Your SlideShare is downloading. ×
0
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Optimisation portefeuillerobuste27032014
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Optimisation portefeuillerobuste27032014

102

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
102
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
3
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Optimisation Robuste de Portefeuilles en présence de chocs non-prédictibles S’exposer à la croissance mondiale en absorbant des chocs non-prédictibles et en contribuant à une stabilisation du marché Journées MODE Rennes Jeudi 27 mars 2014 http://hjnet.math.cnrs.fr/MODE-Rennes.html
  • 2. Introduction 2
  • 3. 3 Optimisation robuste de portefeuilles • De nombreux papiers ont été publiées depuis les années 2000, une synthèse assez récente a été produite par Bertsimas (MIT), Brown et Caramis Bertsimas, Dimitris, David B. Brown, and Constantine Caramanis. Theory and Applications of Robust Optimization. SIAM Review 53 (3) (2011) • Le principe de base est consiste « jouer » contre les incertitudes: • Sur les données • Sur le modèle • Sur des chocs exogènes possibles • A quoi sert d’employer des modèles robustes si le processus d’investissement, si ses principes fondamentaux ne sont pas eux-mêmes robustes/durables?
  • 4. 4 Enjeu : exposer l’épargne des économies occidentales à la croissance mondiale (4%) tout en absorbant des chocs non prévus – est-ce possible? « Ainsi, après avoir gagné 3% en 2013, le produit intérieur brut (PIB) du globe devrait progresser de 3,7% cette année, soit 0,1 point de plus que prévu en octobre, avant d'accélérer sa course en 2015 à +3,9%, selon les nouvelles projections de l'institution de Washington (FMI). » La Tribune, Janvier 2014.
  • 5. Depuis 1200 ans l’ingénierie mécanique et séismique construit des structures absorbantes non-prédictives 5 Concevoir et construire des structures robustes/résilientes plutôt que chercher à prédire l’imprédictible!
  • 6. Oscillateur amorti moderne 6 Tuned mass dampers stabilize against violent motion caused by harmonic vibration. A tuned damper reduces the vibration of a system with a comparatively lightweight component so that the worst-case vibrations are less intense. Taipei 101's largest tuned mass damper
  • 7. Commande robuste en aéronautique 7 Response of the system excited by one unit of force, with (red) and without (blue) the 10% tuned mass. The peak response is reduced from 9 units down to 5.5 units. While the maximum response force is reduced, there are some operating frequencies for which the response force is increased. L. El Ghaoui and F. Oustry and M. Ait Rami. A cone complementary linearization algorithm for static output-feedback and related problems. IEEE Transaction and Automatic Control, August 1997.
  • 8. Feu Markowitz – Vive Markowitz! (Prix Nobel d’Economie 1990) 8
  • 9. Harry Markowitz 9 In 1952, Harry Markowitz went to work for the RAND Corporation, where he met George Dantzig. With Dantzig's help, Markowitz continued to research optimization techniques, further developing the critical line algorithm for the identification of the optimal mean-variance portfolios, relying on what was later named the Markowitz frontier. In 1955, he received a PhD from the University of Chicago with a thesis on the portfolio theory. The topic was so novel that, while Markowitz was defending his dissertation, Milton Friedman argued his contribution was not economics. Markowitz won the Nobel Memorial Prize in Economic Sciences in 1990 while a professor of finance at Baruch College of the City University of New York. In the preceding year, he received the John von Neumann Theory Prize from the Operations Research Society of America (now Institute for Operations Research and the Management Sciences, INFORMS) for his contributions in the theory of three fields: portfolio theory; sparse matrix methods; and simulation language programming (SIMSCRIPT).
  • 10. Efficience des marchés: la grande illusion Quand le meilleur peut devenir l’ennemi du bien …. 10 Risque Rendement Rf Portefeuille de marché R σ2 La grande illusion/ce qu’on attend souvent: les deux approches d’investissement {Min σ2(w) s.c μ’w ≥ R-Rf} et {Max μ’w s.c σ2(w) ≤ σ2 } sont « équivalentes » (sur le graphe cela se voit bien!) – il existe d’ailleurs une forme de « dualité » entre les deux formulations! La seconde formulation est d’ailleurs la plus naturelle dans l’industrie: pour un budget de risque donné le métier du gérant est d’en extraire la meilleure performance! Attention!: le « naturel » et le « raisonnable » pour notre caisse de retraite sont ici opposés!!! En jeu répété et en présence d’incertitudes les deux approches sont radicalement différentes.
  • 11. Approche dangereuse: Maximisation de la rentabilité Max μ’w w’Γw ≤ σ2 w’e ≤ 1 11 Avec Γ définie positive et le domaine des contraintes non-vide, KKT est une CNS d’optimalité – on se place dans le cas où la contrainte de cash n’est pas saturée et le budget de risque l’est – on pose également: μ = |μ|x μ1 où |μ| est l’amplitude/intensité du rendement et μ1 caractérise la direction des rendements R* = |μ|/σ (μ1’Γ-1μ1)1/2 w* = σ (μ1’Γ-1μ1)-1/2 x Γ-1μ1 En d’autres termes, quelque soit l’intensité des rendements réalisés ou attendus |μ|entre T et T+1, à direction égale, l’investisseur Max Ret maintient l’intensité de son pari – il en demande toujours plus!
  • 12. Approche Min Vol Min w’Γw μ’w ≥ R-Rf w’e ≤ 1 12 Avec Γ définie positive et le domaine des contraintes non-vide, KKT est une CNS d’optimalité – on se place dans le cas où la contrainte de cash n’est pas saturée et contrainte de rendement l’est, on a [σ*]2 = [R-Rf]2/[|μ|x (μ1’Γ-1μ1)] w* = [R-Rf] /[|μ|x (μ1’Γ-1μ1)] x Γ-1μ1 En d’autres termes, si |μ| augmente entre T et T+1, à direction égale, l’investisseur Min Vol va être encouragé à monétiser les gains réalisés – si notamment un mouvement de hausse inhabituel se produit et que |μ| est la norme du vecteur de performance moyenne réalisée par mes actifs  l’investisseur va prendre une position contrariante: réduire sa position sur les actifs s’étant appréciés (renoncer à alimenter la tendance) et inversement renforcer sa position dans un marché baissier. Il aura ainsi un impact systémique positif/stabilisateur par rapport à cette variation d’ordre 1 du marché.
  • 13. Exemple: portage auto-assuré de la croissance mondiale sans revendication de prédiction au premier-ordre 13 Min Vol SP500 Perf 7.23% (GDP+3%) 4.49% Volatilité 5.37% 21.69% Pire semaine -2.69% -19.79% Ratio Perf/Vol 1.35 0.21
  • 14. Interdépendances et moments d’ordre supérieurs 14
  • 15. Moments pairs et impairs • Les actifs qui ont fait l’objet de co-mouvements symétriques dans le passé sont de bons candidats pour connaître des co-mouvements à la baisse dans le futur! • Les moments impairs, les asymétries de rendements dans le marché ne sont que furtives et détruisent la convexité (et la capacité de stabiliser les marchés), lorsque par hasard l’investisseur se retrouve à surfer une telle asymétrie, il doit quitter la pour préserver la capacité de résilience de ses investissements et ainsi participer à plus de stabilité systémique! 15
  • 16. Min Vol avec détection et répulsion des asymétries positives Min w’Γw μ’w ≥ R-Rf Σijk wiwjwk Hijk ≥ s w’e ≤ 1 16 Avec Hijk = E[(ri-ri)(rj-rj)(rk-rk)] est le tenseur d’ordre 3 pouvant être représenté par un vecteur de N matrices H[i]=[Hijk]1≤j,k≤N de telle sorte que la contrainte sur le moment d’ordre 3 s’écrit alors: Σi wi w’H[i]w = Σi wi <H[i], W> = w’z ≥ s, avec W = ww’ , <X,Y> = Trace(XY) le produit scalaire de Frobenius sur les matrices N x N symétriques, z = H *. W et H * est l’opérateur adjoint de H: RN  SN z  Σi zi H[i] (HM3)
  • 17. Relaxation SDP de (HM3) On introduit la variable matricielle augmentée X de taille (2N+1) x (2N+1): X11 X12 w ww’ wz’ w w w T X = X12’ X22 z = zw’ zz’ z = z z - matrice SDP de rang 1 w’ z’ 1 w’ z’ 1 1 1 On considère alors la relaxation SDP de (HM3) suivante 17 Min <Γ,X11> + <X22> μ’w ≥ R-Rf Trace(X12) ≥ s z = H.X11, X33 = 1 X ≥ 0 (sdp) w’e ≤ 1, Trace(X) ≤ M - δ ≤ Trace(X – mm’) ≤ δ (SDP3)
  • 18. La relaxation (HM3) inclut (HM2) Dans le cas particulier où (H,s) = (0,0), on a alors z = 0. En rappelant que X ≥ 0 et en utilisant le complément de Schur (Issai Schur 1875-1941) dont la forme riche dit (See Lemaréchal-Oustry 1999): On obtient X11 X12 w w T X11 – ww’ X12 ≥ ou encore ≥ 0 X12’ X22 0 0 X12’ X22 Si (X11,w,X12, X22) est optimal alors X22 = 0 (donc par Schur X12 aussi) sinon (X11,w,0, 0) produirait une valeur strictement inférieure 18
  • 19. La relaxation (HM3) inclut (HM2) On obtient la relaxation Lemme: v(HM3(0)) = v(HM2) Preuve • w réalisable pour HM2  (ww’,w) réalisable pour HM3(0)  v(HM3(0)) ≤ v(HM2) • Pour (X11,w) solution de HM3(0), X11≥ ww’  Γ1/2X11Γ1/2≥ Γ1/2ww’ Γ1/2  v(HM3(0)) = Trace(Γ1/2X11Γ1/2) = <Γ,X11> ≥ Trace(Γ1/2ww’ Γ1/2) = w’ Γ w ≥ v(HM2) 19 Min <Γ,X11> μ’w ≥ R-Rf X11≥ ww’ w’e ≤ 1 SDP3(0)
  • 20. Lemme de Durville Soit B l’intersection du cône SDP, SN +, avec le demi-espace <W,IN> ≤ 1. La fonction d’appui de B est la fonction λmax(.)+: Pour tout X appartenant à SN, σB (X) := Sup w ε B <X,W> = λmax(X)+ Preuve: • <W,X> = Σi λi <qiqi’,W> ≤ λmax(X) <Σi qiqi’,W> = λmax(X) <W,IN> ≤ λmax(X)+ La borne est atteinte pour W = qmaxqmax’ lorsque que λmax(X) >0 et W=0 sinon 20
  • 21. Théorème : tout SDP borné est un problème de valeur propre On considère le problème SDP suivant Max <X,C> <X,Ai> ≤ bi Trace(X) ≤ 1, X ≥ 0 La fonction duale (partielle) est: Θ(z) := SupX ε B <C – A.z,X> + b’z = λmax(C – A.z)+ + b’z Et donc (SDP)* = Inf z Θ(z) est un problème de valeur propre max pouvant être résolu de manière efficace 21 (SDP)
  • 22. Conclusion 22 • Objectif: détecter le portage de bulles et les oscillations de liquidité et de confiance dans le marché pour des investisseurs institutionnels responsables • MERCI pour votre attention!

×