💰 quantitative finance

Portfolio Optimization under Heavy Tails and Asymmetric Volatility: Evidence from Taiwan-Exposed ETFs

Cet article analyse trente ETF cotés aux États-Unis et exposés à Taïwan de 2015 à 2025 pour démontrer que, bien que la concentration des semi-conducteurs génère des risques à queue lourde et une volatilité asymétrique, l'optimisation du risque de queue (CVaR) produit des portefeuilles plus concentrés et des classements de performance différents par rapport aux cadres traditionnels de moyenne-variance, soulignant ainsi l'insuffisance des modèles basés sur la variance pour les investissements concentrés dans la technologie.

Auteurs originaux : Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

Publié 2026-07-21

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ting-Jung Lee, Abootaleb Shirvani, Farzana Afroz, Svetlozar T. Rachev, Frank J. Fabozzi

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 chercheur de trésors naviguant sur une mer tempétueuse. Depuis des siècles, les marins utilisent une carte simple qui suppose que l'océan est majoritairement calme, avec des vagues qui montent et descendent selon un schéma prévisible et symétrique. Cette carte fonctionne bien pour les brises légères, mais elle échoue lamentablement lorsqu'un ouragan frappe. Dans le monde de la finance, cette carte de l'« océan calme » est appelée la variance, un outil qui mesure l'ampleur des fluctuations de prix. Elle traite une chute soudaine des prix (un désastre) et un pic soudain (un jackpot) comme étant également risqués, simplement parce qu'il s'agit de mouvements importants. Mais en réalité, les investisseurs se soucient beaucoup plus de perdre leur navire que de trouver de l'or supplémentaire.

Lorsque vous observez des marchés portés par les industries de haute technologie, comme celui de Taïwan, l'océan n'est pas seulement agité ; il est rempli de vagues massives et cachées qui peuvent faire chavirer un navire sans prévenir. On les appelle les queues épaisses (les événements extrêmes arrivent plus souvent que ce que la carte du calme prédit) et la volatilité asymétrique (les mauvaises nouvelles font grossir les vagues plus rapidement que les bonnes nouvelles ne les font rétrécir). Pour naviguer dans ces eaux, les experts utilisent un radar spécial appelé CVaR (Valeur à Risque Conditionnelle), qui ne demande pas seulement : « Quelle est la taille de la plus grosse vague ? », mais plutôt : « Si la pire vague frappe, quelle quantité d'eau va réellement inonder le bateau ? ». Ce document plonge dans les eaux spécifiques des fonds exposés à Taïwan pour voir si les vieilles cartes nous mentent et si le nouveau radar peut nous aider à construire un meilleur bateau.

La tempête des semi-conducteurs de Taïwan

Les auteurs de cette étude ont décidé de tester ces idées sur trente fonds d'investissement différents (ETF) qui ont un lien étroit avec Taïwan. Pourquoi Taïwan ? Parce que c'est le cœur de l'industrie mondiale des semi-conducteurs, l'endroit où sont fabriquées les puces pour votre téléphone, votre IA et vos ordinateurs. Cela rend ces fonds incroyablement sensibles aux hauts et aux bas du monde technologique, ainsi qu'aux tensions géopolitiques. Les chercheurs ont examiné les données de février 2015 à février 2025, une période qui a inclus le calme avant la pandémie, le chaos de la chute de 2020 et l'immense essor de l'IA qui a suivi.

Ils ont posé une question simple mais cruciale : Si nous construisons un portefeuille en utilisant l'ancienne carte de la « variance », nous protégera-t-elle des dangers réels de ces fonds fortement axés sur la technologie, ou nous laissera-t-elle exposés ?

L'ancienne carte contre le nouveau radar

D'abord, l'équipe a vérifié la « forme » du risque. Ils ont utilisé un outil appelé l'estimateur de Hill pour mesurer à quel point les queues de la distribution du risque étaient « épaisses ». Considérez cela comme la mesure de la probabilité de trouver un tsunami dans l'océan. Étonnamment, ils ont trouvé que la forme du danger était en fait assez similaire pour tous les fonds, qu'ils soient concentrés sur une seule entreprise de semi-conducteurs ou répartis dans le monde entier. La « probabilité de tsunami » était approximativement la même.

Cependant, la taille des vagues était très différente. Les fonds axés sur les semi-conducteurs (comme SMH et SOXX) présentaient des vagues globalement beaucoup plus grandes car leurs prix bougeaient de manière plus sauvage. C'est une découverte clé : le danger supplémentaire dans ces fonds technologiques ne venait pas du fait que le type de risque était étrange, mais simplement parce que l'échelle du mouvement était énorme. Les anciennes cartes basées sur la variance manquaient cette nuance, faisant paraître les fonds de semi-conducteurs seulement légèrement plus risqués que les fonds sûrs, alors qu'en réalité, leurs pertes potentielles étaient massives.

Le mystère de la « mémoire longue »

Ensuite, les chercheurs ont étudié un phénomène inquiétant appelé mémoire longue. En finance, c'est l'idée que si une vague s'écrase aujourd'hui, elle pourrait continuer à s'écraser pendant très longtemps, comme un fantôme qui refuse de partir. Certains modèles suggèrent qu'il s'agit d'une caractéristique permanente du marché. Mais les auteurs ont testé cela en filtrant le « bruit » de la volatilité quotidienne à l'aide d'un modèle appelé GJR-GARCH (qui tient compte du fait que les mauvaises nouvelles effraient davantage les gens que les bonnes nouvelles ne les excitent).

Après avoir filtré le bruit, le « fantôme » a disparu. La mémoire longue s'est évaporée. Cela suggère que le marché n'est pas hanté par une malédiction permanente ; plutôt, les vagues semblent effrayantes parce qu'elles se regroupent lorsque les choses tournent mal. Les auteurs concluent que nous n'avons pas besoin de modèles complexes de « mémoire longue » pour prédire ces fonds ; un modèle plus simple qui rend compte de la façon dont les mauvaises nouvelles font bondir la volatilité est suffisant.

Construire le bateau : Deux plans différents

La partie la plus excitante de l'étude était la construction des portefeuilles. Les chercheurs ont essayé deux plans différents :

Le plan Moyenne-Variance : L'approche classique qui tente d'équilibrer le rendement par rapport au mouvement total (haut et bas).
Le plan CVaR : La nouvelle approche qui tente de minimiser les dommages spécifiques causés par les scénarios les plus défavorables.

Lorsqu'ils ont construit le bateau Moyenne-Variance, c'était un vaisseau équilibré et diversifié. Il répartissait son poids sur de nombreux fonds différents pour lisser la traversée. Il ne pariait pas lourdement sur quoi que ce soit.

Mais lorsqu'ils ont construit le bateau CVaR, le résultat fut frappant. Le nouveau plan a décidé que la meilleure façon de survivre aux pires tempêtes était de charger lourdement le fonds SMH (un ETF axé sur les semi-conducteurs). Pourquoi ? Parce que lors de l'essor de l'IA post-pandémie, le SMH était si performant pour générer des rendements que, malgré ses vagues géantes, il offrait le meilleur ratio « survie-récompense ». Le bateau CVaR est devenu un bolide concentré et rapide, misant gros sur le secteur technologique, tandis que l'ancien bateau était un paquebot lent et régulier.

Qui gagne la course ?

Enfin, ils ont fait la course entre ces bateaux sur les dix dernières années pour voir lequel performait le mieux. Les résultats dépendaient entièrement de la façon dont vous jugiez le vainqueur :

Si vous jugez selon les anciennes règles (Ratio de Sharpe) : Le Portefeuille Équilibré (un bateau simple où vous achetez un peu de tout) a gagné. Il était robuste, n'a pas commis de grosses erreurs et a bien surfé sur la vague de l'IA pour battre les bateaux optimisés complexes. La mathématique sophistiquée des bateaux optimisés les a en fait desservis car les calculs ont amplifié de petites erreurs.
Si vous jugez selon les nouvelles règles (Ratio de Rachev) : Les bateaux basés sur le CVaR ont gagné. Lorsque l'on regarde spécifiquement l'équilibre entre les gains extrêmes et les pertes extrêmes, les portefeuilles qui se concentraient sur le risque de queue ont été plus performants. Ils ont mieux géré les pires journées.

La conclusion

L'article suggère que dans un monde dominé par la technologie et les queues épaisses, l'ancienne carte de la « variance » est incomplète. Elle cache la véritable ampleur du danger dans les fonds de semi-conducteurs. Bien que la stratégie simple consistant à « tout acheter » ait été le vainqueur le plus robuste dans cette course spécifique, l'étude proure que si vous vous souciez profondément d'éviter les pertes catastrophiques, vous avez besoin d'une carte différente.

Les auteurs ne prétendent pas avoir trouvé une solution miracle qui résout tous les problèmes d'investissement. Au contraire, ils montrent que la façon dont vous mesurez le risque change le bateau que vous construisez. Si vous ne regardez que les vagues moyennes, vous construisez un paquebot. Si vous regardez les tsunamis, vous pourriez finir par construire un bolide de course. Dans le monde volatil du secteur technologique de Taïwan, savoir quelle carte vous utilisez est la différence entre une navigation fluide et un naufrage.

Résumé Technique : Optimisation de Portefeuille sous Têtes Lourdes et Volatilité Asymétrique : Preuves issues des ETF exposés à Taïwan

Énoncé du Problème
Le rôle central de Taïwan dans la fabrication mondiale de semi-conducteurs crée un environnement d'investissement unique pour les fonds indiciels cotés (ETF) exposés à Taïwan. Ces actifs sont soumis à une concentration technologique, à l'incertitude géopolitique et aux perturbations de la chaîne d'approvisionnement, entraînant des distributions de rendements caractérisées par des queues lourdes, des regroupements de volatilité (volatility clustering) et des réponses asymétriques aux chocs négatifs. Les cadres de portefeuille traditionnels, principalement basés sur l'optimisation moyenne-variance de Markowitz (1952), traitent les écarts positifs et négatifs de manière symétrique et s'appuient sur la variance comme seule mesure du risque. Cette approche est insuffisante pour les marchés où les rendements présentent une asymétrie (skewness), un excès de kurtosis et des mouvements de baisse importants. L'article examine si les mesures basées sur la variance sous-estiment systématiquement le risque de perte (downside risk) dans ce contexte, si la mémoire longue apparente de la volatilité reflète une véritable intégration fractionnaire ou une hétéroscédasticité conditionnelle, et si l'optimisation sensible aux queues (Conditional Value-at-Risk, ou CVaR) produit des allocations de portefeuille et des classements de performance matériellement différents par rapport à l'optimisation moyenne-variance.

Méthodologie
L'étude analyse trente ETF cotés aux États-Unis avec une exposition à Taïwan, aux marchés émergents, à l'Asie-Pacifique et aux secteurs de la technologie et des semi-conducteurs sur la période allant du 20 février 2015 au 20 février 2025. Le cadre empirique intègre quatre composantes méthodologiques distinctes :

Diagnostics du Risque de Queue : Les auteurs utilisent l'estimateur de Hill pour estimer l'indice de queue ( $\alpha$ ) des distributions de rendement, caractérisant la décroissance asymptotique des pertes extrêmes. Cela est complété par des calculs de la Valeur en Risque (VaR) et de la Valeur en Risque Conditionnelle (CVaR) historiques à des niveaux de confiance de 95 % et 99 %.
Modélisation de la Volatilité : Pour étudier la persistance de la volatilité et l'asymétrie, l'article utilise des modèles GJR-GARCH(1,1) avec des innovations de Student-t pour capturer les réponses de volatilité asymétriques (effets de levier). De plus, des modèles FIGARCH(1,d,1) en fenêtre glissante sont estimés pour distinguer la mémoire longue réelle (intégration fractionnaire) de la persistance induite par l'hétéroscédasticité conditionnelle. Les diagnostics de mémoire longue incluent l'estimateur de Geweke–Porter–Hudak (GPH), l'estimateur de Local Whittle et l'exposant de Hurst, appliqués à la fois aux rendements au carré bruts et aux résidus standardisés filtrés par le modèle GJR-GARCH.
Optimisation de Portefeuille : Deux cadres d'optimisation sont comparés à l'aide d'une fenêtre glissante de quatre ans (1 008 jours de bourse) :
- Moyenne-Variance : Minimisation de la variance du portefeuille sous contraintes de rendement attendu (Markowitz, 1952).
- Optimisation de la CVaR : Minimisation de la CVaR et maximisation du ratio STARR (excès de rendement sur la CVaR) en utilisant la formulation de programmation linéaire par scénarios de Rockafellar et Uryasev (2002).
  Les deux cadres sont évalués sous des contraintes de position longue uniquement (long-only) et de position longue-courte (long-short).
Évaluation de la Performance : Les classements de portefeuille sont évalués à l'aide de trois mesures de récompense par unité de risque : le ratio de Sharpe (basé sur la variance), le ratio de Rachev (comparant les gains extrêmes aux pertes extrêmes) et le ratio STARR (excès de rendement relatif à la CVaR).

Principales Contributions et Résultats

Risque de Queue et Échelle vs Épaisseur : L'analyse confirme que les ETF exposés à Taïwan présentent un comportement de queue lourde, les estimations de l'indice de queue de Hill se situant généralement entre 2,5 et 3,5. Bien que le comportement de décroissance asymptotique de la queue (indice de queue) soit globalement similaire dans l'univers des ETF, les ETF axés sur les semi-conducteurs (ex. SMH, SOXX) présentent des estimations de VaR et de CVaR sensiblement plus élevées que les indices de référence diversifiés. L'article conclut que ces différences transsectorielles dans le risque de perte extrême sont principalement pilotées par des différences d'échelle de rendement (volatilité) plutôt que par des différences d'épaisseur de queue. Les mesures basées sur la variance comme le ratio de Sharpe ne parviennent pas à capturer ces différences de risque de queue pilotées par l'échelle.
Nature de la Persistance de la Volatilité : Les diagnostics initiaux sur les rendements au carré bruts suggèrent la présence d'un comportement de mémoire longue. Cependant, après avoir filtré les séries de rendements via un modèle GJR-GARCH(1,1), les diagnostics de mémoire longue (GPH, Local Whittle, Hurst) s'effondrent vers zéro et perdent leur signification statistique. Cela indique que la mémoire longue apparente est largement attribuable à l'hétéroscédasticité conditionnelle asymétrique et au regroupement de volatilité plutôt qu'à une véritable intégration fractionnaire. Par conséquent, les modèles GARCH asymétriques standards sont jugés suffisants pour modéliser la volatilité dans ce contexte sans nécessiter de spécifications fractionnairement intégrées complexes.
Divergence des Allocations de Portefeuille : L'optimisation basée sur la CVaR produit des portefeuilles nettement plus concentrés que l'optimisation moyenne-variance. Alors que le portefeuille tangent moyen-variance reste diversifié sur plusieurs ETF, le portefeuille tangent de la CVaR alloue un poids dominant à l'ETF de semi-conducteurs SMH, particulièrement durant l'expansion post-COVID tirée par l'IA. Cela suggère que l'optimisation du risque de queue favorise les actifs présentant des caractéristiques de rendement attendu par rapport au risque de queue favorables, même s'ils sont hautement concentrés.
Dépendance des Classements vis-à-vis des Mesures de Performance : L'étude démontre que les classements de performance des portefeuilles sont hautement sensibles à la métrique d'évaluation choisie.
- Le ratio de Sharpe et la mesure STARR favorisent le portefeuille à pondération égale (EWP), qui bénéficie de sa robustesse face à l'erreur d'estimation et d'une exposition large à l'appréciation du marché pilotée par les semi-conducteurs.
- Le ratio de Rachev favorise les portefeuilles basés sur la CVaR, car ces stratégies gèrent explicitement l'équilibre entre les gains extrêmes et les pertes extrêmes.
- Sous des contraintes long-court, les portefeuilles optimisés sous-performent généralement l'EWP en termes de rendements cumulés et de ratios de Sharpe, probablement en raison de l'amplification de l'erreur d'estimation, bien qu'ils puissent offrir des profils de risque de queue différents.

Signification et Revendications
L'article affirme que dans les environnements d'investissement concentrés sur la technologie, les cadres basés sur la variance fournissent une caractérisation incomplète du risque. Les résultats démontrent que les mesures de risque sensibles aux queues (VaR, CVaR) révèlent des différences économiquement significatives dans le risque de perte que les métriques basées sur la variance occultent. De plus, l'étude souligne que le choix de la mesure de performance modifie fondamentalement l'évaluation de la qualité d'un portefeuille ; un portefeuille qui est optimal selon un critère sensible aux queues (ratio de Rachev) peut être sous-optimal selon un critère basé sur la variance (ratio de Sharpe).

Les auteurs soutiennent que pour les ETF exposés à Taïwan, la mémoire longue apparente de la volatilité est mieux expliquée par l'hétéroscédasticité conditionnelle asymétrique que par l'intégration fractionnaire, suggérant que les modèles GJR-GARCH plus simples sont préférables pour la gestion des risques. Enfin, l'article pose que, bien que l'optimisation de la CVaR conduise à des allocations plus concentrées (spécifiquement dans les actifs de semi-conducteurs), le portefeuille à pondération égale demeure un benchmark robuste qui surperforme souvent les stratégies optimisées en termes de performance hors-échantillon, particulièrement lorsque l'erreur d'estimation est une préoccupation. Les conclusions soulignent la nécessité d'utiliser plusieurs mesures de performance pour évaluer les portefeuilles dans des marchés caractérisés par des queues lourdes et une volatilité asymétrique.