📈 economics

Multi-objective Portfolio Optimization Via Gradient Descent

Cet article introduit un cadre de référence flexible, basé sur la descente de gradient, pour l'optimisation de portefeuilles multi-objectifs qui exploite la différenciation automatique pour gérer des contraintes complexes et des objectifs divers, démontrant une performance compétitive par rapport aux solveurs standards à travers divers scénarios expérimentaux.

Auteurs originaux : Christian Oliva, Pedro R. Ventura, Luis F. Lago-Fernandez

Publié 2026-08-15

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Christian Oliva, Pedro R. Ventura, Luis F. Lago-Fernandez

Article original sous licence CC BY 4.0 (https://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 soyez le capitaine d'un navire massif, mais qu'au lieu de naviguer sur l'eau, vous naviguiez sur une mer entièrement faite d'argent. Votre objectif est d'aller d'un point A à un point B avec le plus de trésors possible, mais il y a un piège : l'océan est rempli de tempêtes (le risque) et vous avez une carte stricte (la réglementation) qui stipule que vous ne pouvez pas transporter trop d'or dans un seul coffre, et que vous devez rester proche d'un phare spécifique (un indice de référence). C'est le monde de l'optimisation de portefeuille. Pendant des décennies, la manière standard de diriger ce navire consistait à utiliser une boussole mathématique rigide appelée « Théorie Moderne du Portefeuille ». Elle fonctionnait bien pour les eaux calmes, mais lorsque la mer devenait agitée avec des règles complexes ou des objectifs contradicants — comme vouloir un maximum de trésors ET un minimum de risques ET des limites de sécurité strictes — l'ancienne boussole se bloquait souvent ou se brisait.

Entrez en scène un nouvel outil de navigation : la Descente de Gradient. Ne voyez pas cela comme une carte rigide, mais plutôt comme un randonneur qui tâtonne son chemin sur une montagne embrumée. Le randonneur (l'ordinateur) fait de petits pas, vérifiant constamment quelle direction est la plus escarpée vers le bas (vers moins de risque ou plus de profit) et ajustant sa trajectoire. Habituellement, cette méthode de « randonnée » est utilisée pour apprendre aux ordinateurs à reconnaître des chats sur des photos ou à conduire des voitures. Mais et si nous apprenions à l'ordinateur à randonner à travers les montagnes financières ? C'est exactement ce que cet article explore. Les chercheurs ont construit un nouveau cadre qui utilise cette technique de « randonnée », propulsée par des outils d'IA modernes, pour résoudre les problèmes d'investissement aux objectifs multiples et désordonnés que les anciennes méthodes peinent à gérer. Ils voulaient voir si cette approche flexible, étape par étape, pouvait construire un coffre au trésor meilleur, plus sûr et plus respectueux des règles que les calculateurs rigides traditionnels.

Le voyage de l'article : Randonner à travers les montagnes financières

Les auteurs, une équipe de l'Université Autonome de Madrid et de March Asset Management, ont entrepris de tester si cette méthode de « randonnée » (la Descente de Gradient) pouvait gérer la tâche complexe de l'Optimisation de Portefeuille Multi-Objectifs (MPO). Dans le monde réel, les investisseurs ne veulent pas seulement des « rendements élevés ». Ils veulent des rendements élevés tout en maintenant un risque faible, tout en respectant des lois strictes (comme les règles européennes UCITS), tout en s'assurant de ne pas mettre tous leurs œufs dans le même panier, et tout en suivant de près un indice de marché spécifique. Les outils traditionnels ont souvent du mal lorsqu'on leur demande de jongler avec tous ces ballons à la fois, surtout si les règles sont complexes ou si les données sont massives.

Les chercheurs ont construit un terrain de jeu numérique utilisant les données du S&P 500 (une liste d'environ 500 des plus grandes entreprises américaines) de l'année 2020. Ils n'ont pas seulement construit un test ; ils ont construit six scénarios différents, allant de tâches simples de « trouver le meilleur chemin » à des défis incroyablement complexes de « trouver le meilleur chemin tout en évitant les rochers, en respectant les limites de vitesse et en portant un poids spécifique ».

Les tests simples : Marcher en ligne droite
D'abord, ils ont testé les bases. Dans un scénario, ils ont demandé à l'ordinateur de simplement trouver le chemin présentant le meilleur équilibre entre risque et récompense (maximiser le « ratio de Sharpe »). Ils ont comparé leur nouvelle méthode de « randonnée » à un célèbre solveur mathématique rigide appelé CVXPY. Le résultat ? Le randonneur et le calculateur rigide sont arrivés presque exactement au même endroit. Les poids des actifs (combien d'argent était investi dans chaque action) étaient presque identiques, ne différant que de la sixième décimale. Cela a prouvé que la nouvelle méthode était tout aussi précise que les anciens outils de confiance pour des tâches simples.

Dans un deuxième test, ils ont demandé à l'ordinateur de minimiser les « pertes extrêmes » (un concept appelé CVaR). Ils ont comparé cela à un autre outil appelé SKFOLIO. Ici, le « randonneur » a pris un chemin légèrement différent du calculateur rigide, choisissant des actions différentes et assignant des poids légèrement différents. Cependant, lorsqu'ils ont vérifié le résultat final — le montant réel de la perte extrême évitée — les deux méthodes étaient pratiquement des jumelles. La différence était si infime (à la cinquième décimale) que, pour toutes fins pratiques, le randonneur avait trouvé la même destination, simplement en sentant le sol plutôt qu'en suivant une carte pré-dessinée. C'était un événement majeur car le problème de la « perte extrême » est mathématiquement désordonné et difficile à résoudre parfaitement pour les outils rigides ; le randonneur l'a géré avec aisance.

Les tests complexes : Jonglage et parcours d'obstacles
Ensuite, les choses sont devenues plus intenses. Les chercheurs ont ajouté des couches de complexité, comme l'ajout de nouveaux niveaux dans un jeu vidéo.

Le respecteur de règles : Ils ont demandé à l'ordinateur de minimiser les pertes extrêmes tout en respectant les réglementations UCITS. Ce sont des règles européennes strictes qui stipulent, par exemple, que « aucune action individuelle ne peut représenter plus de 10 % de votre portefeuille », et que « le total de vos gros paris (au-dessus de 5 %) ne peut excéder 40 % ». Les outils traditionnels s'étouffent souvent face à ces règles car elles rendent les mathématiques « non-convexes » (une façon savante de dire que la carte comporte des trous et des falaises qui brisent les calculateurs rigides). Mais le randonneur ? Il a continué à marcher, ajustant ses pas jusqu'à trouver un chemin qui restait dans les lignes. Le résultat fut un portefeuille qui suivait parfaitement les règles tout en maintenant un risque faible.
Le marcheur sur la corde raide : Dans un autre test, ils ont ajouté une contrainte d'Erreur de Suivi (Tracking Error). Cela signifie que la performance du portefeuille devait rester très proche de l'indice S&P 500 (comme un marcheur sur une corde raide restant sur le fil). Le randonneur a réussi à minimiser les pertes extrêmes et à rester collé à l'indice, prouvant qu'il pouvait équilibrer des objectifs conflictuels sans tomber.
Le défi ultime : Le test final, le plus complexe, demandait à l'ordinateur de faire tout cela à la fois : maximiser les rendements, minimiser les pertes extrêmes, respecter les règles UCITS, maintenir un nombre minimum d'actions, s'assurer qu'aucune action n'était trop petite, et rester proche de l'indice. L'ordinateur a navigué avec succès dans ce parcours d'obstacles chaotique. Il a sélectionné 23 actions, a maintenu chacune d'entre elles au-dessus d'un poids de 1 %, a veillé à ce que les « gros paris » restent sous la limite de 40 %, et a livré un portefeuille qui a surpassé l'indice standard en termes de rendements ajustés au risque.

Le mystère du « Masque »
Dans un dernier test créatif, les chercheurs ont créé des « masques » — des groupes d'actions qui devaient rester sous un certain poids total (comme dire que « le groupe technologique ne peut pas représenter plus de 27 % de votre argent »). Le randonneur a distribué l'argent avec succès de sorte qu'aucun groupe ne dépasse sa limite, tout en minimisant le risque global du portefeuille. Cela a montré que la méthode pouvait gérer des règles personnalisées et arbitraires qui seraient un cauchemar pour les logiciels plus anciens.

Ce que cela signifie pour l'avenir

L'article ne prétend pas avoir découvert une « solution miracle » qui garantit que vous deviendrez riche. Au contraire, il suggère quelque chose de plus pratique : la flexibilité. Les auteurs montrent que l'utilisation de la Descente de Gradient avec la différenciation automatique (un outil qui permet aux ordinateurs de calculer les pentes instantanément) est une méthode puissante et évolutive pour résoudre des problèmes d'investissement trop désordonnés pour les mathématiques traditionnelles.

La conclusion clé est que cette méthode est compétitive avec les meilleurs outils existants pour les tâches simples, mais supérieure pour les scénarios complexes à règles multiples. Elle ne trouve pas seulement une réponse ; elle trouve une bonne réponse qui respecte toutes les contraintes désordonnées et réelles auxquelles les investisseurs font face. Les chercheurs soulignent que le « randonneur » a besoin d'un guide (l'utilisateur) pour définir les bons « poids » (combien accorder d'importance au risque par rapport au rendement), mais une fois ces paramètres choisis, l'ordinateur peut gérer le travail lourd de l'équilibrage de dizaines d'objectifs conflictuels simultanément.

En fin de compte, cet article ouvre la porte à un nouveau type d'outil financier — un outil aussi adaptable qu'un randonneur humain, capable de naviguer dans le terrain brumeux et rocheux de l'investissement moderne là où les cartes rigides échouent. Il suggère qu'en empruntant des techniques au monde de l'intelligence artificielle, nous pouvons construire des portefeuilles qui ne sont pas seulement mathématiquement solides, mais aussi pratiquement robustes et prêts pour le monde réel.

Résumé Technique : Optimisation de Portefeuille Multi-Objectifs via la Descente de Gradient

Énoncé du Problème
L'optimisation de portefeuille (OP) traditionnelle, ancrée dans la Théorie Moderne du Portefeuille (Markowitz, 1952), repose souvent sur la programmation quadratique ou des algorithmes évolutionnaires. Bien qu'efficaces pour les problèmes à objectif unique, ces approches peinent en termes de scalabilité et de flexibilité lorsqu'il s'agit d'aborder des scénarios réels complexes impliquant de grands ensembles de données, des contraintes non convexes et des objectifs multiples et conflictuels (par exemple, minimiser simultanément la Valeur à Risque Conditionnelle (CVaR) et maximiser le ratio de Sharpe). De plus, les algorithmes de résolution exacte rencontrent des difficultés lorsque les problèmes deviennent NP-difficiles en raison de contraintes non convexes ou d'une haute dimensionnalité. Les auteurs identifient une lacune dans la littérature où les techniques d'Apprentissage Automatique (ML), spécifiquement les méthodes basées sur le gradient, sont sous-utilisées dans l'Optimisation de Portefeuille Multi-Objectifs (MPO) par rapport aux métaheuristiques basées sur des populations comme les Algorithmes Génétiques (GA) et les Algothimes d'Essaim (SA).

Méthodologie
Le papier propose un cadre de référence pour la MPO utilisant la descente de gradient avec différenciation automatique, implémentée via des bibliothèques de deep learning (TensorFlow et PyTorch). La méthodologie centrale implique :

Formulation Différentiable : Au lieu de résoudre un programme quadratique statique, les poids du portefeuille sont traités comme la sortie d'une transformation différentiable de « pré-poids » apprenables ( $z$ $z$ ).
- Pour garantir que les poids somment à 1 et soient non négatifs, les auteurs utilisent la fonction softmax.
- Pour remédier à la limitation du softmax (qui produit rarement des solutions creuses), ils utilisent le sparsemax (Martins et Astudillo, 2016), qui tronque les petites valeurs à zéro, facilitant ainsi la construction de portefeuilles creux (sparse).
Construction de la Fonction de Perte : L'objectif d'optimisation est défini comme une fonction de perte $L$ $L$ à minimiser. Cette fonction combine :
- Objectifs Primaires : Tels que la maximisation du ratio de Sharpe (formulée comme $-(R - r_f)/\sigma(R)$ ) ou la minimisation de la CVaR.
- Contraintes sous forme de Pénalités : Les contraintes réglementaires et pratiques sont incorporées comme des termes de pénalité ajoutés à la fonction de perte, pondérés par des hyperparamètres ( $\lambda$ ).
Gestion des Contraintes Non Différentiables : Pour maintenir la compatibilité avec la descente de gradient, les auteurs introduisent des techniques spécifiques pour les opérations non différentiables :
- Contraintes de Seuil : Implémentées à l'aide de ReLU (par exemple, $[w - \alpha]_+$ ) pour pénaliser les poids dépassant une limite.
- Masques Conditionnels : Pour les décisions binaires (par exemple, la sélection d'actifs), une fonction « round sigmoid » est utilisée. Lors de la rétropropagation, le gradient de la fonction sigmoïde lisse est utilisé au lieu de la fonction de l'arrondi non différentiable, permettant à l'optimiseur d'apprendre des masques efficaces.
Configuration Expérimentale : Le cadre est évalué sur des actifs du S&P 500 (2019–2020) à travers six scénarios allant de l'optimisation à objectif unique à des problèmes multi-objectifs complexes avec de multiples contraintes (réglementations UCITS, limites d'erreur de suivi, nombres d'actifs actifs et limites de poids de sous-ensembles).

Principales Contributions

Un Cadre MPO Flexible : Les auteurs fournissent un benchmark open-source et extensible qui permet aux chercheurs de modéliser n'importe quel objectif financier et toute contrainte au sein d'un cadre de descente de gradient unifié.
Gestion des Contraintes Différentiables : Le papier détaille des techniques spécifiques (sparsemax, pénalités ReLU et gradients de substitution pour les masques) pour imposer des contraintes complexes (comme les directives UCITS et les limites de nombre d'actifs) sans briser la différentiabilité requise pour la rétropropagation.
Analyse Comparative : L'étude compare la méthode proposée à des solveurs standards (CVXPY pour les problèmes convexes, SKFOLIO pour la CVaR), démontrant que la descente de gradient peut obtenir des résultats compétitifs tout en offrant une plus grande flexibilité de modélisation.

Résultats
Les résultats expérimentaux à travers six cas démontrent l'efficacité du cadre :

Cas 1 (Maximiser le Ratio de Sharpe) : L'optimiseur de descente de gradient (GD) a produit des résultats presque identiques à la solution convexe exacte fournie par CVXPY, avec une erreur quadratique moyenne (MSE) de $3.6179 \times 10^{-5}$ dans les vecteurs de poids sur 100 simulations.
Cas 2 (Minimiser la CVaR) : Bien que les poids spécifiques des actifs diffèrent du solveur exact SKFOLIO (en raison du caractère non convexe de la CVaR), l'optimiseur GD a atteint une valeur de CVaR ne différant que de la 5ème décimale, approximant efficacement la solution globale.
Cas 3 (Minimiser la CVaR avec UCITS) : Le cadre a satisfait avec succès les contraintes UCITS simplifiées (par exemple, aucun actif >10 %, somme des actifs entre 5 % et 40 %) tout en minimisant la CVaR, un scénario où les solveurs exacts comme CVXPY ne peuvent trouver de solution en raison des violations de la programmation convexe disciplinée (DCP).
Cas 4 & 5 (Multi-Objectif avec Contraintes) : L'optimiseur a réussi à équilibrer des objectifs conflictuels (maximiser le ratio de Sharpe et minimiser la CVaR) tout en respectant les limites d'erreur de suivi, les poids d'actifs minimaux et les nombres d'actifs actifs. Le Cas 5 a montré une amélioration significative du ratio de Sharpe (0,0516 contre 0,0310 dans le Cas 4) avec seulement une augmentation marginale de la CVaR, démontant une gestion efficace des compromis.
Cas 6 (Contraintes de Sous-ensembles) : La méthode a efficacement minimisé la volatilité tout en respectant strictement les limites de poids sur des sous-ensembles d'actifs prédéfinis (masques), avec des écarts inférieurs à 0,01 %.

Signification et Revendications
Les auteurs positionnent ce travail non pas comme une stratégie d'optimisation nouvelle destinée à surpasser toutes les techniques existantes, mais comme un outil pratique et extensible pour les chercheurs et les praticiens. La principale signification réside dans la capacité du cadre à :

Modéliser la Complexité : Gérer des combinaisons arbitraires d'objectifs et de contraintes (y compris les règles réglementaires comme UCITS) qui sont difficiles à formuler pour les solveurs traditionnels.
Exploiter la Différenciation Automatique : Utiliser la simplicité computationnelle et l'adaptabilité des frameworks de deep learning pour résoudre des problèmes de portefeuille à grande échelle.
Faciliter la Recherche : Fournir une base reproductible (via un code open-source) pour les études futures en optimisation de portefeuille multi-objectifs, pouvant servir de fondation pour comparer les méthodes basées sur le gradient aux métaheuristiques ou pour intégrer des modèles prospectifs comme Black-Litterman.

Le papier conclut que le benchmark de descente de gradient proposé est une alternative robuste, fiable et flexible pour la construction de portefeuilles dans des conditions réelles où plusieurs objectifs conflictuels et des contraintes strictes doivent être gérés simultanément.

Le voyage de l'article : Randonner à travers les montagnes financières

Ce que cela signifie pour l'avenir

Articles similaires