Allocation d'actifs et arbitrage multi-asset

L’objectif de ce cours est de présenter certains des outils nécessaires à la construction d’un portefeuille diversifié sur l’ensemble des grandes classes d’actif, à savoir les actions, les obligations, le crédit, les devises et les commodities. Une fois justifiée l’existence d’une prime de risque de long-terme propre à chaque classe d’actifs, nous exhiberons un certain nombre de techniques quantitatives de déterminations des facteurs de risque, comme l’analyse en composantes principales ou l’analyse factorielle. Nous veillerons à bien préciser les hypothèses sous-jacentes à chaque technique afin d’en déterminer le champ d’application. Certains actifs ne respectant pas les hypothèses traditionnelles, comme le crédit par exemple, nous amèneront naturellement à présenter les développements académiques les plus récents comme l’analyse en composantes indépendantes.

Ces approches factorielles permettront, en particulier, de construire des indices efficients visant au mieux à capter le bêta traditionnel, la plupart des grands indices de référence n’étant pas optimaux au sens rendement-risque. Elles permettront également d’exhiber quelques stratégies de gestion alternatives utilisées par certains hedge-funds et basées sur l’exposition à des facteurs alternatifs comme la taille de l’entreprise dans le monde actions ou la pente des taux dans le monde obligataire, stratégies que l’on peut rendre market-neutral en annulant l’exposition au facteur « marché ». Nous parlerons ici de bêta alternatif en ce sens qu’hl s’agit de la recherche d’indexation à une source de performance récurrente et stable sous certaines conditions macro-économiques. Ces approches permettront enfin d’aborder la question de la couverture optimal d’un portefeuille contre un événement pouvant l’affecter (hausse des taux pour un portefeuille obligataire, etc.) Nous traiterons ensuite de la création de valeur à travers la recherche d’alpha par arbitrage, à savoir l’exploitation financière de déséquilibres passagers. Cette partie sera l’occasion d’aborder les méthodes économétriques d’évaluation des actifs afin d’arbitrer au sein d’une classe (platine vs or, euro vs. dollar, etc.) ou entre les classes, comme le célèbre Fed model qui établit une relation d’arbitrage de long-terme entre les actions et les obligations. La recherche du bêta, qu’il soit traditionnel ou alternatif, est une approche de long-terme dite « stratégique » tandis que la recherche d’alpha est une approche à moyen voire à court-terme dite « tactique ». Afin de déterminer une allocation d’actifs optimale, nous détaillerons finalement la méthode d’optimisation de portefeuille de Black et Litterman, qui s’inscrit dans la continuité de l’approche Markowitz, et qui permet d’intégrer des signaux tactiques dans une allocation stratégique.

Prérequis : Modèle CAPM, optimisation Markowitz, analyse en composantes principales, régression linéaire.

Références

• Black, F. and Litterman, R. (1990). Asset Allocation: Combining Investors Views with Market Equilibrium. Fixed Income Research, Goldman, Sachs & Company, September.
• Black, F., R. Litterman (1991) Global asset allocation with equities, bonds and currencies, Fixed Income Research, Goldman, Sachs & Company, October.
• Black, F., R. Litterman (1992) Global portfolio optimization, Financial Analysts Journal, September/October, 28-43.
• Boulier, J.-F., Hartpence, M.L. *Fundamental-driven and Tactical Asset Allocation : what really matters ? *Banque & Marchés n° 73 – novembre-décembre 2004
• Campbell, John Y., Andrew W. Lo and A. Craig MacKinlay (1997) The Econometrics of Financial Markets, Princeton University Press.
• Campbell, John Y. and Robert J. Shiller, (1988a), Stock prices, earnings and expected dividends, Journal of Finance,{ 43}, pp.661-676.
• Campbell, John Y. and Robert J. Shiller, (1988b), The dividend-price ratio and expectations of future dividends and discount factors, Review of Financial Studies, { 1}(3), pp.195-228.
• Cardoso, J.F. (1998), Blind signal separation : statistical principles, Proc IEEE 86, 2009-2025.
• Durieu, C. & Kieffer, M. (2003), Analyse en composantes indépendantes pour la séparation aveugle de sources, - - - Colloque sur l’enseignement des technologies et des sciences de l’information et des systèmes, CETSIS-EEA, Toulouse, pp. 143-146.
• Fama, E & French, K. (1993), Common risk factors in the returns of stock and bonds, Journal of Financial Economics, vol 33, pp. 3-56.
• Hamilton, James D. (1994). Time Series Analysis, Princeton University Press.
• Litterman, R. & Scheinkman, J., (1988), Common Factors affecting bond returns. Financial strategies group, Goldman Sachs.
• Engle, R.F. and Granger, C.W.J. (1987), Co-integration and Error Correction : Representation, Estimation and Testing, Econometrica 55, 251-76.
• Johansen, S. (1991), Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models, Econometrica, 59, pp. 1551-1580.
• Phillips, P. C. and Loretan, M. (1991), Estimating Long-Run Economic Equilibria, Review of Economic Studies, Vol. 58, 407-36.