Hierarchical Risk Parity (HRP) est un cadre avancé d'optimisation de portefeuille d'investissement développé en 2016 par Marcos López de Prado. Il s'agit d'une alternative basée sur les graphes probabilistes au cadre dominant d'optimisation moyenne-variance (MVO) introduit par Harry Markowitz. Les algorithmes HRP appliquent des techniques de mathématiques discrètes et d'apprentissage automatique pour créer des portefeuilles d'investissement diversifiés et robustes qui surpassent les méthodes MVO hors échantillon. Le cadre vise à répondre aux limitations des méthodes traditionnelles de construction de portefeuille, notamment lorsqu'il s'agit d'actifs fortement corrélés. Depuis sa publication, HRP a été implémenté dans de nombreuses bibliothèques open-source et a reçu de multiples extensions.
Caractéristiques clés
Les portefeuilles HRP ont été proposés comme une alternative robuste aux méthodes traditionnelles d'optimisation quadratique, y compris l'algorithme de la ligne critique (CLA) de Markowitz. HRP aborde trois problèmes centraux couramment associés aux optimiseurs quadratiques : l'instabilité numérique, la concentration excessive dans un petit nombre d'actifs, et une performance hors échantillon médiocre.
HRP exploite des techniques de théorie des graphes et d'apprentissage automatique pour construire des portefeuilles diversifiés en utilisant uniquement les informations contenues dans la matrice de covariance. Contrairement aux méthodes de programmation quadratique, HRP ne nécessite pas que la matrice de covariance soit inversible. Par conséquent, HRP reste applicable même dans les cas où la matrice de covariance est mal conditionnée ou singulière, conditions sous lesquelles les optimiseurs standards échouent.
Des simulations de Monte Carlo indiquent que HRP atteint une variance hors échantillon plus faible que CLA, malgré le fait que la minimisation de la variance soit l'objectif d'optimisation explicite de CLA. De plus, les portefeuilles HRP présentent un risque réalisé plus faible par rapport à ceux générés par les méthodologies de parité de risque traditionnelles. Des backtests empiriques ont démontré que HRP aurait historiquement surpassé les techniques conventionnelles de construction de portefeuille.
Les algorithmes au sein du cadre HRP se caractérisent par les éléments suivants :
- Approche d'apprentissage automatique : HRP emploie le clustering hiérarchique, une technique d'apprentissage automatique, pour regrouper des actifs similaires en fonction de leurs corrélations. Cela permet à l'algorithme d'identifier la structure hiérarchique sous-jacente du portefeuille et d'éviter que les erreurs se propagent à travers tout le réseau.
- Allocation basée sur le risque : L'algorithme alloue le capital en fonction du risque, garantissant que les actifs ne concurrencent que des actifs similaires pour leur représentation dans le portefeuille. Cette approche conduit à une meilleure diversification à travers différentes sources de risque tout en évitant l'instabilité associée aux estimations de rendements bruitées.
- Gestion de la matrice de covariance : Contrairement aux méthodes traditionnelles comme l'optimisation moyenne-variance, HRP ne nécessite pas l'inversion de la matrice de covariance. Cela le rend plus stable et applicable aux portefeuilles avec un grand nombre d'actifs, en particulier lorsque le nombre de conditionnement de la matrice de covariance est élevé.
Le problème : la malédiction de Markowitz
La construction de portefeuille est peut-être le problème financier le plus récurrent. Chaque jour, les gestionnaires d'investissement doivent construire des portefeuilles qui intègrent leurs vues et prévisions sur les risques et les rendements. Malgré l'élégance théorique du cadre moyenne-variance de Markowitz, sa mise en œuvre pratique est entravée par plusieurs limitations qui sapent la fiabilité des solutions dérivées de l'algorithme de la ligne critique. Une préoccupation principale est la sensibilité élevée des portefeuilles optimaux aux petites perturbations des rendements attendus : même des erreurs de prévision mineures peuvent entraîner des allocations significativement différentes. Compte tenu de la difficulté inhérente à produire des prévisions de rendements précises, de nombreux chercheurs ont plaidé en faveur d'approches qui abandonnent entièrement les rendements attendus et s'appuient uniquement sur la structure de covariance des rendements des actifs. Cela a donné naissance à des méthodes d'allocation basées sur le risque, parmi lesquelles la parité de risque est un exemple largement cité.
Bien que l'élimination des prévisions de rendements atténue une partie de l'instabilité, elle ne l'élimine pas. Les techniques de programmation quadratique employées dans l'optimisation de portefeuille nécessitent l'inversion d'une matrice de covariance définie positive, ce qui signifie que toutes les valeurs propres doivent être strictement positives. Lorsque la matrice est numériquement mal conditionnée, c'est-à-dire lorsque le rapport entre sa plus grande et sa plus petite valeur propre (son nombre de conditionnement) est élevé, l'inversion matricielle devient peu fiable et sujette à des erreurs numériques significatives.
Le nombre de conditionnement d'une matrice de covariance, de corrélation, ou de toute matrice symétrique (et donc diagonalisable) est défini comme la valeur absolue du rapport entre ses valeurs propres les plus grandes et les plus petites en module. Une matrice de corrélation diagonale, qui est égale à sa propre inverse, présente le nombre de conditionnement minimal possible.
À mesure que le nombre d'actifs corrélés (ou multicollinéaires) dans un portefeuille augmente, le nombre de conditionnement augmente également. À des niveaux élevés, cela conduit à une instabilité numérique sévère, où de légères modifications de toute entrée de la matrice peuvent entraîner des inverses radicalement différentes. Ce phénomène, souvent appelé la malédiction de Markowitz, encapsule le paradoxe selon lequel une corrélation accrue entre les actifs accroît le besoin théorique de diversification tout en augmentant simultanément la probabilité de résultats d'optimisation instables. Par conséquent, les avantages potentiels de la diversification sont fréquemment éclipsés par les erreurs d'estimation.
Ces problèmes sont exacerbés à mesure que la dimensionnalité de la matrice de covariance augmente. L'estimation de chaque terme de covariance consomme des degrés de liberté, et en général, un minimum de 1/2 N(N+1) observations indépendantes et identiquement distribuées (IID) est nécessaire pour estimer une matrice de covariance non singulière de dimension N. Par exemple, construire une matrice de covariance inversible de dimension 50 nécessite au moins cinq ans d'observations IID quotidiennes. Cependant, des preuves empiriques suggèrent que la structure de corrélation des actifs financiers est hautement instable sur de telles périodes prolongées. Ces difficultés sont mises en évidence par l'observation que même des stratégies d'allocation naïves, telles que les portefeuilles équipondérés, ont fréquemment surpassé les optimisations moyenne-variance et basées sur le risque dans les tests hors échantillon.
La solution : Hierarchical Risk Parity
L'algorithme HRP aborde la malédiction de Markowitz en trois étapes :
- Clustering hiérarchique : Les actifs sont regroupés en clusters en fonction de leurs corrélations, formant une structure d'arbre hiérarchique.
- Quasi-diagonalisation : La matrice de corrélation est réorganisée pour placer les actifs similaires ensemble le long de la diagonale, exploitant la structure en blocs de l'arbre clusterisé.
- Bisection récursive : Le capital est alloué récursivement le long de l'arbre, divisant les poids de manière inversement proportionnelle à la variance de chaque cluster, garantissant que le risque est distribué à travers les clusters et les actifs.
Ce processus en trois étapes permet à HRP de contourner le besoin d'inversion matricielle et d'exploiter la structure hiérarchique des corrélations des actifs, conduisant à des portefeuilles plus stables et diversifiés.
Extensions et implémentations
Depuis son introduction, HRP a été implémenté dans de nombreuses bibliothèques open-source, le rendant accessible aux praticiens et aux chercheurs. Ces implémentations incluent souvent des variations et extensions, telles que l'incorporation de différents algorithmes de clustering, la gestion de données manquantes, ou l'intégration avec d'autres techniques de gestion des risques. Le cadre a également été étendu pour aborder le rééquilibrage dynamique de portefeuille et pour incorporer des mesures de risque alternatives au-delà de la variance.
La polyvalence de HRP en a fait un choix populaire en finance quantitative, en particulier pour les portefeuilles avec un grand nombre d'actifs où les optimiseurs traditionnels peinent. Son recours à l'apprentissage automatique et à la théorie des graphes s'aligne avec les tendances plus larges de l'intelligence artificielle et du apprentissage automatique dans les applications financières.
Réception et impact
HRP a été bien accueilli dans la communauté financière comme une solution pratique aux limitations du cadre de Markowitz. Son accent sur la robustesse et la performance hors échantillon a trouvé un écho chez les praticiens confrontés à des contraintes réelles telles que l'erreur d'estimation et l'instabilité du marché. La capacité du cadre à gérer des matrices de covariance mal conditionnées a été particulièrement appréciée dans les contextes de haute dimensionnalité, où les méthodes traditionnelles échouent souvent.
Bien que HRP ne soit pas sans critiques, qui soulignent son recours aux corrélations historiques et le potentiel de surajustement dans le clustering, il s'est néanmoins établi comme une contribution significative à l'optimisation de portefeuille. Son développement reflète un changement plus large vers l'incorporation de techniques computationnelles et d'apprentissage automatique en finance, une tendance qui continue d'évoluer avec les avancées dans le apprentissage profond et la IA générative.
À l'état actuel des connaissances, HRP reste un domaine de recherche actif, avec des travaux en cours explorant ses fondements théoriques et ses raffinements pratiques. Son impact est évident dans la prolifération d'outils open-source et dans le corpus croissant de littérature qui s'appuie sur ses principes.