The Long-Only Minimum Variance Portfolio in a One-Factor Market: Theory and Asymptotics

Cet article fournit une solution explicite et des résultats asymptotiques pour le portefeuille à variance minimale sans vente à découvert dans un marché à un facteur avec des bêtas de signe arbitraire, résolvant ainsi une question ouverte et caractérisant la convergence du ratio d'actifs actifs dans le régime de haute dimension.

L'essentiel

🌊 Le Portefeuille "Zéro Panique" : Comment choisir les meilleurs bateaux quand la mer est agitée ?

Imaginez que vous êtes le capitaine d'un grand navire de commerce (votre portefeuille d'investissement). Votre objectif est simple : arriver à destination avec le moins de secousses possible. En finance, on appelle cela la "variance" ou le "risque". Plus le navire tangue, plus il est dangereux.

Les mathématiciens savent depuis longtemps comment construire le navire le plus stable si vous avez le droit de faire deux choses :

1. Acheter des bateaux (aller à l'achat).
2. Vendre à découvert des bateaux que vous ne possédez pas (parier qu'ils vont couler pour gagner de l'argent). C'est comme avoir un "bateau fantôme" dans votre flotte.

Mais dans la vraie vie, la plupart des investisseurs (comme vous et moi) ne peuvent pas vendre à découvert. C'est trop compliqué et trop risqué. On doit donc construire un portefeuille "Long-Only" (uniquement des achats). C'est là que le papier de recherche entre en jeu.

1. Le Problème : Trouver l'équilibre parfait

Le défi, c'est de savoir quels bateaux inclure dans votre flotte pour qu'elle soit la plus stable possible, sans pouvoir utiliser de "bateaux fantômes".

Dans un monde complexe avec des milliers d'actifs (des actions), c'est un casse-tête mathématique énorme. Les auteurs de ce papier, Alec Kercheval et Ololade Sowunmi, ont trouvé une solution élégante pour un cas très courant : celui où tous les bateaux réagissent à une seule grande force, comme une vague géante (le marché global).

Ils appellent cela un modèle "à un facteur". Imaginez que toutes les actions sont comme des voiliers : leur mouvement dépend principalement du vent (le marché), même si chacun a sa propre petite voile (son risque individuel).

2. La Solution : Le "Filtre à Beta"

Les auteurs ont découvert une règle très simple pour savoir quels bateaux garder. Ils utilisent une mesure appelée le Bêta (β).

• Le Bêta, c'est comme la sensibilité de votre bateau au vent.
• Un Bêta élevé = votre bateau bouge beaucoup avec le vent.
• Un Bêta faible (ou négatif) = votre bateau bouge peu, ou même dans le sens opposé au vent.

La découverte clé :
Pour avoir le portefeuille le plus stable possible sans vendre à découvert, vous ne devez pas choisir les bateaux au hasard. Vous devez trier vos bateaux par ordre de sensibilité au vent (du plus faible au plus fort) et garder uniquement les premiers de la file.

C'est comme si vous deviez remplir un sac de sable. Vous ne mettez pas n'importe quel grain. Vous prenez les grains les plus légers (ceux qui réagissent le moins au vent) jusqu'à ce que le sac soit plein. Dès que vous ajoutez un grain trop lourd, le sac devient instable.

Le papier donne une formule mathématique précise pour dire exactement où couper la file. C'est comme un seuil magique : "Gardez tout ce qui est en dessous de cette ligne, jetez le reste."

3. La Grande Question : Combien de bateaux garder ?

C'est ici que les choses deviennent fascinantes. Les auteurs se sont demandé : "Si j'ai 10 000 bateaux, combien dois-je en garder pour avoir le meilleur portefeuille ?"

Ils ont étudié ce qui se passe quand le nombre de bateaux devient gigantesque (une "haute dimension").

Le résultat surprenant :

• Si le vent souffle dans une seule direction (tous les bateaux ont un Bêta positif) : À mesure que le nombre de bateaux augmente, vous devez en garder de moins en moins ! Presque tous les bateaux sont jetés à la mer. Le portefeuille idéal devient très petit, concentré sur les quelques bateaux les plus calmes.
• Si certains bateaux vont à contre-courant (Bêta négatif) : C'est plus complexe. Mais si ces bateaux "rebelle" sont rares, le résultat est le même : vous n'en gardez qu'une petite fraction.

L'analogie du "Filtre à Café" :
Imaginez que vous essayez de faire du café le plus pur possible. Plus vous ajoutez d'eau (d'actifs), plus vous devez utiliser un filtre très fin pour ne garder que les gouttes les plus pures.
Le papier montre que si vous avez un océan d'actifs, le filtre devient si fin que vous ne gardez que 3 à 4 % des actifs (dans un exemple typique). Le reste est éliminé car il ajouterait trop de turbulence.

4. Pourquoi est-ce important ?

Avant ce papier, les mathématiciens savaient faire ce calcul seulement si tous les bateaux allaient dans le même sens (Bêta positif). Mais dans la réalité, certains bateaux vont parfois à contre-courant (Bêta négatif).

• La question ouverte : "Que se passe-t-il si on mélange des bateaux qui vont dans le sens du vent et d'autres qui vont à contre-courant ?"
• La réponse du papier : Ils ont résolu ce mystère. Ils ont prouvé que la règle du "seuil" fonctionne toujours, même avec des Bêtas négatifs. Ils ont aussi donné une formule pour prédire exactement combien de bateaux seront gardés, même si le nombre de bateaux est infini.

En résumé

Ce papier est comme un manuel de navigation pour les capitaines prudents.

1. Il vous dit comment trier vos actifs (vos bateaux) du plus calme au plus turbulent.
2. Il vous donne la règle exacte pour savoir où arrêter de remplir votre portefeuille.
3. Il vous rassure : même si vous avez des milliers d'options, la meilleure stratégie est souvent de choisir très peu d'actifs, ceux qui sont les plus résistants aux tempêtes du marché.

C'est une preuve mathématique que, pour minimiser le risque, la qualité (la stabilité) bat toujours la quantité. Mieux vaut avoir un petit groupe de bateaux solides qu'une flotte immense et chaotique.

Résumé technique

1. Problématique et Contexte

L'article s'intéresse à la construction du portefeuille à variance minimale sous contrainte de long-only (LOMV - Long-Only Minimum Variance), c'est-à-dire un portefeuille où les poids des actifs $w_i$ doivent être non-négatifs ($w_i \ge 0$) et sommer à 1.

• Contexte : Contrairement au portefeuille de variance minimale sans contrainte (long-short), qui admet une solution analytique simple via l'inversion de la matrice de covariance $\Sigma$, le problème LOMV est un problème d'optimisation quadratique sous contraintes d'inégalité. La difficulté principale réside dans l'identification de l'ensemble actif $K$ (les actifs ayant un poids strictement positif).
• Modèle : Les auteurs se concentrent sur un modèle de marché à un facteur (modèle de Sharpe), où la matrice de covariance $\Sigma$ prend la forme :
  $$\Sigma = \sigma^2 \beta \beta^\top + \Delta$$
  où $\sigma^2$ est la variance du facteur, $\beta$ est le vecteur des bêtas des actifs, et $\Delta$ est une matrice diagonale de variances idiosyncratiques.
• Lacune de la littérature : Des travaux antérieurs (Clarke et al., 2011 ; Qi, 2021) ont étudié ce problème, mais souvent en supposant que tous les bêtas sont strictement positifs. Qi [2021] a identifié l'extension aux bêtas de signes mixtes (positifs et négatifs) comme un problème ouvert. Cet article résout ce problème.

2. Méthodologie et Approche Théorique

Les auteurs développent une approche analytique rigoureuse combinant l'optimisation convexe et l'analyse asymptotique en haute dimension.

A. Solution Explicite pour le Cas Général (Théorème 1)

Pour un modèle à un facteur avec des bêtas de signes arbitraires, les auteurs proposent une méthode pour déterminer l'ensemble actif $K$ sans résoudre d'équation de point fixe complexe.

1. Réduction du problème : Une fois l'ensemble actif $K$ identifié, la solution LOMV est simplement la solution "long-short" calculée uniquement sur le sous-ensemble $K$ (Proposition 1).
2. Séquence de seuillage : En supposant que les bêtas sont ordonnés ($\beta_1 \le \beta_2 \le \dots \le \beta_p$), les auteurs définissent une séquence explicite $\{R_i\}$ :
   $$R_i = \frac{1}{\sigma^2} + \sum_{j=1}^{i-1} \frac{\beta_j}{\delta_j^2}(\beta_j - \beta_i)$$
3. Caractérisation de l'ensemble actif : Ils prouvent que la séquence $\{R_i\}$ est d'abord croissante puis décroissante. L'ensemble actif $K$ correspond aux indices $i$ pour lesquels $R_i > 0$. Plus précisément, si $\ell = \max \{i : R_i > 0\}$, alors $K = \{1, 2, \dots, \ell\}$.
   • Cela permet de trouver la solution en $O(\log p)$ étapes (par exemple via une recherche dichotomique).
   • Cette méthode résout l'ouverture de Qi [2021] en gérant les bêtas négatifs sans hypothèse restrictive.

B. Asymptotiques en Haute Dimension (Théorèmes 2 et 3)

Les auteurs étudient le comportement du ratio actif (proportion d'actifs avec un poids non nul, $k/p$) lorsque le nombre d'actifs $p \to \infty$. Ils supposent que les bêtas sont tirés i.i.d. d'une distribution de fonction de répartition $F$.

1. Équation intégrale : Ils définissent une fonction $G(y)$ dépendant de $F$ :
   $$G(y) = \int_{-\infty}^y (x^2 - yx) \, dF(x)$$
   La limite du ratio actif est déterminée par la racine $\beta^*$ de l'équation $G(\beta^*) = 0$.

2. Trois régimes asymptotiques :

   • Cas 1 (Bêtas négatifs et moyenne positive) : Si $P(\beta < 0) > 0$ et $E[\beta] > 0$, alors $\beta^* > 0$. Le ratio actif converge vers $F(\beta^*)$ si $F$ est continue en $\beta^*$. Si $\beta^*$ est un atome de $F$, la limite n'existe pas (oscillation entre $F(\beta^*-)$ et $F(\beta^*)$).
   • Cas 2 (Moyenne nulle) : Si $E[\beta] = 0$ et qu'il existe des bêtas négatifs, le ratio actif converge vers 1 (tous les actifs sont actifs).
   • Cas 3 (Bêtas strictement positifs) : Si $P(\beta < 0) = 0$, le ratio actif converge vers 0 (seuls les actifs avec les plus petits bêtas sont actifs, et leur proportion tend vers zéro).

3. Vitesse de convergence (Théorème 3) :
   Lorsque la proportion de bêtas non-positifs $F(0)$ est petite, les auteurs établissent une borne de convergence pour le ratio actif :
   $$F(\beta^*) = O(F(0)^{1/3})$$
   Cela signifie que même une petite fraction d'actifs avec des bêtas négatifs ou nuls empêche le ratio actif de s'annuler complètement, mais celui-ci reste faible.

3. Résultats Clés

• Solution fermée : Fourniture d'une solution explicite et calculable pour le portefeuille LOMV dans un modèle à un facteur avec des bêtas de signes mixtes, éliminant le besoin de méthodes itératives ou de point fixe.
• Résolution d'un problème ouvert : Preuve rigoureuse que l'ensemble actif est déterminé par un seuil unique sur les bêtas ordonnés, même en présence de bêtas négatifs.
• Comportement asymptotique : Démonstration que dans un univers large d'actifs, le portefeuille LOMV est très "parcimonieux" (contient peu d'actifs) si les bêtas sont majoritairement positifs.
• Phénomène de non-convergence : Identification d'un cas pathologique où la limite du ratio actif n'existe pas si la distribution des bêtas possède un atome à la racine critique $\beta^*$, entraînant une instabilité du portefeuille selon la réalisation de l'échantillon.
• Validation numérique : Des simulations confirment que le ratio actif observé converge vers la limite théorique $F(\beta^*)$ et mettent en évidence un biais positif pour des échantillons de taille modérée (dû au terme de biais $\nu^2/(p\sigma^2)$).

4. Signification et Implications

• Justification quantitative : Les résultats fournissent une justification rigoureuse à l'observation empirique selon laquelle les contraintes de "long-only" sont très contraignantes dans les marchés réels (où les bêtas négatifs sont rares). Ils expliquent pourquoi les portefeuilles de variance minimale sans contrainte (long-short) prennent des positions extrêmes, tandis que les portefeuilles long-only se concentrent sur un sous-ensemble très restreint d'actifs.
• Robustesse des modèles : L'analyse montre que la structure du portefeuille LOMV est très sensible à la queue de gauche de la distribution des bêtas (les bêtas négatifs). Une petite proportion d'actifs à bêta négatif peut maintenir un ratio actif non nul, mais celui-ci décroît rapidement (en racine cubique) à mesure que cette proportion diminue.
• Apport pratique : La méthode proposée permet de calculer efficacement les portefeuilles optimaux dans des contextes à haute dimension sans avoir recours à des solveurs d'optimisation quadratique coûteux, en se basant uniquement sur le tri des bêtas et le calcul de la séquence $R_i$.

En résumé, cet article comble une lacune théorique majeure en fournissant une solution complète et asymptotique au problème du portefeuille à variance minimale long-only dans un cadre à un facteur, avec des implications profondes pour la compréhension de la structure de risque des portefeuilles réels.