BLACK-LITTERMAN DANS VOTRE POCHE

. point clés

• L’investissement quantitatif est historiquement difficile à mettre en oeuvre, du fait d’hypothèses très restrictives ou de résultats peu réalistes.

• SILEX a créé les outils pour surmonter ces deux problèmes : notre plateforme SPARK propose des optimisations robustes à partir
  de convictions de marché simples et intuitives.

• En combinant les outils Allocator et Inspector, SPARK permet de mettre en oeuvre des vues tactiques, y compris au travers de fonds externes, une solution pratique adaptée à la gestion privée.

. pas facile de devenir quant

Lorsqu’on demande à des investisseurs s’ils seraient prêts à introduire des outils quantitatifs à leur processus d’investissement, leur réaction est généralement enthousiaste. Un consensus s’est désormais formé sur le fait que les méthodes quantitatives apportent robustesse, gestion de risque et discipline aux décisions d’investissement, générant en moyenne de meilleures performances.
Pour autant, un nombre limité d’entre eux parvient à amorcer cette transition. Ils gardent leurs anciens cadres, qui impliquent le plus souvent une allocation stratégique de référence et des déviations tactiques discrétionnaires. Malheureusement, ces approches sont vulnérables aux biais émotionnels, aux évolutions des régimes de volatilité et aux changements de corrélations.
Deux raisons essentielles rendent la mise en œuvre de processus quantamentaux compliquée en pratique. D’abord, les méthodes les plus simples d’optimisation donnent des résultats peu réalistes. Les approches en moyenne-variance, telles que Markowitz, tendent à proposer des portefeuilles très concentrés qui saturent les actifs dont le ratio de Sharpe est le plus élevé. Cela implique une sensibilité extrême aux hypothèses de départ, qui sont par nature incertaines, et une faible stabilité des résultats lorsque ces hypothèses changent. L’investisseur doit surmonter ces problèmes en imposant un grand nombre de contraintes sur l’optimisation, débouchant finalement sur un fort degré de discrétion et de jugement. Paradoxalement, c’est exactement ce que les méthodes quantitatives essayaient initialement de minimiser.
Le second problème de l’approche Markowitz est la nécessité de fournir à l’outil des vues tactiques numériques. L’optimisation en moyenne-variance requiert de forger des convictions sur chaque actif de l’univers d’investissement et de les exprimer sous forme d’un chiffre précis qui sera utilisé comme rendement espéré. Cependant, cette contrainte ressemble assez peu à la façon dont les convictions de marché sont réellement formées : les investisseurs ont tendance à avoir des vues incomplètes, le plus souvent exprimées en termes relatifs, et baignées d’incertitude.

. optimisation de portefeuille avec SPARK : l’Allocator

Chez SILEX, nous pensons que l’investissement quantamental représente l’avenir et qu’il doit être accessible à tous. La possibilité de combiner expertise humaine et outils quantitatifs apporte des bénéfices indiscutables à la construction de portefeuille, et in fine à la performance.
Néanmoins, le quantamental ne sera utilisé largement que s’il est rendu simple. Notre plateforme SPARK réunit un ensemble d’outils qui permettent de mettre à profit une optimisation de portefeuille robuste avec un haut degré de flexibilité et de sur-mesure.
L’Allocator rend l’optimisation de portefeuille d’une simplicité inédite. L’outil suit une approche Black-Litterman, une méthode largement utilisée pour éviter les écueils de Markowitz. Initialement introduite dans les années 1990, cette approche utilise du calcul bayésien qui “mélange” les rendements espérés d’équilibre dérivés de l’allocation stratégique, avec les vues tactiques de l’investisseur. En d’autres termes, la méthode Black-Litterman apporte de la rigueur quantitative à un processus intuitif de préférences de certaines classes d’actifs par rapport à d’autres.
L’expérience de calcul montre que les portefeuilles construits selon cette approche sont plus stables et mieux diversifiés que sous optimisation en moyenne-variance. C’est notamment lié au fait que les vues tactiques sont prises pour ce qu’elles sont : incomplètes, incertaines et relatives. L’optimisation en Black-Litterman fait converger le portefeuille stratégique avec des vues exprimées simplement en préférences relatives, avec des degrés de conviction variables.