Optimisation globale de portefeuille à variance minimale sous un certain risque de modèle : Une approche robuste basée sur la régression.

Résumé Le portefeuille global de variance minimale calculé à l'aide de la matrice de covariance de l'échantillon est connu pour être affecté négativement par l'incertitude des paramètres, une composante importante du risque de modèle. En utilisant une approche robuste, nous introduisons une règle de portefeuille pour les investisseurs qui souhaitent investir dans le portefeuille global de variance minimale en raison de ses solides antécédents historiques, mais qui recherchent une règle robuste à l'incertitude des paramètres. Notre portefeuille robuste correspond théoriquement au portefeuille de variance minimale globale dans le pire des cas, par rapport à un ensemble d'estimateurs alternatifs plausibles de la matrice de covariance, au voisinage de la matrice de covariance de l'échantillon. Ainsi, il fournit une protection contre les erreurs dans la matrice de covariance de l'échantillon de référence. Les simulations de Monte Carlo illustrent la dominance du portefeuille robuste sur son homologue non robuste, en termes de stabilité du portefeuille, de variance et de rendement ajusté au risque. Empiriquement, nous comparons la performance hors échantillon du portefeuille robuste à diverses règles concurrentes de portefeuille à variance minimale dans la littérature. Nous observons que le portefeuille robuste a souvent une rotation et une variance plus faibles et des ratios de Sharpe plus élevés que les portefeuilles concurrents à variance minimale.