Système intelligent d’optimisation de portefeuille pour de nouvelles prévisions de volatilité utilisant l’apprentissage automatique

Pourquoi investir plus intelligemment compte

Quiconque a vu son épargne monter et descendre avec le marché boursier sait que de grosses pertes peuvent sembler pires que de modestes gains ne font plaisir. Cet article s’attaque à une question importante tant pour les investisseurs particuliers que pour les grandes institutions : peut‑on utiliser l’intelligence artificielle moderne pour construire des portefeuilles qui non seulement croissent dans le temps, mais résistent aussi mieux aux chutes brusques des marchés à travers de nombreux pays ?

De la théorie classique aux machines gourmandes en données

La théorie traditionnelle des portefeuilles, remontant à Harry Markowitz dans les années 1950, apprend aux investisseurs à équilibrer risque et rendement en répartissant leur argent entre différents actifs. Au cours de la dernière décennie, des approches plus complexes fondées sur l’apprentissage profond et l’apprentissage par renforcement ont promis d’extraire des gains supplémentaires des données financières. Pourtant, ces méthodes récentes sont souvent difficiles à interpréter, coûteuses à exécuter et difficiles à fiabiliser sur de nombreux marchés différents. Surtout, la plupart se concentrent sur la prévision des rendements, alors que les gestionnaires de risque professionnels se préoccupent beaucoup des drawdowns — l’ampleur des pires pertes du pic au creux en cours de route.

Regarder la douleur du marché plutôt que seulement le gain

Les auteurs déplacent l’attention de la prévision de rendements à court terme vers la prévision de la gravité des pertes potentielles. Ils étudient 40 marchés boursiers, d’économies développées comme les États‑Unis et l’Allemagne à des marchés émergents tels que le Brésil et l’Afrique du Sud, sur une période de 20 ans de 1999 à 2018. Pour chaque pays et chaque année, ils calculent des mesures de performance ajustée au risque largement utilisées : le ratio de Sharpe (rendement par unité de risque global), le ratio de Sterling (rendement par rapport aux pertes moyennes passées) et le ratio de Calmar, qui relie directement les gains annuels au pire drawdown. Ces ratios sont ensuite groupés en catégories simples « élevée », « moyenne » et « faible » qui indiquent à quel point un marché paraît attractif ou fragile du point de vue risque‑rendement.

Comment le système intelligent fonctionne réellement

Sous le capot, le système proposé combine une préparation minutieuse des données et un modèle structuré d’apprentissage automatique appelé classifieur multi–Support Vector Machine (multi‑SVM). D’abord, l’équipe nettoie et remet en forme deux décennies de données boursières provenant de Bloomberg, en supprimant les entrées erronées, en comblant de courtes lacunes et en normalisant les échelles pour comparer équitablement un petit marché et un grand marché. Ils conçoivent ensuite des caractéristiques résumant le comportement de chaque marché, incluant les valeurs les plus hautes, les plus basses et la moyenne des actions, la volatilité, les rendements annuels et les drawdowns glissants sur trois ans. Ces caractéristiques deviennent les entrées de plusieurs sous‑modèles SVM, chacun spécialisé dans l’un des ratios clés, tous utilisant un noyau non linéaire pour capturer des liens complexes entre risque et rendement. Une étape de fusion combine ensuite les niveaux de confiance des sous‑modèles en un jugement unique pour savoir si une année‑pays donnée appartient à une catégorie de qualité ajustée au risque élevée, moyenne ou faible.

Transformer les prévisions en choix de portefeuille

Pour vérifier si cette intelligence aide réellement les investisseurs, les auteurs réalisent une longue expérience historique de type « et si ». Chaque année, ils imaginent construire un portefeuille global qui surpondère les marchés que leur système classe comme de haute qualité, pondère normalement les marchés moyens et réduit la pondération des marchés de faible qualité. Ils comparent les résultats à trois références bien connues : un modèle de marché simple (CAPM), un portefeuille mondial également pondéré et le populaire modèle à trois facteurs de Fama et French. Sur la période 1999–2018, le portefeuille guidé par le multi‑SVM fournit le rendement cumulé le plus élevé, la plus faible perte maximale et le ratio de Sharpe le plus élevé. Le classifieur place correctement les marchés dans leurs catégories risque‑rendement environ 97,5 % du temps, une nette amélioration par rapport à un SVM unique et à un modèle naïf de Bayes de base.

Ce que cela signifie pour les investisseurs et l’avenir

Pour un non‑spécialiste, la principale conclusion est que les auteurs n’inventent pas un nouveau robot de trading boîte noire ; ils combinent soigneusement des outils établis pour se concentrer sur ce que les investisseurs craignent le plus — des pertes importantes et soutenues. En centrant le modèle sur des mesures liées au drawdown et en conservant une structure relativement transparente, ils proposent une méthode pratique pour orienter les pondérations de portefeuilles globaux, plus facile à expliquer que de nombreux systèmes d’apprentissage profond, tout en restant performante. L’étude suggère que classifier intelligemment les marchés selon leur santé ajustée au risque, plutôt que de poursuivre uniquement les rendements bruts, peut conduire à des portefeuilles qui croissent plus régulièrement et subissent des chocs plus modérés, offrant un parcours plus confortable dans des marchés turbulents.

Citation: Biswas, T., Dey, A., Mandal, G. et al. Intelligent system for portfolio optimization for novel volatility forecasting using machine learning. Sci Rep 16, 14670 (2026). https://doi.org/10.1038/s41598-026-42813-4

Mots-clés: optimisation de portefeuille, volatilité financière, apprentissage automatique en finance, gestion des risques, marchés boursiers mondiaux