A Quadratic Resource-Allocation Reduction for Portfolio Selection in the ε-Contaminated Binomial Model

Les investisseurs ont toujours été confrontés à une tension fondamentale : le désir de faire croître leur patrimoine contre la peur que le futur ne ressemble pas au passé. Dans le monde de la finance, cette incertitude est souvent modélisée en imaginant un marché qui se comporte principalement comme prévu, mais qui dévie occasionnellement de manière imprévisible. C'est le domaine de la sélection de portefeuille, où l'objectif est de décider comment répartir l'argent entre différents actifs. Face à l'incertitude du futur, un investisseur prudent ne se contente pas de planifier le résultat le plus probable ; il planifie le pire scénario possible qui pourrait tout de même se produire dans un intervalle de possibilités raisonnable. Cette approche, connue sous le nom d'optimisation robuste, pose une question difficile : si le marché se retourne contre nous de la manière la plus dommageable autorisée par nos données, comment aurions-nous dû investir pour survivre ?

Pendant des décennies, la résolution de ce problème dans un modèle de marché à étapes multiples a été un cauchemar computationnel. Le nombre de trajectoires possibles que le marché pourrait prendre croît de manière explosive à chaque jour qui passe, rendant presque impossible le calcul de la meilleure stratégie pour des horizons temporels autres que très courts. Les chercheurs ont lutté pour trouver un moyen de simplifier cette complexité sans perdre la protection essentielle contre l'incertitude. Une nouvelle étude de Federica Ricca et Andrea Scozzari offre une solution claire et efficace à ce problème spécifique. Ils ont développé une méthode qui transforme un jeu de devinettes complexe et à enjeux élevés en une tâche de tri simple, permettant aux investisseurs de trouver la stratégie optimale pour des horizons temporels longs qui étaient auparavant hors de portée.

Les chercheurs se sont concentrés sur un modèle mathématique spécifique du marché appelé le modèle binomial, qui imagine le prix d'une action montant ou descendant à chaque étape. Ils ont ajouté une couche de « contamination » à ce modèle, représentant l'idée que, bien que nous ayons une meilleure estimation du comportement du marché, il existe une petite chance que la réalité soit légèrement différente. L'objectif était de trouver la meilleure façon d'allouer l'argent à travers tous les résultats possibles pour maximiser la satisfaction, même si le marché se comporte de la manière la plus défavorable autorisée par cette petite chance d'erreur. Dans les travaux précédents, la résolution de ce problème nécessitait de vérifier un nombre astronomique de différentes combinaisons de résultats. Pour un horizon temporel de seulement quelques centaines d'étapes, le nombre de possibilités devenait si élevé que même des ordinateurs puissants ne pouvaient pas terminer le calcul dans un délai raisonnable. L'ancienne méthode était comme essayer de trouver un grain de sable spécifique sur une plage en ramassant et en examinant chaque grain un par un.

Ricca et Scozzari ont réalisé que le problème n'avait pas besoin d'être résolu en vérifiant chaque possibilité. Au lieu de cela, ils ont découvert que le pire scénario pouvait être identifié par un processus beaucoup plus simple. Ils ont montré que la clé de la solution réside dans la recherche d'un ensemble spécifique de poids, ou probabilités, qui représentent le comportement de marché le plus dommageable. La recherche de ces poids s'est avérée être un problème classique d'allocation de ressources, similaire au remplissage d'un contenant avec des articles de valeurs différentes pour maximiser la valeur totale sans dépasser une limite de poids. Dans leur cas, le « contenant » était l'ensemble de toutes les déviations possibles du marché, et les « articles » étaient les probabilités assignées à différents états futurs.

La percée a consisté à réaliser que cette recherche difficile pouvait être réduite à un simple exercice de tri. En organisant les états du marché dans un ordre spécifique basé sur leur probabilité et leur risque, les chercheurs pouvaient déterminer le point exact où le pire scénario bascule. Ce processus, qu'ils appellent construction de seuil, leur permet de contourner la nécessité de vérifier chaque combinaison. Au lieu d'examiner des milliards de trajectoires, la nouvelle méthode ne nécessite qu'un seul passage à travers la liste triée. Cela réduit l'effort de calcul d'une croissance exponentielle qui devient rapidement impossible, à une croissance linéaire qui reste gérable, même pour de très longs horizons temporels.

Une fois ce pire scénario identifié, le reste de la solution s'enclenche. Les chercheurs ont montré que la stratégie d'investissement optimale peut être reconstruite à l'aide d'une formule simple qui dépend de ce scénario identifié. Crucialement, la partie du calcul qui trouve le pire scénario ne dépend pas des préférences spécifiques de l'investisseur ni du montant de capital dont il dispose. Cela signifie que le travail lourd de recherche du comportement de marché le plus défavorable ne doit être effectué qu'une seule fois. Si un investisseur change d'avis sur le niveau de risque qu'il est prêt à prendre, ou s'il commence avec un montant de capital différent, il n'a pas besoin de recommencer tout le calcul. Il peut simplement réutiliser le même scénario catastrophe et appliquer un ajustement rapide pour trouver la nouvelle stratégie optimale.

Les auteurs ont testé leur méthode par rapport à l'approche plus exhaustive plus ancienne en utilisant des données de marché simulées. Ils ont comparé le temps nécessaire à un ordinateur pour résoudre le problème avec la nouvelle méthode de tri par rapport à l'ancienne méthode de vérification des combinaisons. Pour des périodes de temps courtes, les deux méthodes fonctionnaient, mais la nouvelle méthode était déjà plus rapide. À mesure que l'horizon temporel augmentait, la différence devenait spectaculaire. Pour un horizon de cinq cents étapes, la nouvelle méthode résolvait le problème en une fraction de seconde, tandis que l'ancienne méthode prenait plus d'une minute. Lorsque l'horizon était porté à mille étapes, l'ancienne méthode ne parvenait pas à trouver de solution dans le délai imparti, alors que la nouvelle méthode produisait toujours une réponse presque instantanément.

L'étude a également examiné la précision des résultats. Bien que la nouvelle méthode soit nettement plus rapide, les chercheurs ont noté que pour des horizons temporels très longs, la capacité de l'ordinateur à gérer des nombres extrêmement petits peut introduire de minuscules erreurs. Spécifiquement, à un horizon de 500 étapes, la nouvelle méthode était plus rapide mais ne parvenait pas à satisfaire le critère de précision de l'objectif, tandis que l'ancienne méthode y satisfaisait. À 1 000 étapes, la nouvelle méthode renvoyait des solutions réalisables qui ne satisfaisaient toujours pas le critère de précision, alors que l'ancienne méthode avait expiré sans renvoyer de solution. De plus, à cet horizon extrême, aucune des deux méthodes ne satisfaisait le critère de précision composante par composante prescrit. L'article conclut que cette approche constitue un moyen pratique et efficace de gérer la sélection de portefeuille sous incertitude, transformant un problème autrefois informatiquement insoluble en un problème pouvant être résolu avec des algorithmes standards et rapides. En reliant le problème de l'incertitude financière à un outil mathématique bien connu pour l'allocation de ressources, les chercheurs ont tracé une voie claire pour les investisseurs qui doivent planifier à long terme dans un monde incertain, bien que la précision numérique demeure un défi aux horizons les plus longs.