À qui cette notion est utile — À toute personne qui veut comprendre ce que le modèle moyenne-variance optimise réellement, comment se forme la frontière efficiente et pourquoi un portefeuille mathématiquement optimal peut être fragile hors échantillon.
L’optimisation moyenne-variance combine les rendements attendus et la matrice de covariance pour comparer des portefeuilles dans un problème à une seule période. Un portefeuille est efficient au sens moyenne-variance si, parmi l’ensemble admissible, aucun autre n’offre un rendement attendu supérieur à variance égale ou une variance inférieure à rendement attendu égal. L’ensemble de ces solutions forme la frontière efficiente.
Le modèle attribué à Harry Markowitz est un langage qui organise un arbitrage sous des hypothèses déclarées. Il ne connaît pas les rendements futurs, ne prouve pas que la variance épuise la notion de risque et ne choisit pas seul les objectifs, contraintes ou coûts. Les entrées estimées et l’ensemble admissible font partie de la réponse.
Les deux équations fondamentales
Avec un vecteur de pondérations w, un vecteur de rendements
attendus μ et une matrice de covariance Σ :
E[Rₚ] = wᵀμVar(Rₚ) = wᵀΣwLa première relation est linéaire dans les pondérations ; la seconde incorpore les variances et covariances. Pour deux composantes :
σₚ² = w₁²σ₁² + w₂²σ₂² + 2w₁w₂Cov(R₁,R₂)La covariance explique pourquoi le risque du portefeuille n’est pas la moyenne des risques individuels. La corrélation standardise cette relation, mais la matrice requise par l’optimisation reste exprimée en unités de covariance.
Une formulation courante minimise wᵀΣw pour un rendement cible,
avec des contraintes telles que ∑wᵢ = 1. Une autre maximise le
rendement attendu moins une pénalité proportionnelle à la variance. Les
résultats dépendent du paramètre d’aversion au risque et des contraintes sur
les positions courtes, le levier, la rotation, la concentration et la liquidité.
Ce que montre la frontière
Dans le plan rendement attendu–volatilité :
- les portefeuilles situés sous la frontière sont dominés à l’intérieur du modèle ;
- le point le plus à gauche est le portefeuille de variance minimale globale ;
- se déplacer le long de la partie supérieure modifie l’arbitrage entre rendement attendu et volatilité estimée ;
- ajouter ou retirer des contraintes modifie l’ensemble admissible ;
- changer les entrées déplace toute la frontière.
Le mot « efficient » est donc conditionnel, et non un jugement absolu. Une solution peut être efficiente dans le modèle et inadaptée aux flux, au drawdown, aux passifs, au risque de queue, à la liquidité ou à la capacité. Deux investisseurs ayant le même univers peuvent retenir des points différents en raison d’objectifs et de contraintes différents.
Le problème de l’erreur d’estimation
Rendements attendus, volatilités et covariances sont estimés. De faibles variations des entrées peuvent provoquer de fortes variations des pondérations, notamment lorsque des actifs semblables se distinguent par un faible écart de rendement attendu. Parmi les critiques de la MVO, le CFA Institute cite :
- la sensibilité des résultats aux entrées ;
- les concentrations extrêmes ;
- l’absence de représentation de l’asymétrie et des queues ;
- une diversification apparente par actif, mais pas par facteur ;
- l’absence de lien direct avec les passifs ;
- une structure à période unique qui tend à ignorer coûts, fiscalité et rééquilibrage.
La comparaison hors échantillon de DeMiguel, Garlappi et Uppal montre combien
il est difficile pour de nombreuses règles optimisées de battre durablement la
référence simple à pondérations égales dans les jeux de données étudiés. Ce
résultat ne déclare pas 1/N universellement optimal ; il oblige à
comparer tout modèle complexe à des références simples, aux coûts et à des
données qui n’ont pas servi à l’estimation.
Outils de robustesse
Les corrections possibles répondent à des problèmes différents :
| Intervention | Objectif | Limite |
|---|---|---|
| Contraintes sur les pondérations | éviter les solutions extrêmes | peuvent masquer de mauvaises entrées sans les corriger |
| Shrinkage | stabiliser moyennes ou covariances | exige une cible et une intensité |
| Rééchantillonnage ou scénarios | montrer la sensibilité à d’autres entrées | dépend du modèle de simulation |
| Black–Litterman | combiner équilibre et vues avec leur incertitude | n’élimine pas le choix des vues et paramètres |
| Variance minimale | réduire la dépendance aux rendements attendus | reste dépendante de la covariance |
| Budgétisation du risque | contrôler les contributions à une mesure | n’optimise pas automatiquement le rendement |
| Pénalité de rotation | intégrer les frictions de transition | exige des coûts réalistes et l’état initial |
Une batterie robuste fait varier fenêtres, fréquences, univers, contraintes et coûts tout en conservant un test hors échantillon. Présenter une solution unique avec de nombreuses décimales communique une précision numérique, et non une certitude économique.
Exemple à deux actifs
Deux actifs hypothétiques ont des volatilités annuelles estimées de 10 % et
20 %, une corrélation de 0,25 et des pondérations de 60 % et 40 %. La covariance
vaut 0,25 × 0,10 × 0,20 = 0,005. La variance estimée est :
0,60²×0,10² + 0,40²×0,20² + 2×0,60×0,40×0,005 = 0,0124La volatilité vaut environ √0,0124 = 11,14%. Ce calcul illustre
l’effet de la covariance. Il ne prévoit pas la volatilité future et ne prouve
pas que 60/40 est efficient : il faut connaître les rendements attendus, les
contraintes et toutes les combinaisons admissibles.
Protocole de publication d’une optimisation
Un résultat vérifiable déclare :
- l’univers et la règle de survie ;
- la devise, la fréquence et l’intervalle des données ;
- l’estimation des rendements et de la covariance ;
- la fonction objectif ;
- les contraintes et le traitement des liquidités ;
- la position initiale, la rotation et le modèle de coûts ;
- le traitement des données manquantes et valeurs aberrantes ;
- l’analyse de sensibilité ;
- la validation hors échantillon ;
- la date et la version des entrées.
Erreur fréquente — Présenter le point le plus haut d’une frontière estimée comme le « meilleur portefeuille ». L’optimiseur résout la fonction fournie ; il ne décide pas si les entrées, l’objectif et les contraintes représentent le problème réel.
Sources
- Harry Markowitz, Portfolio Selection, The Journal of Finance (1952) — formulation initiale du critère moyenne-variance.
- CFA Institute, Principles of Asset Allocation — 2026 refresher reading — fonction objectif, frontière, critiques, passifs, facteurs et applications pratiques.
- Victor DeMiguel, Lorenzo Garlappi et Raman Uppal, Optimal Versus Naive Diversification, The Review of Financial Studies — comparaison hors échantillon avec la règle
1/N. - Fischer Black et Robert Litterman, Global Portfolio Optimization, Financial Analysts Journal (1992) — cadre combinant équilibre et vues.
- Richard O. Michaud et Robert Michaud, Estimation Error and Portfolio Optimization: A Resampling Solution — erreur d’estimation, rééchantillonnage et stabilité des solutions.