💰 quantitative finance

A novel robust mixed integer linear programming model for index tracking problem under no rebalancing: heuristic optimization approach

Cet article propose un nouveau modèle de programmation linéaire en nombres entiers mixte et robuste pour le problème de suivi d'indice sans rééquilibrage, accompagné d'un algorithme heuristique hybride combinant des capacités génétiques et de recherche locale afin de résoudre efficacement ce problème NP-difficile et de surpasser les solveurs commerciaux sur les données d'échantillon et hors échantillon.

Auteurs originaux : Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

Publié 2026-07-13

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Danial Ramezani, Mostafa Abouei Ardakan, Mohamadreza Dehghani Ahmadabad

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 essayez de construire une version miniature d'un orchestre massif et chaotique. Votre objectif est de choisir seulement quelques instruments (peut-être 10 sur des centaines) qui, joués ensemble, sonnent exactement comme la symphonie complète. Dans le monde de la finance, c'est ce qu'on appelle l'Index Tracking (suivi d'indice). Au lieu d'acheter chaque action d'un marché (ce qui est coûteux et désordonné), les gestionnaires de fonds veulent choisir un petit « portefeuille de suivi » qui imite parfaitement la performance du marché.

Pendant longtemps, les gestionnaires ont essayé de faire cela en regardant à quel point des actions étaient similaires entre elles dans le passé, comme vérifier si un violon et un violoncelle jouaient toujours les mêmes notes. Mais les auteurs de cet article, Danial Ramezani et son équipe, disent que cette approche est un peu comme essayer de prédire la météo de demain en ne regardant que les nuages d'hier. C'est trop instable. Ils soutiennent que s'appuyer sur de simples corrélations passées est bruyant et échoue souvent lorsque le marché change d'humeur.

La nouvelle recette « robuste »
L'équipe a proposé une nouvelle recette mathématique (un modèle) qui est « robuste ». Considérez cela comme la construction d'un bateau qui ne se contente pas de flotter dans des eaux calmes, mais qui est conçu pour survivre à la pire des tempêtes. Au lieu de simplement deviner quelles actions correspondront au marché, leur modèle demande : « Et si la relation entre ces actions tourne mal ? Et si elles agissent de la pire des manières ? » En planifiant pour le pire scénario, le modèle choisit un groupe d'actifs qui reste stable même quand les choses deviennent désordonnées.

Ils ont également introduit une « marge de sécurité » spéciale dans leurs calculs. Imaginez que vous préparez une valise pour un voyage où vous n'êtes pas sûr qu'il pleuve ou qu'il fasse beau. Un emballeur normal pourrait simplement deviner. Ce nouveau modèle prépare pour la pluie et pour le soleil, garantissant que vous aurez ce dont vous avez besoin, peu importe ce qui arrive. Cette approche permet au portefeuille de suivre le marché pendant une longue période sans nécessiter d'ajustements constants (rebalancement), ce qui permet d'économiser sur les frais de transaction.

L'équipe de super-recherche (GALB)
Voici la partie délicate : trouver les 10 instruments parfaits parmi des centaines est un puzzle si vaste que même les supercalculateurs les plus rapides du monde (appelés « solveurs exacts » comme CPLEX) peuvent rester bloqués ou mettre une éternité à résoudre le problème. Le problème est « NP-difficile », une façon élégante de dire qu'il s'agit d'un labyrinthe avec trop d'impasses.

Pour résoudre cela, les auteurs ont créé une nouvelle équipe de recherche appelée GALB. Vous pouvez considérer GALB comme un détective hybride.

L'algorithme génétique (GA) : Cette partie est comme un essaim d'explorateurs courant dans toutes les directions, essayant différentes combinaations d'actions. Il est excellent pour trouver rapidement de nouveaux chemins intéressants.
Le branchement local (Local Branching) : C'est l'expert du « zoom ». Lorsque les explorateurs trouvent un endroit prometteur, cet expert s'arrête et examine de très près le voisinage immédiat pour voir s'il peut ajuster légèrement la solution pour la rendre parfaite.

En mélangeant la « recherche large » des explorateurs avec l'« inspection rapprochée » de l'expert, GALB trouve des solutions de haute qualité bien plus rapidement que les ordinateurs lents utilisant la force brute.

Ce que disent les chiffres
L'équipe a testé leur nouveau modèle et leur équipe de recherche GALB contre les anciennes méthodes et l'ordinateur ultra-rapide CPLEX en utilisant des données provenant de marchés célèbres comme le Dow Jones, le Hang Seng, le DAX, le FTSE 100, le S&P 100 et le Nikkei 225.

Vitesse : Dans ces tests, l'ordinateur CPLEX a mis jusqu'à 1 800 secondes (30 minutes) pour tenter de résoudre le problème pour certains marchés, et il a parfois abandonné sans trouver la meilleure réponse. En revanche, l'équipe GALB a trouvé de bonnes solutions en seulement 120 secondes pour les petits marchés et 300 secondes pour les plus grands.
Précision : Les portefeuilles créés par GALB n'ont pas seulement trouvé des réponses rapidement ; ils ont trouvé de meilleures réponses. Lorsque l'équipe a examiné la performance des portefeuilles dans le futur (données « hors échantillon »), le nouveau modèle présentait systématiquement des erreurs plus faibles. Par exemple, dans le test du Dow Jones, le nouveau modèle avait une erreur de suivi (MAD) de 0,00402 contre 0,00458 pour l'ancien Modèle 3.
Stabilité : Les portefeuilles qu'ils ont construits n'étaient composés que de 10 actifs (un nombre très faible par rapport aux centaines disponibles). Malgré cette petite taille, ils ont suivi les marchés massifs sur de longues périodes sans avoir besoin d'être constamment réorganisés.

Ce qu'ils ne sont PAS
Les auteurs sont prudents et précisent ce que leur méthode n'est pas. Ils s'opposent explicitement à l'idée que l'on puisse simplement regarder les corrélations passées des actions pour prédire l'avenir. Ils montrent que les modèles ignorant les scénarios du « pire cas » (comme l'ancien Modèle 1) produisent souvent des portefeuilles qui semblent bons lors des tests, mais qui échouent lorsque les conditions réelles changent. Ils notent également que, bien que leur heuristique (GALB) soit remarquable, il s'agit d'une approximation ; elle trouve des solutions « égales ou même supérieures » aux solveurs exacts en un temps plus court, mais elle ne garantit pas une preuve mathématique de perfection pour chaque scénario possible de l'univers, bien qu'elle ait convergé vers des solutions optimales pour les tailles de problèmes testées.

L'essentiel à retenir
Dans ces simulations et tests, les auteurs suggèrent que leur nouveau modèle « robuste », associé à l'équipe de recherche GALB, est un moyen puissant de construire un petit portefeuille à faible coût qui imite un marché immense. Il semble mieux gérer le chaos de la bourse que les anciennes méthodes, en maintenant l'erreur de suivi basse et en minimisant le besoin de rebalancements coûteux. Bien que l'article montre que ces résultats tiennent la route sur plusieurs indices mondiaux majeurs, les auteurs présentent cela comme une approche solide et testée plutôt que comme une solution miracle qui résoudrait tous les mystères financiers existants.

Résumé Technique : Un nouveau modèle de programmation linéaire en nombres entiers mixtes robuste pour le suivi d'indices sans rééquilibrage

Définition du Problème
L'article traite du problème de la Réplication d'Indices (IT - Index Tracking), un défi central dans la gestion de fonds passifs où l'objectif est de construire un portefeuille utilisant un sous-ensemble d'actifs qui reproduit la performance d'un indice de référence spécifique du marché. Les auteurs identifient les limitations critiques des formulations mathématiques existantes :

Sensibilité à la corrélation : Les modèles traditionnels reposent souvent sur les corrélations historiques entre actifs, lesquelles peuvent être bruitées, instables selon les régimes de marché et sujettes au surapprentissage (overfitting) des données d'échantillon (in-sample), ceant une faible performance hors échantillon (out-of-sample).
Coûts de rééquilibrage : De nombreuses stratégies nécessitent des rééquilibrages fréquents pour maintenir la précision du suivi, ce qui engendre des coûts de transaction importants et des risques de liquidité.
Complexité computationnelle : Le problème d'IT est NP-difficile en raison de sa nature combinatoire (sélection d'un sous-ensemble d'actifs et détermination de leurs poids), ce qui le rend difficile à résoudre de manière optimale pour de grands ensembles de données dans des délais raisonnables à l'aide de solveurs exacts.

Le but spécifique de cette étude est de développer un modèle qui soit robuste face à l'incertitude des paramètres (spécifiquement les déviations de corrélation), capable de suivre des indices sur de longues périodes sans nécessiter de rééquilibrage, et soluble efficacement via une nouvelle heuristique.

Méthodologie

1. Formulation Mathématique (Modèle - 4)
Les auteurs proposent une nouvelle formulation de programmation linéaire en nombres entiers mixtes (MILP) qui intègre deux objectifs distincts dans un seul modèle robuste :

Robustesse via l'incertitude de corrélation : S'appuyant sur l'approche d'optimisation robuste de Bertsimas et Sim (2003), le modèle incorpore un scénario du « pire cas » pour les corrélations entre actifs. Il minimise la déviation négative des corrélations (les coefficients $\Gamma$ prenant leurs valeurs les plus défavorables) pour garantir que le portefeuille reste efficace même si les corrélations évoluent de manière défavorable.
Minimisation de l'erreur de suivi : Le modèle minimise simultanément la déviation absolue moyenne (MAD) entre le rendement du portefeuille et celui de l'indice de référence.
Contraintes : La formulation inclut des contraintes standards du monde réel telles que la cardinalité (limitant le nombre d'actifs, $K$ ), les seuils d'achat (poids minimaux et maximaux) et l'interdiction de la vente à découvert.
Fonction Objectif : La fonction objectif (Éq. 19) combine le terme d'erreur de suivi et le terme de corrélation robuste, mis à l'échelle par des coefficients $\xi$ et $\psi$ pour normaliser les valeurs entre 0 et 1.

2. Approche de Résolution : Heuristique GALB
Reconnaissant que les solveurs exacts peinent face à des tailles de problèmes plus importantes, les auteurs ont développé la méthode GALB (Genetic Algorithm with Local Branching), une métaheuristique hybride :

Algorithme Génétique (GA) : Sert de moteur de recherche globale, utilisant des opérateurs de croisement et de mutation pour faire évoluer une population de solutions candidates (portefeuilles).
Local Branching (Branchement Local) : Intégré comme mécanisme de recherche locale. Lorsque des conditions spécifiques sont remplies (par exemple, un nombre défini d'itérations de l'AG sans amélioration), l'algorithme applique le branchement local à la meilleure solution trouvée. Cela implique de définir un voisinage de distance de Hamming autour de la meilleure solution actuelle et de résoudre un sous-problème MILP restreint pour explorer plus profondément les solutions proches.
Fonction de Fitness : Une fonction de fitness spécialisée (Algorithme 2) est conçue pour évaluer les solutions sans la surcharge de calcul liée à l'exécution d'un solveur exact à chaque étape. Elle décode les poids des actifs et calcule directement la valeur de l'objectif robuste, gérant efficacement les scénarios de corrélation du pire cas.

Configuration Expérimentale
L'étude a utilisé des données provenant de huit marchés majeurs : Dow Jones, Hang Seng, CAC 40, EURO STOXX 50, DAX, FTSE 100, S&P 100 et Nikkei 225. Les sources de données comprenaient l'OR-library et Yahoo Finance (juillet 2018 – janvier 2024).

Comparaisons : Le Modèle 4 proposé et la méthode GALB ont été comparés à :
- Des formulations existantes (Modèle 1 basé sur la maximisation de la corrélation, Modèle 3 basé sur la minimisation de la MAD).
- Le solveur exact commercial CPLEX.
Métriques : La performance a été évaluée à l'aide de la Corrélation ( $\rho$ ), de la Déviation Absolue Moyenne (MAD), de l'Erreur Quadratique Moyenne (RMSE), de l'Écart-type de l'erreur de suivi (STD) et du Bêta. Les résultats tant en échantillon (in-sample) qu'hors échantillon (out-of-sample) ont été analysés.
Paramètres : Les expériences ont testé différents niveaux d'incertitude ( $\Gamma = 0, 50\%, 75\%, 90\%$ ) et ont fixé la taille du portefeuille à 10 actifs ( $K=10$ ).

Résultats Clés

1. Supériorité de la Formulation Robuste :

Lorsqu'il est résolu par CPLEX, le Modèle 4 proposé surpasse systématiquement le Modèle 1 et le Modèle 3 en termes de métriques hors échantillon sur tous les marchés testés (Dow Jones, CAC 40, EURO STOXX 50).
Plus précisément, le Modèle 4 a obtenu une corrélation plus élevée avec l'indice et des erreurs de suivi plus faibles (MAD, RMSE, STD) lors des périodes hors échantillon, démontant ainsi sa robustesse face aux changements de régime de marché.
En termes d'efficacité computationnelle, CPLEX résout le modèle proposé plus rapidement que le Modèle 3 pour plusieurs marchés (par exemple, 72s contre 118s pour le Dow Jones).

2. Performance de l'Heuristique GALB :

Efficacité : GALB a trouvé des solutions de qualité égale ou supérieure à CPLEX en beaucoup moins de temps (par exemple, 120s contre 1800s pour le Dow Jones ; 300s contre 1800s pour d'autres).
Optimalité : Pour des tailles de problèmes plus petites, GALB converge vers l'optimum global (résultats identiques à CPLEX) dans de nombreux cas, particulièrement lorsque $\Gamma=0$ .
Dominance Hors Échantillon : Dans la plupart des marchés (Hang Seng, DAX, Nikkei 225, S&P 100), les portefeuilles générés par GALB (particulièrement avec $\Gamma=75\%$ ou $90\%$ ) ont produit une performance de suivi hors échantillon supérieure à celle de CPLEX, même lorsque CPLEX disposait de plus de temps de recherche.
Pas de Rééquilibrage : Les portefeuilles résultants, composés de seulement 10 actifs, ont suivi les indices sur de longues périodes avec une déviation minimale, validant l'affirmation de « non-rééquilibrage ».

Signification et Revendications
L'article revendique une double contribution :

Une Formulation Robuste : Il introduit un modèle MILP qui est plus robuste que les modèles d'IT traditionnels, capable de gérer l'incertitude de corrélation et d'offrir une performance hors échantillon supérieure sans nécessiter de rééquilibrages fréquents.
Une Heuristique Puissante : Il présente GALB, un algorithme hybride qui équilibre efficacement l'exploration globale (GA) et l'exploitation locale (Local Branching). Les auteurs affirment que GALB non seulement résout les problèmes d'IT NP-difficiles plus rapidement que les solveurs commerciaux, mais génère également des portefeuilles qui surpassent les solutions des solveurs exacts en termes de précision de suivi réelle.

L'étude conclut que l'approche proposée permet la construction de portefeuilles légers (dès 10 actifs) qui maintiennent une corrélation élevée avec des indices larges et volatils (comme le Nikkei 225) sur des périodes prolongées, réduisant ainsi efficacement les coûts de gestion associés à la rotation (turnover) et au rééquilibrage.

Articles similaires