SlideShare une entreprise Scribd logo
1  sur  83
0
Gestion de portefeuille
3-203-99
Albert Lee Chun
Construction de Portefeuilles:
Introduction à la théorie
moderne de portefeuille
Séance 3
18 Sept 2008
1
Plan du cours
 Séances 1 et 2 : L’environnement institutionnel
 Séances 3, 4 et 5 Construction de portefeuilles
 Séances 6 et 7: Modèles d'évaluation des actifs
financiers
 Séance 8: Efficience de marché
 Séance 9: Gestion active d'un portefeuille d'actions
 Séance 10: Gestion de portefeuilles obligataires
 Séance 11: Mesures de performances des portefeuilles
Albert Lee Chun Portfolio Management 2
Le risque en fonction du nombre d’actions
7-2
Albert Lee Chun Portfolio Management 3
Diversification du portefeuille
7-3
Albert Lee Chun Portfolio Management 4
w1 = proportion des fonds dans le titre 1
w2 = proportion des fonds dans le titre 2
E(r1) = rendement espéré du titre 1
E(r2) = rendement espéré du titre 2
1
w
n
1
i
i 


Rendement d’un portefeuille de deux actifs
)
(
)
(
)
( 2
2
1
1 r
E
w
r
E
w
r
E p 



7-4
Albert Lee Chun Portfolio Management 5
1
2 = variance du titre 1
2
2 = variance du titre 2
Cov(r1,r2) = covariance entre le titre 1
et le titre 2
Risque d’un portefeuille de deux actifs
)
r
,
r
(
Cov
w
w
2
w
w 2
1
2
1
2
2
2
2
2
1
2
1
2
p 





7-5
Albert Lee Chun Portfolio Management 6
1,2 = Coefficient de corrélation
1 = Écart type des rendements du titre 1
2 = Écart type des rendements du titre 2
Covariance
2
1
2
,
1
2
1 )
r
,
r
(
Cov 





7-6
Albert Lee Chun Portfolio Management 7
Ordre des valeurs pour 1,2
+ 1.0 >  > -1.0
Si  = 1.0, les titres seraient
parfaitement corrélés positivement
Si = - 1.0, les titres seraient
parfaitement corrélés négativement
Coefficients de corrélation
7-7
Albert Lee Chun Portfolio Management 8
Un portefeuille de 3 actifs
)
(
)
(
)
(
)
( 3
3
2
2
1
1 r
E
w
r
E
w
r
E
w
r
E p 


)
,
(
2
)
,
(
2
)
,
(
2
3
2
3
2
3
1
3
1
2
1
2
1
2
3
2
3
2
2
2
2
2
1
2
1
2
r
r
Cov
w
w
r
r
Cov
w
w
r
r
Cov
w
w
w
w
w
p








 



7-8
Albert Lee Chun Portfolio Management 9
Généralement, pour un portefeuille de n titres:
)
(
)
(
1
i
n
i
i
p r
E
w
r
E 




















n
k
j
k
j
k
j
n
k
n
i
i
i
n
k
j
j
k
j
k
j
n
k
n
i
i
i
p
r
r
Cov
w
w
w
r
r
Cov
w
w
w
)
,
(
2
)
,
(
1
1
2
2
1
1
1
2
2
2



7-9
Albert Lee Chun Portfolio Management 10



N
i
i
i
p r
E
w
r
E
1
)
(
)
(
j
i
)
r
,
r
(
Cov
w
w
+
w
= j
i
j
i
n
j=1
n
=1
i
2
i
2
i
n
=1
i
2
p 


 

j
i
j
i
j
i r
r
Cov 

 ,
)
,
( 
j
i
j
i
j
,
i
)
r
,
r
(
Cov


 
Statistiques de portefeuille
Albert Lee Chun Portfolio Management 11
Aujourd’hui
 Fonctions d’utilité et la courbe d’indifférence
 Portefeuille de variance minimale (PVM)
 La droite de répartition de capital (CAL)
 Portefeuille optimal
 On va illustrer ces concepts dans un univers avec
1 titre risqué et 1 titre sans risque
2 titres risqués
2 titres risqués et 1 titre sans risque
N titres risqués
N titres risqués et 1 titre sans risque
Albert Lee Chun Portfolio Management 12
Fonctions d’utilité
Albert Lee Chun Portfolio Management 13
Aversion au risque
Si on a deux choix d’actifs avec le même taux de
rendement, les investisseurs qui ont une aversion
au risque vont sélectionner l’actif avec le niveau
de risque le plus bas.
 Les investisseurs qui ont une aversion au risque
veulent une compensation pour le risque.
 Le rendement excédentaire d’un actif risqué (i)
est déterminé par
la prime de risque = E(ri) – Rf.
Albert Lee Chun Portfolio Management 14
La prime de risque
Exemple:
W2 = 80$
Profit = -20$
W1 = 150$
Profit = 50$
100$
Investissement
risqué
Bons du Trésor Profit = 5$
Rendement espéré: (50%)(.6) + (-20%)(.4) = 22%
Prime de risque = E(Ri) – Rf = 22%-5% = 17%
1-p = .4
Albert Lee Chun Portfolio Management 15
Mesure des préférences de l’investisseur
 Une fonction d’utilité représente le niveau de
satisfaction de l’investisseur.
 Plus l’utilité est élevée, plus les investisseurs seront
contents.
 Par exemple, si l’utilité de l’investisseur dépend
seulement de la moyenne (soit µ= E(r)) et de la
variance (2) des rendements, alors nous avons la
fonction suivante:
 L’ensemble des portefeuilles qui procure le même
niveau d’utilité pour un investisseur est défini par une
courbe d’indifférence.
U = f ( µ, )
Albert Lee Chun Portfolio Management 16
Exemple: la courbe d’indifférence
U = 5
U = 5
L’investisseur est indifférent entre X et Y, aussi bien qu’à
tous les points de la courbe. Tous les points de la courbe
ont le même niveau d’utilité (U=5).
(Rp)
Albert Lee Chun Portfolio Management 17
Direction de l’utilité croissante
Rendement espéré
Écart-type
Direction de l’utilité croissante
U1
U2
U3 U3 > U2 > U1
Albert Lee Chun Portfolio Management 18
Deux investisseurs différents
U3
U2
U1
U3’
U2’
U1’
Rendement espéré
Écart type
Quel investisseur a la
plus grande aversion
au risque?
U3 > U2 > U1
Albert Lee Chun Portfolio Management 19
Utilité quadratique
 L’utilité d’un investisseur est une fonction quadratique seulement
si la moyenne et la variance des rendements sont importantes
pour l’investisseur.
 A est constant, ce qui détermine le degré d’aversion au risque: il
augmente avec l’aversion au risque de l’investisseur. (Remarquez
que 1/2 est juste une constance normalisée)
 Remarquez que A > 0, cela implique que les investisseurs
n’aiment pas le risque. Plus la variance est élevée, plus l’utilité
est basse.
2
2
1

 A
U 

Albert Lee Chun Portfolio Management 20
Les courbes d’indifférence
E(Rp) (Rp) Utility = E(Rp) – ½ A*VAR(Rp)
0.10 0.200 0.10 – ½  4  0.2002
= 0.02
0.15 0.255 0.15 – ½  4  0.2552
= 0.02
0.20 0.300 0.20 – ½  4  0.3002
= 0.02
0.25 0.339 0.25 – ½  4  0.3992
= 0.02
Fonction d’utilité quadratique de A = 4.
Voici un exemple des points de l’indifférence pour un
investisseur avec une fonction d’utilité quadratique. Remarquez
qu’une plus haute variance est accompagnée d’un plus haut taux
de rendement pour compenser la nature de l’aversion au risque de
l’investisseur.
Albert Lee Chun Portfolio Management 21
L’équivalent certain
 Certains taux de rendement sans risque offrent aux
investisseurs le même niveau d’utilité qu’un taux de
rendement risqué.
 L’investisseur est indifférent entre un rendement risqué et ses
équivalents.
 Exemple: Supposons qu’un investisseur a une utilité
quadratique de A = 2. Un portefeuille risqué offre un E(R)
égal à 22% et un écart type de 34%. L’utilité de cette
fonction est:
U = 22% - ½×2×(34%)² = 10.44%
 L’équivalent certain est égal à 10.44% parce que l’utilité
d’obtenir un certain taux de rendement de 10.44% est:
U = 10.44% - ½ × 2×(0%)² = 10.44%
risqué
sans risque
Albert Lee Chun Portfolio Management 22
Les courbes d’indifférence de risque neutre
E(RP)
P
U4
U3
U2
U1
Ça représente une attitude neutre envers le risque. L’investisseur est
indifférent entre les différents niveaux d’écart type.
U3 > U2 > U1
Direction de l’utilité croissante
Albert Lee Chun Portfolio Management 23
La pente de la courbe d’indifférence
 Une courbe d’indifférence abrupte coïncide avec une
forte aversion au risque.
 La pente de la courbe d’indifférence correspond à la
compensation nécessaire pour chaque unité de risque
additionnel.
 Cette compensation est mesurée en unités de
rendement espéré pour chaque unité d’écart type.
 Une haute aversion au risque implique un haut degré
de compensation pour prendre une unité de risque
additionnelle et est représentée par une pente abrupte.
Albert Lee Chun Portfolio Management 24
Les courbes d’indifférence
E(RP)
P
U4
U3
U2
U1
U3 > U2 > U1
Direction de
l’utilité
croissante
Plus un investisseur est averse au risque, plus fortes sont les
pentes de ses courbes d’indifférence.
Albert Lee Chun Portfolio Management 25
Deux différents investisseurs
U3
U2
U1
U3’
U2’
U1’
Rendement espéré
Écart type
Quel investisseur a
une aversion au
risque plus élevé?
Plus averse au risque
Moins averse au
risque
Albert Lee Chun Portfolio Management 26
Dominance stochastique
Préfère n’importe quel
portefeuille de Z1 à X.
Préfère X à n’importe
quel portefeuille dans Z4.
Les ordres entre les
portefeuilles Z2 ou Z3 et
X dépendent des
préférences de
l’investisseur
σX < σp
Albert Lee Chun Portfolio Management 27
Imaginez un univers avec
1 titre sans risque et 1 titre risqué
Albert Lee Chun Portfolio Management 28
1 titre sans risque et 1 titre risqué
)
(
)
1
(
)
( A
A
f
A
p r
E
w
r
w
r
E 


0
0

w
= 2
A
2
A
2
p 

La variance d’action sans risque est 0, et la covariance entre un
actif sans risque et un actif risqué est naturellement égale à 0.
Supposons que nous construisons un portefeuille
P ayant un actif sans risque f et un actif risqué A
w
= A
A
p 

Albert Lee Chun Portfolio Management 29
Un actif sans risque et un actif risqué
Supposons WR = .75
E(rA) = 15%
rf = 7%
A
f

E(rP) = 13%
P
0 P =16.5% A =22%
E(rP) = .25*.07+.75*15=13% p = .75*.22 = 16.5%
Albert Lee Chun Portfolio Management 30

 P
f
P
A
f
A r
-
)
r
E(
r
-
)
r
E(

f
p
A
f
A
p r
r
r
E
r
E 

 

*
)
(
)
(
E(rA)
rf
0
A
f

P
E(rP)
P
A
La droite de répartition de capital
Pente
de CAL
Équation
Intersection
Capital Allocation Line (CAL)
Albert Lee Chun Portfolio Management 31
Choix d’une répartition optimale
 Si l’investisseur a une utilité quadratique, quelle est la
répartition optimale de portefeuille?
2
2
1
)
( P
P A
r
E
U 


Utilité:
Rendement
espéré et
variance:
L’objectif de chaque investisseur est de maximiser son utilité.
Comment fait-on?
,
)
1
(
)
(
)
(
2
2
2
A
P
f
A
P
w
r
w
r
wE
r
E

 



Albert Lee Chun Portfolio Management 32
Normally a Bear Lives in a Cave, that is
Concave,
then to find the top of the cave
(i.e. or to maximize a concave function),
prenez les dérivées et mettez le tout égal à 0.
A concave
function has a
negative
second
derivative.
Albert Lee Chun Portfolio Management 33
However, if the Bear is Swimming in a Bowl,
that is Convex,
then to find the bottom of the bowl
(i.e. or to minimize a convex function),
prenez les dérivées et mettez le tout égal à 0.
A convex
function has a
positive
second
derivative.
Albert Lee Chun Portfolio Management 34
Maximiser l’utilité de l’investisseur
 2
A
f
A
*
A
r
-
)
r
E(
=
w
-
)
1
(
)
(
)
(
2
2
2
1
2
2
1
A
f
A
P
P
Aw
r
w
r
wE
A
r
E
U







0
)
(
)
( 2



 A
f
A Aw
r
r
E
dw
w
dU

w* est l’allocation
optimale.
Prenez les dérivées de U par rapport à w et
mettez le tout égal à 0.
Albert Lee Chun Portfolio Management 35
Exemple 1
Supposons E(rA) = 15%; (rA) = 22% et rf = 7%.
Pour un investisseur avec A = 4:
w* = (0.15-0.07)/[4*(0.22)^2]
= 0.41 < 1
L’allocation optimale est 41% de son capital dans le portefeuille
risqué A et 59% dans l’actif sans risque. Par conséquent:
E(Rp) = 0.59*7%+0.41*15%=10.28%
et
(rp) = 0.41*0.22=9.02%
 2
A
f
A
*
A
r
-
)
r
E(
=
w
w
= A
p 
 *
)
(
*
*)
1
(
)
( A
f
p r
E
w
r
w
r
E 


Albert Lee Chun Portfolio Management 36
Exemple 2
Supposons E(rA) = 15%; (rA) = 22% et rf = 7%.
Pour un investisseur avec A = 1,
w* = (0.15-0.07)/[1*(0.22)2]
= 1.65 > 1
Cet investisseur voudra placer 165% de son capital dans A et il
va emprunter 65% de son capital au taux sans risque de 7%,
alors:
E(Rp) = 1.65(0.15) + -0.65(0.07)= 20.2%
(rp) = 1.65*0.22= 0.363 = 36.3%
U = 0.202 – 0.5*1*(0.3632) = 0.1361
Albert Lee Chun Portfolio Management 37
Prêteur ou Emprunteur?
A
E(r)

7%
Ex1: Prêteur
Ex2: Emprunteur
p = 22%
Chaque investisseur se placera à un point différent sur la CAL.
La proportion investie dans l’actif risqué va dépendre de
l’aversion au risque.
w*> 1 nécessité d’emprunteur.
L’allocation optimale est le point de tangence entre CAL et la
fonction d’utilité de l’investisseur.
Albert Lee Chun Portfolio Management 38
Différents taux d’emprunt
 Si le taux d’emprunt est plus élevé que le taux de
placement, qu’est-ce qui se passe?
E(r)

9%
7%
A
p = 22%
w* = (0.15-0.09)/[1*(0.22)2] = 1,24
1.24 < 1.65
Albert Lee Chun Portfolio Management 39
Différents taux d’emprunt
Supposons E(rA) = 15%; (rA) = 22% et le taux de placement
est rp = 7%, mais le taux d`emprunt est re = 9%. Pour un
investisseur avec A = 1:
w* = (0.15-0.09)/[1*(0.22)2] = 1.24
1.24 < 1.65
Cet investisseur voudra placer 124% de son capital dans le titre
A. Il aura besoin d’emprunter 24% de son capital au taux
d’emprunt de 9%. Le coût plus élevé de l’emprunt force
l’investisseur à diminuer la proportion qu'il alloue au titre
risqué. Par conséquent:
E(Rp) = 1.24(0.15) + -0.24(0.09)= 16.44%
(rp) = 1.24*0.22= 27.28%
Plus le taux d’emprunt est élevé, plus son utilité diminue:
U = 0.1644 – 0.5*1*(0.27282) = .1272 < .1361
Albert Lee Chun Portfolio Management 40
Imaginez un univers avec deux titres risqués
Albert Lee Chun Portfolio Management 41
Rendement espéré et écart type avec
divers coefficients de corrélation
7-41
Albert Lee Chun Portfolio Management 42
Portefeuille de rendement espéré en fonction des proportions
d’investissement
7-42
Albert Lee Chun Portfolio Management 43
Portefeuille d’écart type en fonction des proportions
d’investissement
7-43
Albert Lee Chun Portfolio Management 44
En retournant
à un portefeuille de deux titres
2
2
1
1
p r
w
r
w
)
r
(
E 

)
r
,
r
(
Cov
w
w
2
w
w 2
1
2
1
2
2
2
2
2
1
2
1
2
p 





et
, ou
)
r
,
r
(
Cov
w
w
2
w
w 2
1
2
1
2
2
2
2
2
1
2
1
p 





Question: que se passe-t-il si nous utilisons
plusieurs combinaisons, c.-à-d. si nous
varions ?
7-44
Albert Lee Chun Portfolio Management 45
Portefeuille de rendement espéré en fonction des
proportions d’écarts types
7-45
Albert Lee Chun Portfolio Management 46
Corrélation parfaite
-
0.05
0.10
0.15
0.20
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12
E(R)
ρDE = +1.00
D
E
Avec deux actifs
parfaitement corrélés,
c’est seulement
possible de créer un
portefeuille avec un
rendement-risque selon
la ligne entre les deux.
Avec vent à découvert.

Albert Lee Chun Portfolio Management 47
Parfaite Corrélation
 = +1
)
(
)
(
)
( E
E
D
D
P R
E
w
R
E
w
R
E 

)
w
+
w
(
=
w
w
2
+
w
+
w
=
2
E
E
D
D
E
D
E
D
2
E
2
E
2
D
2
D
2
p






 1
w
w
= E
E
D
D
p 

 
D
E
D
E r
r
Cov 


)
,
(
que
Rappelez
Albert Lee Chun Portfolio Management 48
Corrélation zéro
f
-
0.05
0.10
0.15
0.20
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12
E(R)
ρDE = 0.00
ρDE = +1.00
f
g
h
i
j
k
D
E
Avec des actifs non
corrélés, c’est
possible de créer un
portefeuille moins
risqué que des actifs
orignaux..
w
+
w
= 2
E
2
E
2
D
2
D
2
p 



Albert Lee Chun Portfolio Management 49
Corrélation zéro
 = 0
D
E
D
E r
r
Cov 


)
,
(
que
vous
-
Rappelez
w
+
w
=
w
w
2
+
w
+
w
=
2
E
2
E
2
D
2
D
E
D
E
D
2
E
2
E
2
D
2
D
2
p






 0
w
+
w
= 2
E
2
E
2
D
2
D
p 


Albert Lee Chun Portfolio Management 50
Corrélation positive
-
0.05
0.10
0.15
0.20
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12
E(R)
ρDE = 0.00
ρDE = +1.00
ρDE = + 0.50
f
g
h
i
j
k
D
E
Avec des actifs
corrélats, c’est
possible de créer un
portefeuille de deux
actifs entre les deux
premières courbes





 E
D
DE
E
D
2
E
2
E
2
D
2
D
2
p w
w
2
+
w
+
w
=

Albert Lee Chun Portfolio Management 51
Corrélation négative
-
0.05
0.10
0.15
0.20
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12
E(R)
ρDE = 0.00
ρDE = +1.00
ρDE = -0.50
ρDE = +0.50
f
g
h
i
j
k
D
E
Avec des actifs
corrélés
négativement,
c’est possible de
créer un
portefeuille
beaucoup moins
risqué.






 E
D
DE
E
D
2
E
2
E
2
D
2
D
2
p w
w
2
+
w
+
w
=
Négatif
Albert Lee Chun Portfolio Management 52
Corrélation parfaitement négative
-
0.05
0.10
0.15
0.20
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12
E(R)
ρDE = 0.00
ρDE = +1.00
ρDE = -1.00
ρDE = + 0.50
f
g
h
i
j
k
D
E
Avec des actifs corrélés parfaitement négatifs, c’est
possible de créer un portefeuille sans risque.
Albert Lee Chun Portfolio Management 53
Corrélation parfaitement négative
)
w
-
w
(
=
w
w
2
-
w
+
w
=
2
E
E
D
D
E
D
E
D
2
E
2
E
2
D
2
D
2
p







|
w
-
w
=| E
E
D
D
p 


0
=
+
=
w
et
+
=
w
P
E
D
D
E
E
D
E
D







alors
 = -1
Il existe des
pondérations tel que
le risque total est nul.
D
E
D
E r
r
Cov 

1
)
,
(
que
Remarquez


Albert Lee Chun Portfolio Management 54
Portefeuille de variance minimale
Albert Lee Chun Portfolio Management 55
Le portefeuille à variance minimale



 DE
D
D
2
E
2
D
2
D
2
D
2
p )
w
-
(1
w
2
+
)
w
-
(1
+
w
=
Min
0
=
)
2
-
(2
-
)
4
-
2
+
(2
w
=
)
w
4
-
(2
+
)
w
-
2(1
-
w
2
=
w
DE
2
E
DE
2
E
2
D
D
DE
D
2
E
D
2
D
D
D
2
p











w
-
1
=
w
2
-
+
-
=
2
-
+
-
=
w
D
E
E
D
DE
2
E
2
D
E
D
DE
2
E
DE
2
E
2
D
DE
2
E
D
min
min
min














Albert Lee Chun Portfolio Management 56
Le portefeuille à variance minimale (PVM)















E
D
E
2
E
D
D
E
E
E
D
2
E
2
D
E
D
2
E
D
+
=
)
+
(
)
+
(
=
2
+
+
+
=
w
min
+
0
-
+
0
-
=
w 2
E
2
D
2
E
2
E
2
D
2
E
D





 
min
2
-
+
-
=
w
DE
2
E
2
D
DE
2
E
D





min
1> > -1
 = -1
 = 0
 = 1
S’il n’y pas de ventes à découvert,
alors le PVM est égal à l’actif avec le
minimum de variance*. *Avec des ventes à découvert,
c’est possible d’avoir 0 variance.
Albert Lee Chun Portfolio Management 57
• La relation dépend du coefficient de corrélation
-1.0 <  < +1.0
• Plus la corrélation est négative, plus la réduction
potentielle de risque est grande.
• Si= +1.0, aucune réduction de risque (sauf avec
des ventes à découvert.)
L’effet de la corrélation
7-57
Albert Lee Chun Portfolio Management 58
Exemple 1: PVM
 Exemple: Supposons qu’il y a seulement deux
actifs A et B:
A B A,B
E(r) 10% 14%
0.2
 15% 20%
 Trouvez le portefeuille de variance minimale?
w
-
1
=
w
2
-
+
-
=
w A
B
B
A
2
B
2
A
B
A
2
B
A
min
min
min









Albert Lee Chun Portfolio Management 59
Exemple 1: PVM
Albert Lee Chun Portfolio Management 60
Exemple 2:  = .3
• Supposons que notre univers
d’investissement comprend deux titres de
la Table 7.1:
D E D,E
E(r) 8% 13%
0.3
 12% 20%
• Quelles sont les pondérations de chaque
titre dans un portefeuille de variance
minimale?
7-60
Albert Lee Chun Portfolio Management 61
Exemple 2:  = .3
2
2 2
( , )
2 ( , )
E D E
D
D E D E
Cov r r
w
Cov r r

 


 
• En minimisant le problème, nous
obtenons:
• Numériquement:
2
2 2
(20) 72
0.82
(20) (12) 272
D
w

 
 
1 0.18
E D
w w
  
7-61
Albert Lee Chun Portfolio Management 62
L’utilité de l’investisseur
E(r)

Investisseurs
ayant une forte
aversion au risque
U’
U’’
U’’’
Investisseurs ayant moins
d’aversion au risque
Albert Lee Chun Portfolio Management 63
Maximisez l’utilité de l’investisseur
2
2
1
)
( 
A
r
E
U 

)
(
)
(
)
( E
E
D
D
P r
E
w
r
E
w
r
E 

)
2
-
+
(
A
)
-
A(
+
)
r
E(
-
)
r
E(
=
w
DE
2
E
2
D
DE
2
E
E
D
*
D








 DE
D
D
2
E
2
D
2
D
2
D
2
p )
w
-
(1
w
2
+
)
w
-
(1
+
w
=
Devoir: montrez que la solution est:
Albert Lee Chun Portfolio Management 64
Exemple
 Exemple: Supposons qu’il n’y a que deux portefeuilles:
A B A,B
E(r) 10% 14%
0.2
 15% 20%
 Trouvez le portefeuille optimal pour un investisseur ayant une utilité
quadratique de A = 3?
     
  w
w
2
-
+
A
-
A
+
r
E
-
r
E
=
w
*
A
*
B
B
A
2
B
2
A
B
A
2
B
B
A
*
A 
1
,







Albert Lee Chun Portfolio Management 65
Exemple
 
 
   
 
59
.
0
1
,
41
.
0
15
.
0
*
2
.
0
*
2
.
0
*
15
.
0
2
.
0
3
15
.
0
*
2
.
0
*
2
.
0
2
.
0
3
14
.
0
10
.
0
2
2
2




w
w
2
-
+
-
+
-
=
w
*
A
*
B
*
A
Albert Lee Chun Portfolio Management 66
Imaginez un univers avec
2 titres risqués et 1 titre sans risque
Albert Lee Chun Portfolio Management 67
Deux CALs
7-67
Albert Lee Chun Portfolio Management 68
Avec un actif sans risque
E(r)

CAL 1
CAL 2
CAL 3
Le portefeuille optimale
est le portefeuille tangent
Intuition : la solution
est le CAL qui
maximise la pente!
E
Albert Lee Chun Portfolio Management 69
Le CAL optimale
7-69
Albert Lee Chun Portfolio Management 70
Le portefeuille optimal
7-70
Albert Lee Chun Portfolio Management 71
Exemple: Le portefeuille optimal
7-71
Albert Lee Chun Portfolio Management 72
Pondérations d’un portefeuille optimal
 p
f
p
p
r
-
)
r
E(
=
S
)
(
)
(
)
( E
E
D
D
P r
E
w
r
E
w
r
E 




 DE
D
D
2
E
2
D
2
D
2
D
2
p )
w
-
(1
w
2
+
)
w
-
(1
+
w
=
 
   
 
 
   
     
 
*
D
*
E
DE
f
E
f
D
2
D
f
E
2
E
f
D
DE
f
E
2
E
f
D
D
w
w
r
r
E
r
r
E
r
r
E
+
r
r
E
r
r
E
-
r
r
E
=
w










1
*





Devoir: Si vous êtes ambitieux, essayez de montrer
que la solution optimale ait :
Albert Lee Chun Portfolio Management 73
Investisseurs A et B
P
E(r)
rf
i
j
CAL
 2
P
f
P
*
A
r
-
)
E(r
=
w
La proportion investie
dans le portefeuille P va
dépendre de l’aversion
au risque.
Albert Lee Chun Portfolio Management 74
Différents taux d’emprunt et de placement

E(r)
rf
P1
P2
B
f
r
Albert Lee Chun Portfolio Management 75
Imaginez un univers avec une multitude de
titres risqués
Albert Lee Chun Portfolio Management 76
Le problème de Markowitz
   



1
i
i
i
w
p R
E
w
R
E
Max
i

 

N
i
N
j
p
ij
j
iw
w
1 1
*





N
i
i
w
1
1
Soumis à la
contrainte
de:
Albert Lee Chun Portfolio Management 77
E(r)
Efficient
frontier
Frontière de variance minimale

7-77
Frontière de variance minimale
Portefeuille de
variance minimale

Albert Lee Chun Portfolio Management 78
E(r)
Efficient
frontier
Frontière efficiente

7-78
Frontière efficiente
Portefeuille de
variance minimale

Albert Lee Chun Portfolio Management 79
Frontière efficiente
7-79
Albert Lee Chun Portfolio Management 80
• La combinaison optimale correspond au plus bas
niveau de risque pour un rendement donné
• Le <<trade-off>> optimal est décrit comme
l’efficiente frontière.
Prolongement du concept
7-80
Albert Lee Chun Portfolio Management 81
Pour la prochaine semaine, imaginez un
univers avec une multitude de titres risqués et
1 titre sans risque
Albert Lee Chun Portfolio Management 82
Lectures
 Lectures pour d'aujourd'hui :
Chapitre 7
Si vous n`avez pas suivi le cours
Placement, vous devez lire le Chapitre 6.
 Lectures pour les 2 prochaines semaines :
Chapitre 7 (incluant l'appendice A)
(Recueil) Other Portfolio Selection
Models

Contenu connexe

En vedette

Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)contently
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024Albert Qian
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsKurio // The Social Media Age(ncy)
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summarySpeakerHub
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next Tessa Mero
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentLily Ray
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best PracticesVit Horky
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project managementMindGenius
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...RachelPearson36
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Applitools
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at WorkGetSmarter
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...DevGAMM Conference
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationErica Santiago
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellSaba Software
 

En vedette (20)

Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)Content Methodology: A Best Practices Report (Webinar)
Content Methodology: A Best Practices Report (Webinar)
 
How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024How to Prepare For a Successful Job Search for 2024
How to Prepare For a Successful Job Search for 2024
 
Social Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie InsightsSocial Media Marketing Trends 2024 // The Global Indie Insights
Social Media Marketing Trends 2024 // The Global Indie Insights
 
Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024Trends In Paid Search: Navigating The Digital Landscape In 2024
Trends In Paid Search: Navigating The Digital Landscape In 2024
 
5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary5 Public speaking tips from TED - Visualized summary
5 Public speaking tips from TED - Visualized summary
 
ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd ChatGPT and the Future of Work - Clark Boyd
ChatGPT and the Future of Work - Clark Boyd
 
Getting into the tech field. what next
Getting into the tech field. what next Getting into the tech field. what next
Getting into the tech field. what next
 
Google's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search IntentGoogle's Just Not That Into You: Understanding Core Updates & Search Intent
Google's Just Not That Into You: Understanding Core Updates & Search Intent
 
How to have difficult conversations
How to have difficult conversations How to have difficult conversations
How to have difficult conversations
 
Introduction to Data Science
Introduction to Data ScienceIntroduction to Data Science
Introduction to Data Science
 
Time Management & Productivity - Best Practices
Time Management & Productivity -  Best PracticesTime Management & Productivity -  Best Practices
Time Management & Productivity - Best Practices
 
The six step guide to practical project management
The six step guide to practical project managementThe six step guide to practical project management
The six step guide to practical project management
 
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
 
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
Unlocking the Power of ChatGPT and AI in Testing - A Real-World Look, present...
 
12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work12 Ways to Increase Your Influence at Work
12 Ways to Increase Your Influence at Work
 
ChatGPT webinar slides
ChatGPT webinar slidesChatGPT webinar slides
ChatGPT webinar slides
 
More than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike RoutesMore than Just Lines on a Map: Best Practices for U.S Bike Routes
More than Just Lines on a Map: Best Practices for U.S Bike Routes
 
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
Ride the Storm: Navigating Through Unstable Periods / Katerina Rudko (Belka G...
 
Barbie - Brand Strategy Presentation
Barbie - Brand Strategy PresentationBarbie - Brand Strategy Presentation
Barbie - Brand Strategy Presentation
 
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them wellGood Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
Good Stuff Happens in 1:1 Meetings: Why you need them and how to do them well
 

Portfolio Management essentials and modern portfolio investment

  • 1. 0 Gestion de portefeuille 3-203-99 Albert Lee Chun Construction de Portefeuilles: Introduction à la théorie moderne de portefeuille Séance 3 18 Sept 2008
  • 2. 1 Plan du cours  Séances 1 et 2 : L’environnement institutionnel  Séances 3, 4 et 5 Construction de portefeuilles  Séances 6 et 7: Modèles d'évaluation des actifs financiers  Séance 8: Efficience de marché  Séance 9: Gestion active d'un portefeuille d'actions  Séance 10: Gestion de portefeuilles obligataires  Séance 11: Mesures de performances des portefeuilles
  • 3. Albert Lee Chun Portfolio Management 2 Le risque en fonction du nombre d’actions 7-2
  • 4. Albert Lee Chun Portfolio Management 3 Diversification du portefeuille 7-3
  • 5. Albert Lee Chun Portfolio Management 4 w1 = proportion des fonds dans le titre 1 w2 = proportion des fonds dans le titre 2 E(r1) = rendement espéré du titre 1 E(r2) = rendement espéré du titre 2 1 w n 1 i i    Rendement d’un portefeuille de deux actifs ) ( ) ( ) ( 2 2 1 1 r E w r E w r E p     7-4
  • 6. Albert Lee Chun Portfolio Management 5 1 2 = variance du titre 1 2 2 = variance du titre 2 Cov(r1,r2) = covariance entre le titre 1 et le titre 2 Risque d’un portefeuille de deux actifs ) r , r ( Cov w w 2 w w 2 1 2 1 2 2 2 2 2 1 2 1 2 p       7-5
  • 7. Albert Lee Chun Portfolio Management 6 1,2 = Coefficient de corrélation 1 = Écart type des rendements du titre 1 2 = Écart type des rendements du titre 2 Covariance 2 1 2 , 1 2 1 ) r , r ( Cov       7-6
  • 8. Albert Lee Chun Portfolio Management 7 Ordre des valeurs pour 1,2 + 1.0 >  > -1.0 Si  = 1.0, les titres seraient parfaitement corrélés positivement Si = - 1.0, les titres seraient parfaitement corrélés négativement Coefficients de corrélation 7-7
  • 9. Albert Lee Chun Portfolio Management 8 Un portefeuille de 3 actifs ) ( ) ( ) ( ) ( 3 3 2 2 1 1 r E w r E w r E w r E p    ) , ( 2 ) , ( 2 ) , ( 2 3 2 3 2 3 1 3 1 2 1 2 1 2 3 2 3 2 2 2 2 2 1 2 1 2 r r Cov w w r r Cov w w r r Cov w w w w w p              7-8
  • 10. Albert Lee Chun Portfolio Management 9 Généralement, pour un portefeuille de n titres: ) ( ) ( 1 i n i i p r E w r E                      n k j k j k j n k n i i i n k j j k j k j n k n i i i p r r Cov w w w r r Cov w w w ) , ( 2 ) , ( 1 1 2 2 1 1 1 2 2 2    7-9
  • 11. Albert Lee Chun Portfolio Management 10    N i i i p r E w r E 1 ) ( ) ( j i ) r , r ( Cov w w + w = j i j i n j=1 n =1 i 2 i 2 i n =1 i 2 p       j i j i j i r r Cov    , ) , (  j i j i j , i ) r , r ( Cov     Statistiques de portefeuille
  • 12. Albert Lee Chun Portfolio Management 11 Aujourd’hui  Fonctions d’utilité et la courbe d’indifférence  Portefeuille de variance minimale (PVM)  La droite de répartition de capital (CAL)  Portefeuille optimal  On va illustrer ces concepts dans un univers avec 1 titre risqué et 1 titre sans risque 2 titres risqués 2 titres risqués et 1 titre sans risque N titres risqués N titres risqués et 1 titre sans risque
  • 13. Albert Lee Chun Portfolio Management 12 Fonctions d’utilité
  • 14. Albert Lee Chun Portfolio Management 13 Aversion au risque Si on a deux choix d’actifs avec le même taux de rendement, les investisseurs qui ont une aversion au risque vont sélectionner l’actif avec le niveau de risque le plus bas.  Les investisseurs qui ont une aversion au risque veulent une compensation pour le risque.  Le rendement excédentaire d’un actif risqué (i) est déterminé par la prime de risque = E(ri) – Rf.
  • 15. Albert Lee Chun Portfolio Management 14 La prime de risque Exemple: W2 = 80$ Profit = -20$ W1 = 150$ Profit = 50$ 100$ Investissement risqué Bons du Trésor Profit = 5$ Rendement espéré: (50%)(.6) + (-20%)(.4) = 22% Prime de risque = E(Ri) – Rf = 22%-5% = 17% 1-p = .4
  • 16. Albert Lee Chun Portfolio Management 15 Mesure des préférences de l’investisseur  Une fonction d’utilité représente le niveau de satisfaction de l’investisseur.  Plus l’utilité est élevée, plus les investisseurs seront contents.  Par exemple, si l’utilité de l’investisseur dépend seulement de la moyenne (soit µ= E(r)) et de la variance (2) des rendements, alors nous avons la fonction suivante:  L’ensemble des portefeuilles qui procure le même niveau d’utilité pour un investisseur est défini par une courbe d’indifférence. U = f ( µ, )
  • 17. Albert Lee Chun Portfolio Management 16 Exemple: la courbe d’indifférence U = 5 U = 5 L’investisseur est indifférent entre X et Y, aussi bien qu’à tous les points de la courbe. Tous les points de la courbe ont le même niveau d’utilité (U=5). (Rp)
  • 18. Albert Lee Chun Portfolio Management 17 Direction de l’utilité croissante Rendement espéré Écart-type Direction de l’utilité croissante U1 U2 U3 U3 > U2 > U1
  • 19. Albert Lee Chun Portfolio Management 18 Deux investisseurs différents U3 U2 U1 U3’ U2’ U1’ Rendement espéré Écart type Quel investisseur a la plus grande aversion au risque? U3 > U2 > U1
  • 20. Albert Lee Chun Portfolio Management 19 Utilité quadratique  L’utilité d’un investisseur est une fonction quadratique seulement si la moyenne et la variance des rendements sont importantes pour l’investisseur.  A est constant, ce qui détermine le degré d’aversion au risque: il augmente avec l’aversion au risque de l’investisseur. (Remarquez que 1/2 est juste une constance normalisée)  Remarquez que A > 0, cela implique que les investisseurs n’aiment pas le risque. Plus la variance est élevée, plus l’utilité est basse. 2 2 1   A U  
  • 21. Albert Lee Chun Portfolio Management 20 Les courbes d’indifférence E(Rp) (Rp) Utility = E(Rp) – ½ A*VAR(Rp) 0.10 0.200 0.10 – ½  4  0.2002 = 0.02 0.15 0.255 0.15 – ½  4  0.2552 = 0.02 0.20 0.300 0.20 – ½  4  0.3002 = 0.02 0.25 0.339 0.25 – ½  4  0.3992 = 0.02 Fonction d’utilité quadratique de A = 4. Voici un exemple des points de l’indifférence pour un investisseur avec une fonction d’utilité quadratique. Remarquez qu’une plus haute variance est accompagnée d’un plus haut taux de rendement pour compenser la nature de l’aversion au risque de l’investisseur.
  • 22. Albert Lee Chun Portfolio Management 21 L’équivalent certain  Certains taux de rendement sans risque offrent aux investisseurs le même niveau d’utilité qu’un taux de rendement risqué.  L’investisseur est indifférent entre un rendement risqué et ses équivalents.  Exemple: Supposons qu’un investisseur a une utilité quadratique de A = 2. Un portefeuille risqué offre un E(R) égal à 22% et un écart type de 34%. L’utilité de cette fonction est: U = 22% - ½×2×(34%)² = 10.44%  L’équivalent certain est égal à 10.44% parce que l’utilité d’obtenir un certain taux de rendement de 10.44% est: U = 10.44% - ½ × 2×(0%)² = 10.44% risqué sans risque
  • 23. Albert Lee Chun Portfolio Management 22 Les courbes d’indifférence de risque neutre E(RP) P U4 U3 U2 U1 Ça représente une attitude neutre envers le risque. L’investisseur est indifférent entre les différents niveaux d’écart type. U3 > U2 > U1 Direction de l’utilité croissante
  • 24. Albert Lee Chun Portfolio Management 23 La pente de la courbe d’indifférence  Une courbe d’indifférence abrupte coïncide avec une forte aversion au risque.  La pente de la courbe d’indifférence correspond à la compensation nécessaire pour chaque unité de risque additionnel.  Cette compensation est mesurée en unités de rendement espéré pour chaque unité d’écart type.  Une haute aversion au risque implique un haut degré de compensation pour prendre une unité de risque additionnelle et est représentée par une pente abrupte.
  • 25. Albert Lee Chun Portfolio Management 24 Les courbes d’indifférence E(RP) P U4 U3 U2 U1 U3 > U2 > U1 Direction de l’utilité croissante Plus un investisseur est averse au risque, plus fortes sont les pentes de ses courbes d’indifférence.
  • 26. Albert Lee Chun Portfolio Management 25 Deux différents investisseurs U3 U2 U1 U3’ U2’ U1’ Rendement espéré Écart type Quel investisseur a une aversion au risque plus élevé? Plus averse au risque Moins averse au risque
  • 27. Albert Lee Chun Portfolio Management 26 Dominance stochastique Préfère n’importe quel portefeuille de Z1 à X. Préfère X à n’importe quel portefeuille dans Z4. Les ordres entre les portefeuilles Z2 ou Z3 et X dépendent des préférences de l’investisseur σX < σp
  • 28. Albert Lee Chun Portfolio Management 27 Imaginez un univers avec 1 titre sans risque et 1 titre risqué
  • 29. Albert Lee Chun Portfolio Management 28 1 titre sans risque et 1 titre risqué ) ( ) 1 ( ) ( A A f A p r E w r w r E    0 0  w = 2 A 2 A 2 p   La variance d’action sans risque est 0, et la covariance entre un actif sans risque et un actif risqué est naturellement égale à 0. Supposons que nous construisons un portefeuille P ayant un actif sans risque f et un actif risqué A w = A A p  
  • 30. Albert Lee Chun Portfolio Management 29 Un actif sans risque et un actif risqué Supposons WR = .75 E(rA) = 15% rf = 7% A f  E(rP) = 13% P 0 P =16.5% A =22% E(rP) = .25*.07+.75*15=13% p = .75*.22 = 16.5%
  • 31. Albert Lee Chun Portfolio Management 30   P f P A f A r - ) r E( r - ) r E(  f p A f A p r r r E r E      * ) ( ) ( E(rA) rf 0 A f  P E(rP) P A La droite de répartition de capital Pente de CAL Équation Intersection Capital Allocation Line (CAL)
  • 32. Albert Lee Chun Portfolio Management 31 Choix d’une répartition optimale  Si l’investisseur a une utilité quadratique, quelle est la répartition optimale de portefeuille? 2 2 1 ) ( P P A r E U    Utilité: Rendement espéré et variance: L’objectif de chaque investisseur est de maximiser son utilité. Comment fait-on? , ) 1 ( ) ( ) ( 2 2 2 A P f A P w r w r wE r E      
  • 33. Albert Lee Chun Portfolio Management 32 Normally a Bear Lives in a Cave, that is Concave, then to find the top of the cave (i.e. or to maximize a concave function), prenez les dérivées et mettez le tout égal à 0. A concave function has a negative second derivative.
  • 34. Albert Lee Chun Portfolio Management 33 However, if the Bear is Swimming in a Bowl, that is Convex, then to find the bottom of the bowl (i.e. or to minimize a convex function), prenez les dérivées et mettez le tout égal à 0. A convex function has a positive second derivative.
  • 35. Albert Lee Chun Portfolio Management 34 Maximiser l’utilité de l’investisseur  2 A f A * A r - ) r E( = w - ) 1 ( ) ( ) ( 2 2 2 1 2 2 1 A f A P P Aw r w r wE A r E U        0 ) ( ) ( 2     A f A Aw r r E dw w dU  w* est l’allocation optimale. Prenez les dérivées de U par rapport à w et mettez le tout égal à 0.
  • 36. Albert Lee Chun Portfolio Management 35 Exemple 1 Supposons E(rA) = 15%; (rA) = 22% et rf = 7%. Pour un investisseur avec A = 4: w* = (0.15-0.07)/[4*(0.22)^2] = 0.41 < 1 L’allocation optimale est 41% de son capital dans le portefeuille risqué A et 59% dans l’actif sans risque. Par conséquent: E(Rp) = 0.59*7%+0.41*15%=10.28% et (rp) = 0.41*0.22=9.02%  2 A f A * A r - ) r E( = w w = A p   * ) ( * *) 1 ( ) ( A f p r E w r w r E   
  • 37. Albert Lee Chun Portfolio Management 36 Exemple 2 Supposons E(rA) = 15%; (rA) = 22% et rf = 7%. Pour un investisseur avec A = 1, w* = (0.15-0.07)/[1*(0.22)2] = 1.65 > 1 Cet investisseur voudra placer 165% de son capital dans A et il va emprunter 65% de son capital au taux sans risque de 7%, alors: E(Rp) = 1.65(0.15) + -0.65(0.07)= 20.2% (rp) = 1.65*0.22= 0.363 = 36.3% U = 0.202 – 0.5*1*(0.3632) = 0.1361
  • 38. Albert Lee Chun Portfolio Management 37 Prêteur ou Emprunteur? A E(r)  7% Ex1: Prêteur Ex2: Emprunteur p = 22% Chaque investisseur se placera à un point différent sur la CAL. La proportion investie dans l’actif risqué va dépendre de l’aversion au risque. w*> 1 nécessité d’emprunteur. L’allocation optimale est le point de tangence entre CAL et la fonction d’utilité de l’investisseur.
  • 39. Albert Lee Chun Portfolio Management 38 Différents taux d’emprunt  Si le taux d’emprunt est plus élevé que le taux de placement, qu’est-ce qui se passe? E(r)  9% 7% A p = 22% w* = (0.15-0.09)/[1*(0.22)2] = 1,24 1.24 < 1.65
  • 40. Albert Lee Chun Portfolio Management 39 Différents taux d’emprunt Supposons E(rA) = 15%; (rA) = 22% et le taux de placement est rp = 7%, mais le taux d`emprunt est re = 9%. Pour un investisseur avec A = 1: w* = (0.15-0.09)/[1*(0.22)2] = 1.24 1.24 < 1.65 Cet investisseur voudra placer 124% de son capital dans le titre A. Il aura besoin d’emprunter 24% de son capital au taux d’emprunt de 9%. Le coût plus élevé de l’emprunt force l’investisseur à diminuer la proportion qu'il alloue au titre risqué. Par conséquent: E(Rp) = 1.24(0.15) + -0.24(0.09)= 16.44% (rp) = 1.24*0.22= 27.28% Plus le taux d’emprunt est élevé, plus son utilité diminue: U = 0.1644 – 0.5*1*(0.27282) = .1272 < .1361
  • 41. Albert Lee Chun Portfolio Management 40 Imaginez un univers avec deux titres risqués
  • 42. Albert Lee Chun Portfolio Management 41 Rendement espéré et écart type avec divers coefficients de corrélation 7-41
  • 43. Albert Lee Chun Portfolio Management 42 Portefeuille de rendement espéré en fonction des proportions d’investissement 7-42
  • 44. Albert Lee Chun Portfolio Management 43 Portefeuille d’écart type en fonction des proportions d’investissement 7-43
  • 45. Albert Lee Chun Portfolio Management 44 En retournant à un portefeuille de deux titres 2 2 1 1 p r w r w ) r ( E   ) r , r ( Cov w w 2 w w 2 1 2 1 2 2 2 2 2 1 2 1 2 p       et , ou ) r , r ( Cov w w 2 w w 2 1 2 1 2 2 2 2 2 1 2 1 p       Question: que se passe-t-il si nous utilisons plusieurs combinaisons, c.-à-d. si nous varions ? 7-44
  • 46. Albert Lee Chun Portfolio Management 45 Portefeuille de rendement espéré en fonction des proportions d’écarts types 7-45
  • 47. Albert Lee Chun Portfolio Management 46 Corrélation parfaite - 0.05 0.10 0.15 0.20 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12 E(R) ρDE = +1.00 D E Avec deux actifs parfaitement corrélés, c’est seulement possible de créer un portefeuille avec un rendement-risque selon la ligne entre les deux. Avec vent à découvert. 
  • 48. Albert Lee Chun Portfolio Management 47 Parfaite Corrélation  = +1 ) ( ) ( ) ( E E D D P R E w R E w R E   ) w + w ( = w w 2 + w + w = 2 E E D D E D E D 2 E 2 E 2 D 2 D 2 p        1 w w = E E D D p     D E D E r r Cov    ) , ( que Rappelez
  • 49. Albert Lee Chun Portfolio Management 48 Corrélation zéro f - 0.05 0.10 0.15 0.20 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12 E(R) ρDE = 0.00 ρDE = +1.00 f g h i j k D E Avec des actifs non corrélés, c’est possible de créer un portefeuille moins risqué que des actifs orignaux.. w + w = 2 E 2 E 2 D 2 D 2 p    
  • 50. Albert Lee Chun Portfolio Management 49 Corrélation zéro  = 0 D E D E r r Cov    ) , ( que vous - Rappelez w + w = w w 2 + w + w = 2 E 2 E 2 D 2 D E D E D 2 E 2 E 2 D 2 D 2 p        0 w + w = 2 E 2 E 2 D 2 D p   
  • 51. Albert Lee Chun Portfolio Management 50 Corrélation positive - 0.05 0.10 0.15 0.20 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12 E(R) ρDE = 0.00 ρDE = +1.00 ρDE = + 0.50 f g h i j k D E Avec des actifs corrélats, c’est possible de créer un portefeuille de deux actifs entre les deux premières courbes       E D DE E D 2 E 2 E 2 D 2 D 2 p w w 2 + w + w = 
  • 52. Albert Lee Chun Portfolio Management 51 Corrélation négative - 0.05 0.10 0.15 0.20 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12 E(R) ρDE = 0.00 ρDE = +1.00 ρDE = -0.50 ρDE = +0.50 f g h i j k D E Avec des actifs corrélés négativement, c’est possible de créer un portefeuille beaucoup moins risqué.        E D DE E D 2 E 2 E 2 D 2 D 2 p w w 2 + w + w = Négatif
  • 53. Albert Lee Chun Portfolio Management 52 Corrélation parfaitement négative - 0.05 0.10 0.15 0.20 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.10 0.11 0.12 E(R) ρDE = 0.00 ρDE = +1.00 ρDE = -1.00 ρDE = + 0.50 f g h i j k D E Avec des actifs corrélés parfaitement négatifs, c’est possible de créer un portefeuille sans risque.
  • 54. Albert Lee Chun Portfolio Management 53 Corrélation parfaitement négative ) w - w ( = w w 2 - w + w = 2 E E D D E D E D 2 E 2 E 2 D 2 D 2 p        | w - w =| E E D D p    0 = + = w et + = w P E D D E E D E D        alors  = -1 Il existe des pondérations tel que le risque total est nul. D E D E r r Cov   1 ) , ( que Remarquez  
  • 55. Albert Lee Chun Portfolio Management 54 Portefeuille de variance minimale
  • 56. Albert Lee Chun Portfolio Management 55 Le portefeuille à variance minimale     DE D D 2 E 2 D 2 D 2 D 2 p ) w - (1 w 2 + ) w - (1 + w = Min 0 = ) 2 - (2 - ) 4 - 2 + (2 w = ) w 4 - (2 + ) w - 2(1 - w 2 = w DE 2 E DE 2 E 2 D D DE D 2 E D 2 D D D 2 p            w - 1 = w 2 - + - = 2 - + - = w D E E D DE 2 E 2 D E D DE 2 E DE 2 E 2 D DE 2 E D min min min              
  • 57. Albert Lee Chun Portfolio Management 56 Le portefeuille à variance minimale (PVM)                E D E 2 E D D E E E D 2 E 2 D E D 2 E D + = ) + ( ) + ( = 2 + + + = w min + 0 - + 0 - = w 2 E 2 D 2 E 2 E 2 D 2 E D        min 2 - + - = w DE 2 E 2 D DE 2 E D      min 1> > -1  = -1  = 0  = 1 S’il n’y pas de ventes à découvert, alors le PVM est égal à l’actif avec le minimum de variance*. *Avec des ventes à découvert, c’est possible d’avoir 0 variance.
  • 58. Albert Lee Chun Portfolio Management 57 • La relation dépend du coefficient de corrélation -1.0 <  < +1.0 • Plus la corrélation est négative, plus la réduction potentielle de risque est grande. • Si= +1.0, aucune réduction de risque (sauf avec des ventes à découvert.) L’effet de la corrélation 7-57
  • 59. Albert Lee Chun Portfolio Management 58 Exemple 1: PVM  Exemple: Supposons qu’il y a seulement deux actifs A et B: A B A,B E(r) 10% 14% 0.2  15% 20%  Trouvez le portefeuille de variance minimale? w - 1 = w 2 - + - = w A B B A 2 B 2 A B A 2 B A min min min         
  • 60. Albert Lee Chun Portfolio Management 59 Exemple 1: PVM
  • 61. Albert Lee Chun Portfolio Management 60 Exemple 2:  = .3 • Supposons que notre univers d’investissement comprend deux titres de la Table 7.1: D E D,E E(r) 8% 13% 0.3  12% 20% • Quelles sont les pondérations de chaque titre dans un portefeuille de variance minimale? 7-60
  • 62. Albert Lee Chun Portfolio Management 61 Exemple 2:  = .3 2 2 2 ( , ) 2 ( , ) E D E D D E D E Cov r r w Cov r r        • En minimisant le problème, nous obtenons: • Numériquement: 2 2 2 (20) 72 0.82 (20) (12) 272 D w      1 0.18 E D w w    7-61
  • 63. Albert Lee Chun Portfolio Management 62 L’utilité de l’investisseur E(r)  Investisseurs ayant une forte aversion au risque U’ U’’ U’’’ Investisseurs ayant moins d’aversion au risque
  • 64. Albert Lee Chun Portfolio Management 63 Maximisez l’utilité de l’investisseur 2 2 1 ) (  A r E U   ) ( ) ( ) ( E E D D P r E w r E w r E   ) 2 - + ( A ) - A( + ) r E( - ) r E( = w DE 2 E 2 D DE 2 E E D * D          DE D D 2 E 2 D 2 D 2 D 2 p ) w - (1 w 2 + ) w - (1 + w = Devoir: montrez que la solution est:
  • 65. Albert Lee Chun Portfolio Management 64 Exemple  Exemple: Supposons qu’il n’y a que deux portefeuilles: A B A,B E(r) 10% 14% 0.2  15% 20%  Trouvez le portefeuille optimal pour un investisseur ayant une utilité quadratique de A = 3?         w w 2 - + A - A + r E - r E = w * A * B B A 2 B 2 A B A 2 B B A * A  1 ,       
  • 66. Albert Lee Chun Portfolio Management 65 Exemple           59 . 0 1 , 41 . 0 15 . 0 * 2 . 0 * 2 . 0 * 15 . 0 2 . 0 3 15 . 0 * 2 . 0 * 2 . 0 2 . 0 3 14 . 0 10 . 0 2 2 2     w w 2 - + - + - = w * A * B * A
  • 67. Albert Lee Chun Portfolio Management 66 Imaginez un univers avec 2 titres risqués et 1 titre sans risque
  • 68. Albert Lee Chun Portfolio Management 67 Deux CALs 7-67
  • 69. Albert Lee Chun Portfolio Management 68 Avec un actif sans risque E(r)  CAL 1 CAL 2 CAL 3 Le portefeuille optimale est le portefeuille tangent Intuition : la solution est le CAL qui maximise la pente! E
  • 70. Albert Lee Chun Portfolio Management 69 Le CAL optimale 7-69
  • 71. Albert Lee Chun Portfolio Management 70 Le portefeuille optimal 7-70
  • 72. Albert Lee Chun Portfolio Management 71 Exemple: Le portefeuille optimal 7-71
  • 73. Albert Lee Chun Portfolio Management 72 Pondérations d’un portefeuille optimal  p f p p r - ) r E( = S ) ( ) ( ) ( E E D D P r E w r E w r E       DE D D 2 E 2 D 2 D 2 D 2 p ) w - (1 w 2 + ) w - (1 + w =                       * D * E DE f E f D 2 D f E 2 E f D DE f E 2 E f D D w w r r E r r E r r E + r r E r r E - r r E = w           1 *      Devoir: Si vous êtes ambitieux, essayez de montrer que la solution optimale ait :
  • 74. Albert Lee Chun Portfolio Management 73 Investisseurs A et B P E(r) rf i j CAL  2 P f P * A r - ) E(r = w La proportion investie dans le portefeuille P va dépendre de l’aversion au risque.
  • 75. Albert Lee Chun Portfolio Management 74 Différents taux d’emprunt et de placement  E(r) rf P1 P2 B f r
  • 76. Albert Lee Chun Portfolio Management 75 Imaginez un univers avec une multitude de titres risqués
  • 77. Albert Lee Chun Portfolio Management 76 Le problème de Markowitz        1 i i i w p R E w R E Max i     N i N j p ij j iw w 1 1 *      N i i w 1 1 Soumis à la contrainte de:
  • 78. Albert Lee Chun Portfolio Management 77 E(r) Efficient frontier Frontière de variance minimale  7-77 Frontière de variance minimale Portefeuille de variance minimale 
  • 79. Albert Lee Chun Portfolio Management 78 E(r) Efficient frontier Frontière efficiente  7-78 Frontière efficiente Portefeuille de variance minimale 
  • 80. Albert Lee Chun Portfolio Management 79 Frontière efficiente 7-79
  • 81. Albert Lee Chun Portfolio Management 80 • La combinaison optimale correspond au plus bas niveau de risque pour un rendement donné • Le <<trade-off>> optimal est décrit comme l’efficiente frontière. Prolongement du concept 7-80
  • 82. Albert Lee Chun Portfolio Management 81 Pour la prochaine semaine, imaginez un univers avec une multitude de titres risqués et 1 titre sans risque
  • 83. Albert Lee Chun Portfolio Management 82 Lectures  Lectures pour d'aujourd'hui : Chapitre 7 Si vous n`avez pas suivi le cours Placement, vous devez lire le Chapitre 6.  Lectures pour les 2 prochaines semaines : Chapitre 7 (incluant l'appendice A) (Recueil) Other Portfolio Selection Models