💰 quantitative finance

Forecasting Tangency Portfolios and Investing in the Minimum Euclidean Distance Portfolio to Maximize Out-of-Sample Sharpe Ratios

Cet article propose une méthode novatrice de gestion de portefeuille qui, au lieu d'estimer directement les rendements et la covariance, prévoit le portefeuille de tangence futur via la décomposition de la frontière efficiente et y investit via le portefeuille de distance euclidienne minimale afin d'optimiser les ratios de Sharie hors échantillon.

Auteurs originaux : Nolan Alexander, William Scherer

Publié 2026-04-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nolan Alexander, William Scherer

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

🎯 Le Problème : Prévoir l'avenir avec des lunettes floues

Imaginez que vous êtes un capitaine de navire (un investisseur) qui doit traverser l'océan (le marché financier). Votre objectif est d'arriver à destination avec le plus de profit possible, tout en évitant les tempêtes (les pertes).

La méthode classique, inventée par un certain Monsieur Markowitz il y a des décennies, consiste à regarder la carte de l'océan d'hier pour deviner où aller demain. On dit : "Hier, le vent venait du nord et les vagues étaient petites, donc demain, ce sera pareil."

Le problème ? L'océan change tout le temps. Parfois, il y a une tempête soudaine, parfois le courant change. Si vous vous fiez uniquement à l'historique, vous risquez de vous retrouver avec un portefeuille qui semble parfait sur le papier, mais qui coule dès que vous sortez de l'abri (c'est ce qu'on appelle le "hors échantillon"). Les chercheurs ont essayé de corriger cela avec des modèles très complexes (comme le modèle Black-Litterman), mais c'est comme essayer de résoudre une équation de physique quantique pour choisir son petit-déjeuner : trop compliqué et difficile à faire confiance.

💡 La Solution : Ne pas prédire le vent, prédire la forme de la vague

Nolan Alexander et William Scherer ont une idée différente. Au lieu de se demander "Quel sera le vent exact demain ?" (ce qui est très dur à prédire), ils se demandent : "À quoi ressemblera la forme de la vague demain ?"

Voici comment leur méthode fonctionne, étape par étape, avec des analogies :

1. Décomposer la "Montagne de l'Efficient"

En finance, il existe un concept appelé la "frontière efficiente". Imaginez une montagne en forme de parabole.

Le bas de la montagne représente les investissements sûrs mais peu rentables.
Le haut représente les investissements très rentables mais très dangereux.
Le point idéal (le "Portefeuille Tangence") est le sommet où vous avez le meilleur rapport entre le risque et le gain.

Les auteurs disent : "Au lieu de calculer chaque pierre de cette montagne, décomposons-la en trois boutons de réglage simples."

Le sommet (r) :* Où se trouve le point le plus haut ? (Le niveau de rendement attendu).
La base (σ) :* À quel point la montagne est-elle large à la base ? (Le risque de base).
La courbure (u) : La montagne est-elle raide comme un mur ou douce comme une colline ? (La "bonté" du marché pour prendre des risques).

Ces trois boutons sont beaucoup plus faciles à suivre que des milliers de données brutes.

2. Utiliser une "Machine à Prédire" (VARX)

Une fois qu'ils ont ces trois boutons, ils utilisent une machine à prédire (un modèle mathématique appelé VARX) pour deviner où ces boutons seront placés le mois prochain.
C'est comme si vous regardiez la météo pour savoir si la montagne sera plus haute ou plus basse demain, sans avoir besoin de connaître la position exacte de chaque nuage.

3. Le Portefeuille "Distance Minimale" (Le GPS de secours)

C'est ici que la magie opère.
Imaginez que votre machine à prédire vous dit : "Demain, le sommet de la montagne (le portefeuille parfait) sera à cet endroit précis dans le ciel."
Le problème, c'est que vous ne pouvez pas voler directement vers ce point dans le ciel. Vous êtes coincé sur la montagne actuelle (le marché d'aujourd'hui).

La stratégie des auteurs :
Au lieu de paniquer, ils disent : "Trouvons le point sur la montagne d'aujourd'hui qui est le plus proche de ce sommet futur."
Ils calculent la distance la plus courte (comme un oiseau qui vole en ligne droite) entre votre position actuelle et le point idéal futur. Ils investissent dans ce point précis.

C'est comme si vous deviez atteindre un arbre spécifique dans une forêt, mais que vous ne pouvez pas traverser les rivières. Vous choisissez l'endroit sur la rive actuelle qui est le plus proche de l'arbre, pour minimiser la distance à parcourir une fois que vous aurez traversé.

🏆 Les Résultats : Pourquoi ça marche mieux ?

Lorsqu'ils ont testé cette méthode sur de vraies données (des fonds d'investissement et des secteurs de l'économie américaine) sur 20 à 30 ans, le résultat a été impressionnant :

Moins de chutes : Leur méthode a mieux résisté aux grandes crises (comme en 2008 ou 2020).
Plus de profit par risque : Ils ont obtenu un meilleur "Score de Sharpe" (c'est le rapport entre le gain et le danger pris) que les méthodes classiques.
Simplicité : Pas besoin de deviner des milliards de paramètres. Juste trois boutons à surveiller.

📝 En résumé

Imaginez que vous jouez à un jeu vidéo où le niveau change chaque jour.

Les autres joueurs essaient de mémoriser chaque pixel du niveau d'hier pour deviner le niveau de demain. Ils se trompent souvent.
Ces auteurs regardent la forme générale du niveau (est-ce une colline ? une montagne ?) et utilisent un petit calcul pour deviner la forme du niveau de demain. Ensuite, ils placent leur personnage exactement là où il faudra être pour être prêt à l'arrivée.

C'est une approche plus intelligente, plus robuste et plus facile à comprendre pour naviguer dans les eaux tumultueuses de la bourse.

1. Problématique

L'optimisation moyenne-variance de Markowitz, fondement de la Théorie Moderne du Portefeuille (MPT), repose sur l'hypothèse que les rendements futurs et les matrices de covariance des actifs sont stationnaires et peuvent être estimés avec précision à partir des données historiques. Cependant, en pratique, les marchés financiers sont non stationnaires, ce qui entraîne des erreurs d'estimation significatives. Ces erreurs rendent les poids du portefeuille instables et dégradent fortement les performances hors échantillon (out-of-sample), en particulier pour le portefeuille de tangence (celui qui maximise le ratio de Sharpe).

Les modèles existants visant à corriger ce problème (comme le modèle Black-Litterman, la rétrécissement de la matrice de covariance ou les modèles GARCH) présentent des limites : ils sont complexes à mettre en œuvre, nécessitent de nombreuses entrées subjectives, ou ne parviennent pas à estimer correctement le vecteur de rendements. De plus, leur complexité les rend difficiles à interpréter pour les investisseurs.

2. Méthodologie

Les auteurs proposent une approche novatrice qui ne cherche pas à estimer directement les rendements futurs et la covariance, mais à prévoir le portefeuille de tangence lui-même en décomposant la forme fonctionnelle de la frontière efficiente.

A. Décomposition de la Frontière Efficientes

Au lieu d'utiliser les coefficients standards de Merton ( $A, B, C$ ), les auteurs dérivent un ensemble de trois coefficients interprétables pour représenter la frontière efficiente sous la forme d'un polynôme du second ordre (racine carrée) :

$r_{mvp}$ : Le rendement associé au portefeuille de variance minimale (MVP).
$\sigma_{mvp}$ : L'écart-type associé au MVP.
$u$ : Le taux de courbure de la fonction d'utilité de la frontière efficiente. Ce coefficient mesure l'efficacité de l'ensemble d'actifs pour l'optimisation moyenne-variance. Une valeur de $u$ plus élevée indique une frontière qui décroît plus lentement, offrant de meilleurs compromis risque-rendement.

Ces coefficients sont liés aux coefficients de Merton par des relations mathématiques précises (équations 4 et 5 du papier).

B. Prévision par VARX en Ligne

Pour prédire ces coefficients futurs, l'étude utilise un modèle VARX (Vector Autoregression with Exogenous variables) en ligne avec un ordre de retard de 1.

Données d'entrée : Les coefficients historiques de la frontière efficiente et la moyenne mobile des rendements à poids égaux.
Fenêtre : Une fenêtre de prévision de 1 mois (21 jours ouvrés) basée sur une fenêtre de régression de 1 an (252 jours).
Avantage : Cette approche capture l'autocorrélation des coefficients tout en restant parcimonieuse pour éviter le surajustement (overfitting).

C. Investissement dans le Portefeuille de Distance Minimale

Une fois les coefficients futurs ( $r_{mvp}, \sigma_{mvp}, u$ ) prévus, le modèle calcule le rendement et l'écart-type théoriques du portefeuille de tangence futur.

Le Défi : Comme la frontière efficiente actuelle ne contient pas nécessairement ce portefeuille de tangence futur (en raison de la non-stationnarité), on ne peut pas simplement investir dedans.
La Solution : L'algorithme identifie le portefeuille sur la frontière efficiente actuelle qui se trouve à la distance euclidienne minimale du portefeuille de tangence prévu.
Optimisation : Ce problème est résolu en minimisant la fonction de distance au carré (convexe) via la méthode de Newton, puis en calculant les poids du portefeuille correspondant à ce rendement cible via une optimisation moyenne-variance standard.

3. Contributions Clés

Nouveaux Coefficients Interprétables : Introduction de $r_{mvp}$ , $\sigma_{mvp}$ et $u$ pour décrire la frontière efficiente, offrant une meilleure intuition économique que les coefficients mathématiques bruts de Merton.
Méthode de Prévision : Développement d'un modèle VARX en ligne pour prévoir ces coefficients, évitant ainsi la nécessité d'estimer directement les rendements et covariances futurs.
Stratégie de Robustesse : Proposition d'investir dans le portefeuille de distance minimale par rapport au tangence prévu, une stratégie conçue pour être plus robuste aux mouvements de marché imprévus.
Validation Empirique Rigoureuse : Tests sur deux univers d'actifs distincts (fonds mutuels GVMC et ETFs sectoriels S&P) sur des périodes longues (2000-2022 et 2008-2022).

4. Résultats Empiriques

L'étude compare la nouvelle stratégie (« Minimum Distance Portfolio ») à quatre benchmarks :

Portefeuille de tangence standard (fenêtre glissante de 1 mois).
Portefeuille à poids égaux.
S&P 500 (rendement total).
Portefeuille 60/40 (Actions/Obligations).

Performances clés (2000-2022 pour GVMC) :

Ratio de Sharpe : La méthode proposée atteint 1,00, contre 0,67 pour le portefeuille de tangence standard et 0,33 pour le S&P 500.
Rendement Annuel : 10,7 % contre 7,0 % pour le tangence standard.
Drawdown Maximal : -18,7 % contre -25,0 % pour le tangence standard et -55,3 % pour le S&P 500.
Significativité Statistique : Les régressions alpha montrent que la méthode surpasse tous les benchmarks avec une signification statistique élevée (p-value < 0,0001).

Les graphiques (Figures 2 et 3) illustrent que la méthode proposée offre des rendements plus stables et subit des pertes moindres lors des krachs boursiers (2008, 2020).

5. Signification et Conclusion

Cet article démontre qu'il est possible d'améliorer les ratios de Sharpe hors échantillon en changeant de paradigme : au lieu d'affiner l'estimation des paramètres d'entrée (rendements/covariances), il est plus efficace de prévoir directement la structure de la frontière efficiente et d'investir dans la position la plus proche du portefeuille optimal futur.

Points forts :

Interprétabilité : Le modèle ne nécessite pas d'hypothèses subjectives complexes comme le modèle Black-Litterman.
Robustesse : La stratégie de distance minimale agit comme un régularisateur naturel contre l'instabilité des estimations.
Simplicité relative : Malgré l'utilisation de modèles de séries temporelles, la logique sous-jacente reste ancrée dans la théorie MPT.

Limites et Perspectives :
Les auteurs notent que les résultats pourraient dépendre des actifs sélectionnés et de l'utilisation d'un effet de levier limité à 1,5x. Les recherches futures exploreront l'ajout d'indicateurs techniques (oscillateurs stochastiques) et de données économiques, ainsi que l'utilisation de méthodes d'apprentissage automatique non linéaires (LASSO, arbres de décision) pour enrichir le modèle de prévision.

En résumé, cette approche offre une voie prometteuse pour rendre l'optimisation de portefeuille plus résiliente face à la non-stationnarité des marchés.