equivalent `a celui qui minimise une fonction lin´eaire sous les contraintes lin´eaire, quadratiques
et en variables mixtes. En utilisant un r´esultat de p´enalit´e exacte introduit par Le Thi et al.
[45] on a reformul´e ce probl`eme comme un mod`ele de programmation DC. Finalement, la
m´ethode DCA a ´et´e utilis´ee pour le r´esoudre.
Le reste du chapitre est organis´e de fa¸con suivante, la section 3.2 concerne la description
et la formation de mod`ele. La section 3.3 est consacr´ee `a la m´ethode de r´esolution. Les
r´esultats num´eriques sont pr´esent´es dans la section 3.4 et la derni`ere section est r´eserv´ee `a
la conclusion.
3.2 Description et formulation
Dans cette section, nous pr´esentons le mod`ele moyenne-variance (MV) en pr´esence des
contraintes de cardinalit´e. Nous introduisons le mod`ele min-max continu o`u nous consid´erons
multi-sc´enarios de risque alors que le rendement esp´er´e est d´etermin´e par une borne inf´erieure
et une borne sup´erieure. Pour la pr´esentation, nous utilisons des notations suivantes :
– N : le nombre d’actifs,
– r∈R
N: le vecteur des rendements,
– r
l: la borne inf´erieure de rendements,
– r
u: la borne sup´erieure de rendements,
– A
j∈ R
N×N: les matrices de variance-covariance associ´e aux scenarios de risque j, j =
1,2, ...J,
59 3.2. Description et formulation
– w : la vecteur de portefeuille benchmark du march´e,
– p∈R
N: la position actuelle de l’investisseur,
– c
b, c
s∈R
N: les vecteurs qui montrent les coˆuts de transaction pour les achats et les ventes,
respectivement
– b, s: les variables de d´ecision d’achat et de ventes,
– τ : le coˆut total de transaction (achat et vente),
– ν : la pire valeur de risque,
– α : le param`etre d’aversion au risque,
– l
i, u
i: les bornes inf´erieure et sup´erieure de la proportion du capital investi dans l’actif i,
– Card: le param`etre de cardinalit´e qui montre le nombre souhait´e des actifs composant du
portefeuille,
– e= (1,1, ...,1)
T: la transpose du vecteur (1,1,....,1).
Nous consid´erons un portefeuille qui est compos´e de N actifs. La proportion du capital
investie dans l’actif i est w
i, i = 1,2, ..., N. La somme de toutes les proportions doit ˆetre
´
egale `a 1. Alors, nous avons la premi`ere contrainte
N
∑
i=1
w
i= 1.
Si l’investisseur d´etient actuellement des actifs 1, ..., N, alors le vecteur p(tel que
N
∑
i=1
p
i= 1)
pr´esente sa position actuelle. Par contre, s’il ne poss`ede aucun actif alors p=0. La r´epartition
du budget initial peut ˆetre repr´esent´ee par la contrainte suivante :
p+b−s=w.
Soit τ le coˆut total de transaction que l’investisseur doit payer pour son investissement.
Notons que les coˆuts correspondant aux b et s sont c
b, c
s. La contrainte concernant le coˆut
total de transaction est exprim´ee comme ci-dessous :
c
Tbb+c
Tss=τ.
Nous introduisons maintenant les contraintes de cardinalit´e. Ce sont celles qui ont pour
objectif de contrˆoler le nombre d’actifs dans le portefeuille. Soientl
ietu
iles bornes inf´erieure
et sup´erieure sur l’actifi. En introduisant les variable binaires z
iqui sont ´egales `a 1 si l’actif
i est investi et 0 si non. Les contraintes de bornes sont :
l
iz
i6w
i6u
iz
i, etz
i∈ {0,1}, i= 1,2, ..., N.
Le param`etre de cardinalit´e est not´e Cardqui est le nombre souhait´e des actifs dans le
por-tefeuille. La somme des variables binaires doit ˆetre ´egale `aCard. La contrainte de cardinalit´e
est donc ´ecrite comme suivante :
N
∑
i=1
60
R´esolution du probl`eme min max continu en gestion de portefeuille en pr´esence des
contraintes de cardinalit´e
Le rendement esp´er´e du portefeuille, not´eE[R
p], est calcul´e par la formuleE[R
p] = (w−w)
Tr.
Le risque relatif au portefeuille benchmarkw est mesur´e par (w−w)
TA(w−w) o`u A est la
matrice de variance-covariance. Dans le cas o`u on consid`ere une seule matrice de
variance-covariance, le probl`eme de s´election de portefeuille optimal peut ˆetre formul´e comme une
programmation quadratique en variables mixtes.
min{−[(w−w)
Tr−τ] +α.(w−w)
TA(w−w)}
tel que
e
Tw= 1,
p+b−s=w,
c
Tbb+c
Tss=τ,
l
i.z
i6w
i6u
i.z
i, ∀i= 1,2, ..., N,
N∑
i=1z
i=Card,
z
i∈ {0,1}, ∀i= 1,2, ..., N,
w, b, s>0,
o`uαest le param`etre d’aversion au risque. Quand on varieαde 0 `a +∞on obtient l’ensemble
de toutes les strat´egies d’investissement efficace.
Dans le mod`ele ci-dessus, on fixe un seul sc´enario de rendement et de risque. C’est rarement
rencontr´e en pratique. Par ailleurs, la solution optimale de ce mod`ele est tr`es sensible aux
param`etres. Une petite erreur d’estimation dans la matrice de variance-covariance et/ou dans
le vecteur de rendements entraine une solution erron´ee. De plus, le g´erant veut souvent se
prot´eger dans le pire des cas. Alors, la n´ecessit´e d’´etude des mod`eles qui contiennent
multi-sc´enarios de risque et de rendement est ´evidente. En consid´erant simultan´ement plusieurs
sc´enarios on peut trouver une solution optimale qui est moins sensible aux erreurs ´eventuelles.
On consid`ere le probl`eme dans le contexte o`u l’investisseur est ind´ecis entre plusieurs
ma-trices de covariance. Autrement dit, il existe un ensemble de mama-trices de
variance-covariance. Concernant le rendement esp´er´e, on pr´evoit qu’il soit dans un intervalle d´etermin´e
par une borne inf´erieure et une borne sup´erieure. Supposons que le nombre de matrices de
variance-covariance soitJ,r
letr
usoient la borne inf´erieure et celle sup´erieure du rendement
esp´er´e respectivement. De cette fa¸con, nous avons une extension de mod`ele moyenne-variance
classique qui est nomm´ee le mod`ele min-max continu et elle est pr´esent´ee comme suit :
(P) min{ max
rl6r6ru
−{(w−w)
Tr−τ}+α.max
Dans le document
Optimisation non convexe en finance et en gestion de production : modèles et méthodes
(Page 64-67)