Améliorer la performance globale des portefeuilles en utilisant une estimation propre et robuste de la matrice de covariance.

Résumé Cet article présente comment les améliorations les plus récentes apportées à l'estimation de la matrice de covariance et à la sélection de l'ordre des modèles peuvent être appliquées au problème d'optimisation de portefeuille. Le cas particulier du Portefeuille à Variété Maximale est traité mais les mêmes améliorations s'appliquent également à d'autres problèmes d'optimisation tels que le Portefeuille à Variance Minimale. Nous supposons que les informations les plus importantes (ou les facteurs latents) sont incorporées dans un bruit elliptique symétrique corrélé qui étend les hypothèses gaussiennes classiques. Nous proposons ici de nous concentrer sur une méthode récente de sélection de l'ordre des modèles permettant d'estimer efficacement le sous-espace des principaux facteurs décrivant le marché. Ce problème de sélection d'ordre de modèle non standard est résolu par la théorie des matrices aléatoires et l'estimation robuste de la matrice de covariance. De plus, nous étendons la méthode aux retours d'actifs non-homogènes. La procédure proposée sera expliquée à l'aide de données synthétiques et sera appliquée et comparée aux techniques standard sur des données de marché réelles, montrant des améliorations prometteuses.