modèle capture efficacement.
• Interprétabilité : La capacité de visualiser les clusters et les matrices de transition permet aux gestionnaires de comprendre pourquoi le modèle prend certaines décisions d'allocation, comblant ainsi le fossé entre les modèles « boîte noire » et la gestion discrétionnaire.
• Futur : Les auteurs suggèrent d'appliquer cette méthode à d'autres classes d'actifs (matières premières, devises, obligations) et d'utiliser des données intrajournalières pour permettre un calcul de covariance plus précis et une fréquence de rééquilibrage plus élevée.

En conclusion, cette approche offre une alternative robuste et interprétable aux modèles de Markov cachés, améliorant la gestion des risques et la performance des portefeuilles en adaptant dynamiquement l'allocation aux régimes de marché détectés via la structure de la frontière efficiente.