Frontière Efficiente - l’approche de Black Litterman

Daniel Herlemont

Table des matières

1 Objectifs et motivations 2

2 Les données 3

3 Frontière efficiente et sensibilité aux rendements 3

4 Sensibilité aux rendements 4

5 Utilisation des rendements historiques 5

6 Optimisation avec contraintes 6

7 Pondérations d’équilibre 6
7.1 A partir des capitalisations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
7.2 Prime de risque du marché . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
7.3 A partir des betas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

8 L’approche de Black Litterman 8

9 Spécification des vues 10

10 Calibrations 13

11 Annexe 14
11.1 Caculs des solutions pour Black Litterman . . . . . . . . . . . . . . . . . . . 14
11.2 Produit de variables aléatoires gaussiennes . . . . . . . . . . . . . . . . . . . 16

12 References 17

1
 1 OBJECTIFS ET MOTIVATIONS

1 Objectifs et motivations
L’approche traditionnelle d’optimisation de la frontière efficiente a de nombreux in-
convénients. Elle nécessite l’utilisation de rendements espérés qui, comme on l’a vu précédemment,
sont difficiles à estimer. Comme nous le verrons, l’optimisation naı̈ve consistant à utiliser
les rendements historiques conduit à des pondérations extrêmes. D’autre part, on pourra
constater que les pondérations obtenues sont très sensibles aux variations des rendements.
Enfin, l’approche traditionnelle ne tient pas compte des incertitudes (erreurs d’estimations
par exemple).
L’approche de Black Litterman (BL) [1] est un moyen élégant et intuitif pour pallier les in-
convénients de l’approche traditionnelle. L’approche BL permet de combiner les pondérations
issues de l’équilibre du marché du CAPM avec les ”vues” du gérant (du type tel secteur va
surperformer tel autre secteur).
Nous procéderons par étapes, résumées sur la figure ci après :

L’objectif de ce TP est donc :

– mettre en évidence les inconvénients de l’approche naı̂ve
– retrouver les rendements implicites et pondérations issues du CAPM.
– mettre en oeuvre l’approche de Black Litterman pour intégrer des ”vues”

Daniel Herlemont 2
 3 FRONTIÈRE EFFICIENTE ET SENSIBILITÉ AUX RENDEMENTS

– montrer que les pondérations obtenues sont plus robustes et pertinentes.

Enfin, nous étudierons les sensibilités à différents paramètres du modèle (notamment les
notions de ”confiances” dans l’equilibre du marché ainsi que dans les ”vues”).

2 Les données
Les données sont celles décrites dans le cours, reprenant les exemples de Zimmerman
2002 [6], chapitre 10.
Les données correspondent aux 18 indices européens sectoriels des indices du STOXX
(http://www.stoxx.com)
Télécharger ces données à l’adresse : efficient-frontier-black-litterman-data-tp-fr.xls
Construire :
– la matrice de covariance Σ
– l’inverse de la matrice de covariance Σ−1

3 Frontière efficiente et sensibilité aux rendements

Le portefeuille optimal est obtenu en recherchant la solution d’un problème d’optimisation
quadratique (voir cours) :
1
max wT Π − γwT Σw (1)
w 2
avec w les pondérations, Σ la matrice de covariance, γ l’aversion au risque et Π le vecteur
des rendements espérés.
Sans contrainte sur les pondérations (ventes à découvert et emprunts autorisés), cette
optimisation conduit à la solution suivante (voir cours) :
1 −1
w∗ = Σ Π (2)
γ
Notes :
P
– w0 = wi représente la proportion investie dans l’actif sans risque. Il y a emprunt
lorsque w0 < 0.
– Π représente le vecteur des rendements en excès du rendement sans risque. Les ren-
dements sont Π0 = Π + rf ree . Le programme d’optisation peut s’écrire de manière
équivalente :
1
maxw wT Π0 + w0 rf ree − γwT Σw
2

Daniel Herlemont 3
 4 SENSIBILITÉ AUX RENDEMENTS

avec w0 = 1 − i=1,n wi . Dans la suite les rendements sont des rendements en excès
P

Π0 − rf ree .
Dans un premier temps, on considère des rendements espérés tous égaux, Πi = 0.13 pour
tout i = 1, 18 On prendra γ = 3, comme étant l’aversion au risque standard.
Calculer les pondérations du portefeuille optimal. On représentera ces pondérations sous
la forme suivante :

Montrer que cette optimisation tend à produire des pondérations extrêmes avec des
pondérations négatives (positions de ventes à découvert). Ces pondérations sont difficiles
à justifier ....
On notera que les secteurs ayant les rendements les plus élevés ne sont pas nécessairement
sur pondérés dans le portefeuille. Inversement, d’autres secteurs sont bien représentés alors
que les rendements espérés ne sont pas les plus élevés :
– identifier ces valeurs
– expliquer à l’aide de la matrice de corrélation.

4 Sensibilité aux rendements

Etudier l’impact des modifications des rendements. Par exemple, on représentera le por-
tefeuille optimal pour un accroissement des rendements espérés de +5% pour les secteurs
BANK, CNYL, MEDA.
Superposer avec les pondérations précédentes :

Daniel Herlemont 4
 5 UTILISATION DES RENDEMENTS HISTORIQUES

Commenter les résultats.

5 Utilisation des rendements historiques

Montrer que l’utilisation des rendements historiques tend à produire des pondérations
encore plus extrêmes que dans le cas de rendements égaux ...

Commenter.

Daniel Herlemont 5
 7 PONDÉRATIONS D’ÉQUILIBRE

6 Optimisation avec contraintes

L’optimisation conduit à accentuer les erreurs d’estimations, à sur-pondérer (sous pondérer)
les actifs avec des rendements espérés élevés (resp. faibles), des corrélations négatives (resp.
positives) et de faibles variances (resp. élevées). Intuitivement, les actifs avec des rendements
extrêmes sont les plus sujets à erreurs d’estimation.
Un premier remède peut consister à ajouter des contraintes, par exemple ne pas autoriser
les ventes à découvert ni les emprunts (levier).
Ce qui se traduit par le problème suivant :
1
max wT Π − γwT Σw
w 2
wi ≥ 0 pour i = 1, n pas de vente à découvert
X
wi ≤ 1 pas d’emprunt

Résoudre ce problème à l’aide du solver excel.

Montrez que le portefeuille qui en résulte n’est pas bien diversifié, conduisant à ignorer
certains actifs.

7 Pondérations d’équilibre
Les différentes méthodes vues précédemment conduisent à des pondérations improbables.
Les pondérations qui en résulte sont très éloignées des pondérations d’équilibre.

Daniel Herlemont 6
 7 PONDÉRATIONS D’ÉQUILIBRE

7.1 A partir des capitalisations

Le CAPM nous enseigne que l’équilibre de marché, résultat de l’offre et de la demande,
conduit à un portefeuille de marché dont les pondérations sont proportionnelles aux capi-
talisations. Connaissant les capitalisations, c’est à dire les poids wcap dans l’indice (fournies
dans le données), on peut inverser la relation 2 pour retrouver les rendements implicites Π
d’équilibre :
Π = γΣwcap
Les pondérations sont indiquées dans le fichier de données (colonnes capitalisations) :

Calculer les rendements d’équilibre, en utilisant les données fournies dans le fichier dans
la colonne ”capitalisation”. On prendra γ = 3.
Comparer avec les rendements historiques.
Commenter ...

On voit que même si les rendements implicites d’équilibre semblent ”relativement proches”
des rendements historiques, les pondérations sont totalement différentes.

Daniel Herlemont 7
 8 L’APPROCHE DE BLACK LITTERMAN

7.2 Prime de risque du marché

2 T
Calculer la volatilité du marché σM , en utilisant σM = wcap Σwcap .
Dans le cas du portefeuille de marché, de rendement RM et volatilité σM , on a la relation
RM − rf ree
γ= 2
(3)
σM

avec γ l’aversion au risque.

Calculer la prime de risque correspondante RM − rf ree en utilisant la relation précédente.

7.3 A partir des betas

Une autre façon pour obtenir les rendements d’équilibre consiste à utiliser le modèle du
CAPM :
ri − rf = βi (rM − rf )
avec
cov(ri , rM )
βi =
σM
Déterminer les rendements d’équilibre en excès Πi,equil = ri − rf à partir des betas fournis
dans le fichier des données. Retrouver les pondérations correspondantes en appliquant la
relation 2.
Commentaires ?
Comparer avec les relations d’équilibre issus des pondérations. On pourra aussi déterminer
le betas implicites les betas implicites à partir des rendements d’équilibre issus des capitali-
sations par
Πi,cap
βi,cap =
rM − rf

8 L’approche de Black Litterman

On notera E(R) les rendements espérés. Ces rendements espérés sont inconnus, ils vont
intégrer à la fois des vues du gérant ainsi que les relations d’équilibre Π tels que définis
dans la section précédente, déterminés à partir des pondérations de capitalisation. Ces ren-
dements d’équilibre ont des fondements solides qui ne peuvent pas être ignorés. On s’autorise
néanmoins à des écarts en fonction des vues du gérant, mais ces écarts devront être faibles.
On suppose que les rendements espérés sont distribués autour des rendements implicites

Daniel Herlemont 8
 8 L’APPROCHE DE BLACK LITTERMAN

d’équilibre avec une matrice de covariance proportionnelle à la matrice de covariance ini-

tiale. Le facteur de proportionnalité est τ qui sera plus ou moins faible en fonction des
niveaux de confiance dans le marché, plus τ et plus la confiance dans le marché sera grande.
Dans le cas ou on ne dispose pas de vue particulière, τ = 0, les rendements espérés seront
égaux à Π. Dans le cas de vues, il faut combiner ces vues avec l’équilibre (Π et wcap ) de
manière optimale, c’est tout l’objet, la difficulté de l’approche de Black Litterman.
On peut spécifier les vues de différentes manières :
– en relatif, du type ”le secteur A va surperformer le secteur B de 5%”,
– ou de manière absolue : ”le secteur C a un rendement espéré de 10%”.
Pour le moment, supposons que nous pouvons préciser ces vues sous la forme matricielle
suivante :
P.E(R) = V + 
avec P une matrice k lignes et n colonnes, avec k le nombre de vues et n le nombre d’actifs,
 un terme d’incertitude sur la vue, traduisant la confiance dans la vue. P.E(R) est supposé
normalement distribué de moyenne V et matrice de covariance Ω correspondant au terme
d’incertitude .
P.E(R) ∼ N (V, Ω)
Dans le cas de vues certaines, P.E(R) = V (Ω = 0). On montre que l’espérance de E(R)
est : (voir annexe 11)
¯ = Π + (Σ)P T (P ΣP T )−1 (V − P Π)
E(R)

On voit donc que même dans le cas de vues certaines, l’espérance du rendement E(R) ¯
ne sera pas nécessairement égale à la vue, mais aux rendements d’équilibre plus un terme
correcteur. On notera que la solution ne dépend pas de τ .
Pour un nombre de vues k < n, on voit aussi qu’une confiance certaine dans les vues ne
conduit pas nécessairement à ignorer les rendements d’équilibre. Il en va différemment pour
k = n, dans ce cas, les rendements d’équilibre sont ignorés en faveur des vues.
Dans le cas de vues incertaines P.E(R) ∼ N (V, Ω), l’espérance de E(R) est (voir annexe
11)
¯ = (τ Σ)−1 + P T Ω−1 P −1 (τ Σ)−1 Π + P T Ω−1 V
h i h i
E(R)
Sous une complexité apparente, cette formule (connue sous le nom de ”Master Formula”)
s’interprète facilement. L’espérance des rendements E(R) apparaı̂t comme une ”moyenne”
pondérée :
– des rendements Π avec un ”coefficient” de pondération (τ Σ)−1 , qui sera d’autant plus
fort que τ et Σ seront faibles.

Daniel Herlemont 9
 9 SPÉCIFICATION DES VUES

– des vues V avec un ”coefficient” de pondération P T Ω−1 qui sera d’autant plus fort que
l’incertitude sur la vue Ω sera faible.
Lorsque le gérant est moins confiant dans ses vues l’epérance du rendement sera plus
proche des rendements d’équilibre (Π).
L’espérance des rendements apparaı̂t donc comme un ”compromis” (mais optimal) entre
l’équilibre de marché et les vues.
Le cas d’un seul actif :
– π le rendement d’équilibre, σ 2 la variance,
– E(r) ∼ N (v, ω 2 )
la relation précédente devient :
Π v
¯ = τ σ2 + ω2
E(R) (4)
1
τ σ2
+ ω12
Clairement, l’espérance du rendement est bien une ”moyenne” entre le rendement d’équilibre
et la vue.

9 Spécification des vues

Considérons par exemple, la vue suivante : ”Les secteurs de la Pharmacie et des valeurs
Industrielles va sur performer les Telecom et les Technologies par 3%, à ±1% avec une
confiance 90%. Cette vue s’exprime de la manière suivante :

[wP HRM E(RP HRM )+wIN DU E(RIN DU )]−[wT ELE E(RT ELE )+wT ECH E(RT ECH )] ∼ N (3%, 0.612 )

La performance relative de 3% ±1% avec une confiance 90% est interprété comme un variable
aléatoire normalement distribuée de moyenne 3% et variance telle que 90% se trouve entre
2% = 3 − 1 et 4% = 3 + 1, autrement dit tel que 1.644854σ = 1%, soit σ = 0.61%

Daniel Herlemont 10
 9 SPÉCIFICATION DES VUES

Une vue absolue peut être formulée de la manière suivante : ”le secteur des biens non
cycliques sera de 7.5% ±1.5% (à 90% de confiance)”.
Se traduisant par :
1.E(RCN Y L ) ∼ N (7.5%, 0.91%2 )
De la même façon que précédemment, σ = 0.91 correspond à l’écart type normal, tel que
1.5 = 1.645 ∗ σ.
On peut combiner ces deux vues sous une forme matricielle, à savoir que la matrice P de
2 lignes (nombre de vues) et 18 (nombre d’actifs) colonnes
!
0 0 0 0 0 0 0 0 0 0 0.34 0 0 0.66 0 −0.51 −0.49 0
P =
0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

 
E(RAU T O )

P.  .. 
 ∼ N (V, Ω)

. 
E(RU T LY )
avec !
3%
V =
7.5%
et !
0.61%2 0
Ω=
0 0.91%2

Daniel Herlemont 11
 9 SPÉCIFICATION DES VUES

Noter que les éléments non diagonaux sont nuls. Autrement dit, on considère que les vues
sont indépendantes entre elles.
A réaliser sous excel, en utilisant les données précédentes (voir fichier xls) :
– Calculer l’espérance de E(R). Commenter les résultats obtenus.
– A l’aide de ces nouveaux rendements appliquer 2 pour trouver les nouvelles pondérations
optimales. Les pondérations optimales sont obtenues en effectuant une optimisation
espérance/variance
1 ¯
wBL = Σ−1 E(R)
γ
solution du problème 2 avec E(R)
– Commenter les résultats obtenus.
Pour les calculs pratiques, on prendra τ = 0.3.
Résultats attendus :

Daniel Herlemont 12
 10 CALIBRATIONS

Commenter ces résultats :

Etudier la sensibilité des résultats en fonction de τ
par exemple pour τ = 0.0001

10 Calibrations
La calibration consiste à retrouver les valeurs de paramètres du modèle à partir des
données du marché. Ainsi, le paramètre d’aversion au risque γ est lié à la prime de risque
par la relation 3.
Le paramètre τ qui intervient dans la formule de BL peut être calibré de plusieurs
manières (cf. Idzorek [3]). Une première méthode consiste à rechercher un compromis entre
la confiance totale représentée par la variance totale trace(Ω) et un terme d’incertitude sur
les vues liées au marché τ 1Tk P ΣP T 1k , avec 1k le vecteur de dimension k contenant des 1 :

trace(Ω)
τ= (5)
1Tk P ΣP T 1k

En appliquant la relation précedente dans le cas d’un seul actif, (voir ci dessus 4), on
obtient :
∗ ω2
τ = 2
σ
et
¯ = 1 (π + v)
E(R)
2
montrant que le choix de τ ∗ conduit à un rendement moyen entre le rendement d’équilibre
et la vue.

Daniel Herlemont 13
 11 ANNEXE

Une autre façon pour calibrer τ consiste à examiner les performances attendues. L’”Information
Ratio” anticipé (ex ante) doit rester ”raisonnable”. Ce ”ratio d’information” (cf Grinold [2]),
est égal au rendement en excès divisé par l’écart type des rendements en excès, plus connu
sous le nom d’erreur de tracking (voir ci après pour le calcul détaillé de l’erreur de tracking).
Un ratio d’information réaliste ne peut dépasser 2 : des rendements anticipés qui s’écartent
de plus de 2 écart type des rendements d’équilibre sont très improbables. Si le ratio d’infor-
mation est supérieur à 2, il suffit de diminuer τ jusqu’à obtenir un ratio d’information égal
à 2.
Calculer τ en utilisant la relation 5
Calculer le portefeuille qui en résulte :
– les rendements E(R) en appliquant Black Litterman
– les pondérations w qui en résulte en recherchant le portefeuille solution du problème
d’optimisation 2.
– les pondérations relatives wE :
wE = w − wcap
avec wcap le vecteur des pondérations d’équilibre (capitalisations)
– le rendement en excès
µE = wET E(R)
– l’erreur de tracking :
σE2 = wET ΣwE
– le ratio d’information
µE
I=
σE
– ajuster τ si le ratio d’information est supérieur à 2.

11 Annexe
11.1 Caculs des solutions pour Black Litterman
Nous recherchons la distribution conditionnelle des vues E(R) sachant les relations d’équilibre
Π.
Par application du théorème de bayeses, on sait que

P (vue|equilibre) = P (equilibre|vue)P (vue)/P (equilibre) ∝ P (equilibre|vue)P (vue)

ou
P (E(R)|Π) ∝ P (Π|E(R))P (E(R))

Daniel Herlemont 14
 11 ANNEXE

La distribution conditionnelle de P (Π|E(R)) est gaussienne

P (Π|E(R)) ∼ N (Π, τ Σ)

la distribution non conditionnelle de P.E(R) est également gaussienne,

P.P (E(R)) ∼ N (V, Ω)

le produit P (E(R)|Π) est aussi gaussien.

La distribution non conditionnelle de E(R) n’est connue qu’indirectement via l’expression
des vues P.E(R). Plusieurs solutions peuvent exister. On cherchera alors à maximiser le
maximum de vraisemblance de la distribution gaussienne résultante.
Dans le cas de vues certaines, on doit résoudre le problème suivant :

min[E − Π]T (τ Σ)−1 [E − Π]

E

sous la contrainte P.E = V .

Le lagrangien est :

L = [E − Π]T (τ Σ)−1 [E − Π] − λ(P.E − V )

On obtient

Dans le cas de vues incertaines, les rendements d’équilibre E sont solutions du programme
d’optimisation qui consiste à minimiser :

min[E − Π]T (τ Σ)−1 [E − Π] + [P.E − V ]T Ω−1 [P.E − V ]

E

La solution s’obtient par simple dérivation de l’expression précédente :

h i−1 h i
E = (τ Σ)−1 + P T Ω−1 P (τ Σ)−1 Π + P T Ω−1 V

les rendements d’équilibre a posteriori sont normalement distribués : de moyenne E et

matrice de covariance :
 h i−1 
−1 T −1
E(R)|Π ∼ N E, (τ Σ) +P Ω P

Daniel Herlemont 15
 11 ANNEXE

11.2 Produit de variables aléatoires gaussiennes

une distribution gaussienne multivariée de moyenne µ et matrice de covariance Σ définie
positive de dimension d, a pour densité :
1 1
 
p(x) = q exp − (x − µ)T Σ−1 (x − µ)
(2π)d |Σ| 2

Le produit de deux gaussiennes multivariées est également une gaussienne multivariés

N (µa , Σa ).N (µb , Σb ) ∼ N (µc , Σc )

avec
−1 −1 −1
Σc = (Σ−1
a + Σb ) et µc = Σc (Σ−1
a µa + Σb µb )

S’applique par exemple dans le cas d’inférence bayesienne lorsque les distribution à priori
p(θ) et la vraisemblance p(data|θ) sont gaussiennes, la distribution a posteriori est également
gaussienne :
p(θ|data) ∼ p(data|θ)p(θ)
Ce résultat peut être généralisé à un produit de gaussiennes multivariées Xk ∼ N (µk , Σk ) :
Y
N (µk , Σk ) ∼ N (µ, Σ)
k=1,K

avec !−1
K
Σ−1
X
Σ= k
k=1
et
K
!
Σ−1
X
µ=Σ k µk
k=1

Daniel Herlemont 16
12 References

[1] BLACK, F & LITTERMAN, R. ”Global Portfolio Optimization”. Sep 1992.

[2] GRINOLD, R. C & KAHN, R. N. ”Active Portfolio Management” . McGraw-Hill,
1999.
[3] IDZOREK, T. M. ”A step-by-step guide to the Black-Litterman model” , 2002. ...

[4] JORION, P. ”Portfolio Optimization with Tracking-Error Constraints” . Financial

Analyst Journal - AIMR, 59, Sep/Oct 2003. ...
[5] LUENBERGER, D. ”Investment Science” . Oxford University Press,New York,
1998.
[6] ZIMMERMANN, H. & DROBETZ, W. & OERTMANN, P. ”Global Asset Alloca-
tion : New methods and applications”. Wiley, Nov 2002.

Daniel Herlemont 17