Un cadre unifié pour une optimisation rapide de portefeuille à grande échelle

Nous introduisons un cadre unifié pour l'optimisation rapide de portefeuille à grande échelle qui incorpore à la fois des techniques de rétrécissement et de régularisation. Ce cadre aborde plusieurs objectifs, y compris la variance minimale, la moyenne-variance et le ratio de Sharpe maximal, et s'adapte également à diverses contraintes de poids de portefeuille. Pour chaque scénario d'optimisation, nous détaillons la traduction dans le problème de programmation quadratique (PQ) correspondant, puis nous intégrons ces solutions dans une nouvelle bibliothèque Python open-source. En utilisant 50 ans de données de rendement provenant d'entreprises américaines de taille intermédiaire à grande, et 33 caractéristiques spécifiques à chaque entreprise, nous utilisons notre cadre pour évaluer la performance mensuelle d'un portefeuille rééquilibré hors échantillon des estimateurs de matrice de covariance largement adoptés et des modèles de facteurs, en examinant à la fois les rendements quotidiens et mensuels. Ces estimateurs incluent la matrice de covariance par échantillon, les estimateurs de rétrécissement linéaire et non linéaire, et les portefeuilles de facteurs basés sur les arbres de tarification d'actifs (AP), l'analyse en composantes principales (ACP), l'ACP de prime de risque (RP-ACP) et l'ACP instrumentée (IPCA). Nos résultats soulignent que les arbres AP et les modèles de facteurs basés sur l'ACP surperforment systématiquement toutes les autres approches en matière de performance de portefeuille hors échantillon. Enfin, nous développons de nouvelles régularisations l1 et l22 des normes de portefeuille de facteurs qui non seulement élèvent la performance de portefeuille des arbres AP et des modèles de facteurs basés sur l'ACP, mais ont également le potentiel de réduire un turnover excessif et les coûts de transaction souvent associés à ces modèles.