Gestion d'actifs · Construction de portefeuille et risque pilotés par l'IA

Un optimiseur de portefeuille a un jour conseillé à un grand desk multi-actifs de placer 40 % du risque dans une seule poche obligataire « diversifiée ». Les calculs étaient impeccables. Le problème : le modèle prenait pour parole d'évangile une matrice de covariance issue d'une année 2019 calme, et quand les taux ont décroché, cette poche « sûre » s'est comportée comme une position actions. L'optimiseur n'a pas menti. Il a simplement concentré le risque là où personne ne regardait.

C'est la tension centrale de cette leçon. Le machine learning (ML) moderne nous donne des prévisions de rendement plus fines et des estimations de risque plus propres. Mais les mêmes outils peuvent dissimuler de la fragilité dans des allocations d'apparence solide. Reconstruisons un portefeuille correctement, puis cassons-le volontairement.

Les trois inputs dont tout optimiseur a besoin

L'optimisation moyenne-variance classique (le framework de Markowitz, qui arbitre entre rendement espéré et variance) a besoin de trois choses :

1. Les rendements espérés de chaque actif.
2. Une matrice de covariance : comment les actifs bougent ensemble.
3. Des contraintes : des limites du type « pas plus de 10 % sur un secteur ».

De petites erreurs sur les deux premiers points sont amplifiées massivement. L'optimiseur court après des écarts de prévision minuscules et s'entasse sur ce qui paraît marginalement meilleur. On appelle cela la maximisation de l'erreur, et c'est la raison pour laquelle les optimiseurs naïfs produisent des portefeuilles absurdes et concentrés.

L'IA aide sur les inputs 1 et 2. Elle ne règle pas à elle seule le problème d'amplification.

Le ML pour les prévisions de rendement

Plutôt que de supposer que l'année prochaine ressemblera à la moyenne de long terme, les modèles de ML apprennent des régularités à partir de nombreuses variables : ratios de valorisation, momentum, indicateurs macro, spreads de crédit, et même le sentiment extrait du texte des documents réglementaires.

Les arbres à gradient boosting et les réseaux de neurones savent capter des effets non linéaires (par exemple, le momentum compte davantage dans certains régimes que dans d'autres). Une référence académique très citée ici est « Empirical Asset Pricing via Machine Learning » de Gu, Kelly et Xiu, résumée librement à de nombreux endroits, dont la page du working paper du NBER.

La mise en garde honnête : les signaux de rendement financier sont faibles. Un modèle qui explique quelques pourcents de la variation des rendements hors échantillon est considéré comme bon. Traitez les prévisions ML comme des a priori un peu meilleurs que la moyenne, pas comme des boules de cristal.

Corriger la matrice de covariance par le shrinkage

C'est ici que se cache l'essentiel du risque silencieux.

Avec 50 actifs, votre matrice de covariance compte 1 275 nombres uniques à estimer. Avec seulement quelques années de données mensuelles, ces estimations sont bruitées. L'optimiseur fait alors confiance à des corrélations fallacieuses qui ne se reproduiront pas.

Le shrinkage est la solution. Vous mélangez votre matrice de covariance empirique bruitée avec une structure plus simple et plus stable (la « cible »). La méthode classique est le shrinkage de Ledoit-Wolf, qui ramène les corrélations extrêmes vers une moyenne raisonnable.

L'intuition : votre estimation brute est non biaisée mais instable ; la cible est biaisée mais stable. Le mélange optimal réduit l'erreur totale. C'est l'une des améliorations au meilleur rapport valeur/effort en gestion quantitative.

from sklearn.covariance import LedoitWolf
import numpy as np

# returns : matrice T périodes x N actifs
lw = LedoitWolf().fit(returns)
cov_shrunk = lw.covariance_        # covariance stabilisée
print("shrinkage intensity:", lw.shrinkage_)  # 0 = brut, 1 = entièrement la cible

Une intensité de shrinkage proche de 1 est un signal d'alerte : vos données brutes sont si bruitées que le modèle s'appuie presque entièrement sur la cible. C'est une information utile, pas un échec.

Pour une boîte à outils open-source plus complète, la documentation de PyPortfolioOpt détaille le shrinkage et l'optimisation avec des exemples traités.

🎬 [VIDEO: "The Ledoit-Wolf Covariance Shrinkage Estimator" - youtube.com - une explication claire des raisons pour lesquelles la covariance empirique échoue et de la façon dont le shrinkage stabilise les pondérations de portefeuille]

Assembler le tout : une construction robuste

Un workflow piloté par l'IA défendable ressemble à ceci :

1. Générer des prévisions de rendement par ML. Le faire avec une validation walk-forward correcte (entraîner sur le passé, tester sur le futur immédiat, ne jamais regarder devant).
2. Estimer une matrice de covariance avec shrinkage.
3. Optimiser avec des contraintes et des limites de position réalistes.
4. Comparer à des baselines simples.

Cette dernière étape compte. Comparez toujours votre portefeuille sophistiqué à :

• L'équipondération (1/N sur les actifs).
• La risk parity (chaque actif contribue autant de risque, pas autant de capital).

Si votre portefeuille optimisé par ML ne bat pas l'équipondération hors échantillon après coûts, la complexité ne paie pas son loyer. C'est un résultat fréquent et humiliant, et il garde les équipes honnêtes.

Là où les optimiseurs boîte noire concentrent le risque

Surveillez trois schémas de défaillance :

Les paris factoriels cachés. Dix lignes différentes peuvent toutes être le même pari déguisé (par exemple, toutes sensibles au même mouvement de taux). L'optimiseur voit dix noms ; le marché voit une exposition.

L'aveuglement aux régimes de corrélation. Les corrélations ne sont pas stables. En marché calme, actions et obligations peuvent se compenser. Dans une crise de liquidité, « tout baisse ensemble » à mesure que les corrélations montent vers 1. Une matrice de covariance à régime unique ne peut pas voir cela.

Le contournement des contraintes. Donnez à un optimiseur un plafond de 10 % par ligne et il détiendra souvent exactement 10 % sur plusieurs valeurs corrélées, recréant la concentration que vous vouliez éviter.

Stress-tester face aux changements de régime

Une optimisation mono-période vous dit ce qui est efficient en moyenne. Le stress testing vous dit ce qui se passe quand le monde change. Les régulateurs l'attendent : les stress tests prudentiels pour les banques et les règles issues de cadres comme UCITS et AIFMD dans l'UE imposent aux sociétés de gestion de simuler des scénarios de stress de liquidité et de marché.

Deux approches pratiques :

Le rejeu de scénarios

Prenez votre portefeuille actuel et appliquez-lui des fenêtres de stress historiques : un choc de taux, un écartement du crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit, une baisse des actions. Vous posez la question : « Si un mouvement de type 2008 ou 2020 survenait demain sur ce portefeuille précis, qu'est-ce qui casse ? »

Cela met à nu les paris factoriels cachés. Cette poche obligataire « diversifiée » de la scène d'ouverture montre son vrai visage dès que vous rejouez un mouvement de taux brutal.

La covariance conditionnelle au régime

Plutôt qu'une seule matrice de covariance, estimez-en plusieurs : une pour les périodes calmes, une pour les périodes de crise. Un modèle markovien à changement de régime peut classer les mois historiques en états et vous fournir une matrice de corrélation stressée.

Relancez ensuite l'optimisation sous la matrice de crise. Des portefeuilles qui semblaient bien diversifiés avec des corrélations normales révèlent souvent une concentration sévère dès qu'on suppose une envolée des corrélations. L'écart entre les deux allocations est votre carte de fragilité.

Une métrique de contrôle simple et puissante : calculez la volatilité du portefeuille avec la matrice de covariance normale puis avec la matrice stressée. Si la volatilité stressée vaut plusieurs fois la volatilité normale, votre diversification est conditionnelle, c'est-à-dire qu'elle fonctionne jusqu'au moment précis où vous en avez le plus besoin.

Gouvernance : la couche humaine

L'IA en construction de portefeuille n'est pas seulement un problème mathématique. C'est un problème de model risk, et il relève de cadres de gouvernance antérieurs à l'IA.

La gestion du risque de modèle. La guidance prudentielle américaine SR 11-7, en vigueur de longue date, a posé le principe que tout modèle nécessite une validation indépendante, une documentation et un suivi continu. Cette logique s'étend désormais aux modèles de prévision ML. Quelqu'un d'indépendant du constructeur du modèle doit pouvoir le challenger.

L'explicabilité. Si un gérant ne peut pas expliquer pourquoi le modèle privilégie une allocation, c'est un sujet de conformité et de responsabilité fiduciaire, pas seulement une préférence technique. Des outils comme les valeurs SHAP (qui attribuent une prédiction aux variables d'entrée individuelles) aident à traduire « le modèle l'a dit » en « le modèle s'appuie sur le momentum et les spreads de crédit, ce qui est cohérent avec la configuration ».

L'AI Act européen (dont les obligations entrent progressivement en application sur 2025 et 2026) ajoute des devoirs de documentation et de transparence pour les systèmes d'IA à risque élevé. Les sociétés d'investissement qui utilisent le ML à grande échelle devraient cartographier ceux de leurs systèmes qui entrent dans le champ. Le texte officiel de l'AI Act et ses explications sont un bon point de départ gratuit.

Une checklist pratique avant de faire confiance à un portefeuille IA

• Avons-nous validé les prévisions hors échantillon, en walk-forward, sans lookahead ?
• Avons-nous appliqué un shrinkage à la matrice de covariance, et l'intensité est-elle raisonnable ?
• Le portefeuille bat-il l'équipondération et la risk parity après coûts réalistes ?
• Quelles sont les trois premières expositions factorielles, et les avions-nous voulues ?
• Comment évolue la volatilité sous une matrice de corrélation stressée ?
• Pouvons-nous expliquer les plus grosses positions en langage clair ?

Si une réponse est « nous ne savons pas », vous avez trouvé votre prochaine tâche, pas votre portefeuille final.

Points clés à retenir

• Le shrinkage est la correction au plus fort effet de levier. Une matrice de covariance empirique brute injecte discrètement des corrélations fallacieuses dans l'optimiseur ; un shrinkage de type Ledoit-Wolf la stabilise presque sans inconvénient.

• Les prévisions ML sont des a priori faibles, pas des prédictions. Utilisez la validation walk-forward, et comparez toujours à l'équipondération et à la risk parity avant d'ajouter de la complexité.

• La diversification est conditionnelle. Testez votre portefeuille avec une matrice de covariance de régime de crise. Si la volatilité stressée écrase la volatilité normale, votre diversification lâche exactement quand vous en avez besoin.

• La concentration se cache dans les facteurs, pas seulement dans les noms. Dix lignes peuvent être un seul pari. Examinez les expositions factorielles, pas seulement le nombre de positions.

• La gouvernance fait partie du modèle. Une validation indépendante (logique SR 11-7), des outils d'explicabilité comme SHAP et la connaissance de l'AI Act européen transforment une boîte noire en un processus défendable, au niveau d'exigence fiduciaire.