Risque
23. janvier 2023
10 minutes

Les dernières innovations scientifiques dans nos produits d'investissement

En tant que gestionnaire d'actifs innovant et scientifique, nous nous efforçons constamment d'offrir à nos clients les meilleures solutions de placement possibles. Après des recherches approfondies, nous sommes en mesure de présenter des améliorations dans les solutions d'investissement OLZ basées sur les méthodes les plus récentes de la finance empirique. Nous avons amélioré la gamme de produits OLZ Minimum Variance de manière à réduire encore plus efficacement les risques du portefeuille et à obtenir une plus grande valeur ajoutée pour les investisseurs. Il s'agit de trois innovations majeures:

La première innovation, appelée «Nonlinear Shrinkage», est un nouvel estimateur de la matrice de covariance à la pointe de la technologie qui nous permet d'améliorer encore notre optimisation de la variance minimale et d'offrir ainsi à nos clients une valeur ajoutée par rapport aux produits de nos concurrents. Cette méthode scientifiquement fondée fournit des estimations lissées des volatilités et des corrélations, ce qui permet de rendre le portefeuille plus stable et plus équilibré1.

La deuxième évolution est une procédure d'exclusion basée sur des filtres de risque qui permet d'identifier et d'éviter les entreprises particulièrement risquées. Cette présélection systématique permet ainsi une réduction plus globale du risque du portefeuille et garantit que seules les entreprises de grande qualité sont prises en compte.

Le troisième développement du modèle consiste à utiliser des pondérations maximales individuelles et adaptatives au niveau des titres individuels et à augmenter ainsi le degré de liberté de l'optimisation du portefeuille. L'amélioration de l'estimation des paramètres de risque nous permet d'augmenter les pondérations maximales absolues - lorsque cela s'avère judicieux - et d'exploiter de manière plus ciblée la prime de faible volatilité à long terme.

Exemple OLZ Actions Monde

La combinaison systématique de ces trois innovations a un impact positif sur la qualité et la performance ajustée au risque des solutions OLZ Minimum Variance. Pour visualiser les avantages des évolutions du modèle, nous avons représenté, dans l'illustration 1, la performance des backtests de l'ancienne et de la nouvelle solution OLZ Actions Monde Minimum Variance pour l'année écoulée 2022 et résumé leurs principaux indicateurs dans le tableau 12. En raison de divers événements turbulents - hausse des taux d'intérêt, inflation et guerre -, les stratégies optimisées en termes de risque ont plutôt bien performé en 2022. Elles ont notamment réussi à réduire considérablement le risque par rapport à l'indice de référence et ont presque divisé par deux la volatilité. C'est surtout au cours de ces périodes que l'impact positif de notre nouvelle estimation du risque devient apparent, réduisant la perte maximale de près de 5 points de pourcentage en 2022 et générant une surperformance de 10 %. Les indicateurs de rendement et de risque sont constamment meilleurs pour le nouveau modèle que pour le modèle précédent. Il convient de souligner la stabilité de la nouvelle estimation du risque, qui se traduit par une réduction impressionnante du turn-over d'environ 80%.

Illustration 1: Performance de l'ancien et du nouveau portefeuille OLZ Actions Monde Minimum-Variance (frais inclus) et du Benchmark MSCI World du 3.1.2022 au 30.12.
Tableau 1: Indicateurs de rendement et de risque des portefeuilles OLZ Actions Monde à variance minimale actuels et développés (frais inclus) et du benchmark MSCI World du 3.1.2022 au 30.12.2022.

Dans les prochaines sections, nous examinerons plus en détail le raisonnement qui sous-tend ces trois innovations.

1. Nonlinear Shrinkage

Dans le calcul d'un portefeuille à variance minimale, l'estimation de la matrice de covariance est l'élément central. Dans le cadre de la recherche académique, nos analystes ont travaillé avec des partenaires de recherche renommés (entre autres avec le prix Nobel Robert F. Engle et les «inventeurs» de Shrinkage Olivier Ledoit et Michael Wolf) sur cette estimation précise des matrices de covariance3. Les modèles ont ensuite été développés en interne par OLZ et intégrés dans la technologie d'optimisation du portefeuille OLZ. Afin d'améliorer encore les solutions d'investissement à variance minimale d'OLZ, nous utilisons désormais l'une des méthodes les plus récentes de la science: le «Shrinkage non linéaire» analytique4. L'estimation du Shrinkage est une méthode rapide et fiable pour l'estimation robuste d'un portefeuille à minimum de variance à haute dimension. Elle permet non seulement de réduire davantage la volatilité du portefeuille, mais aussi de calculer un portefeuille plus stable et mieux équilibré, avec moins d'allocations extrêmes et une mise en œuvre optimisée en termes de coûts en raison de la réduction significative du turn-over5.

2. Filtre de risque

Afin d'obtenir une réduction des risques encore plus fiables et une amélioration de la qualité des solutions de placement OLZ, nous introduisons, en plus de Shrinkage, nos filtres de risque. Dans un portefeuille optimisé, des entreprises à risque peuvent être intégrées au portefeuille parce qu'elles apportent une contribution intéressante à la réduction du risque global du portefeuille en raison de leur faible corrélation avec les autres titres. Souvent, cependant, une corrélation aussi faible n'est que la conséquence du fait que l'entreprise est en difficulté et évolue à l'opposé du marché. Une entreprise qui évolue dans une tendance clairement baissière et qui présente une faible corrélation avec le marché n'est toutefois pas un élément pertinent d'une stratégie d'investissement optimisée en termes de risques. De facto, de tels titres augmentent même le risque du portefeuille, même s'ils peuvent mathématiquement contribuer à réduire la volatilité ex ante du portefeuille. L'introduction des filtres de risque exclusifs «High-Risk» et «Low-Quality» d'OLZ attenue considérablement la problématique dite «Fooled by Correlation», dans la mesure où une présélection permet de reconnaître et d'exclure les entreprises problématiques.

3. Adaptive Upper Bounds

Grâce à l'amélioration de l'estimation de la matrice de covariance via Shrinkage et les filtres de risque, nous améliorons encore la qualité de la réduction du risque des solutions de placement OLZ, ce qui nous permet d'autoriser davantage de degrés de liberté dans l'optimisation du portefeuille. Les «Adaptive Upper Bounds» sont un procédé basé sur des règles permettant de déterminer le poids maximal de chaque titre en fonction de sa négociabilité et de sa taille. L'augmentation des poids maximums potentiels doit permettre de profiter davantage de la prime de faible volatilité ajustée au risque à long terme. En outre, des poids maximaux relatifs par titre sont également définis en tenant compte de la capitalisation et de la liquidité du marché, afin d'éviter des écarts extrêmes entre les titres de petite taille et l'indice de référence.

Conclusion

L'introduction du Shrinkage non linéaire et des filtres de risque rend les solutions d'investissement OLZ encore plus robustes. Cette stabilité accrue nous permet d'introduire davantage de degrés de liberté dans l'optimisation, notamment sous la forme de pondérations maximales individuelles sur les actions en fonction de leur taille et de leur liquidité. Grâce aux derniers développements des modèles, les solutions de placement OLZ peuvent

  1. absorber plus efficacement la prime de faible volatilité ajustée au risque à long terme,

  2. permettre une réduction supplémentaire de la volatilité,

  3. obtenir une allocation de portefeuille plus stable avec une réduction significative du turn-over et

  4. offrir des possibilités supplémentaires de conception de solutions sur mesure («customized solutions») en matière d'ESG, de facteurs, d'exclusions, etc.

1 Ledoit, O. und Wolf, M. (2022). The power of (non-)linear shrinking: A review and guide to covariance matrix estimation. Journal of Financial Econometrics, 20:187-218

2 Tous les résultats des backtests sont en CHF et frais inclus.

3 De Nard, G., Engle, R. F., Ledoit, O., und Wolf, M. (2022). Large dynamic covariance matrices: Enhancements based on intraday data. Journal of Banking and Finance, 138:106426

4 Ledoit, O. und Wolf, M. (2020). Analytical nonlinear shrinkage of large-dimensional covariance matrices. Annals of Statistics, 48:3043-3065

5 Des explications plus détaillées sur la fonction et l'utilité du nouvel estimateur de shrinkage non linéaire d'OLZ seront publiées dans une note de recherche d'OLZ.

Nous sommes toujours heureux de parler avec vous.

Un lien durable avec nos clients est plus important pour nous que le simple succès. N'hésitez pas à nous contacter, nous nous en réjouissons. Ou contactez-nous directement: