• La méthodologie AILA génère généralement des opportunités d’allocation pour un actif donné, par exemple le contrat à terme WTI Dec25.
• Les opportunités d’allocation reposent sur des signaux qui représentent des prévisions de conditions de marché favorables en termes de couple risque/rendement.
• Les signaux d’opportunité longue ou courte reposent sur la sortie de modèles de classification (ci-après « modèles »), plusieurs signaux d’opportunité issus de modèles différents pouvant être envisagés pour un même actif.
• Se pose alors la question des modèles à utiliser, le meilleur choix étant généralement évalué à l’aune des performances passées et de la covariance.
• Comme pour l’allocation optimale d’un portefeuille, les résultats passés ne reflètent généralement les attentes futures qu’avec de grandes incertitudes.
• Dans cet exercice, nous comparons donc quelques méthodes simples de combinaison de signaux multimodèles dans le cadre de l’approche AILA.
• Cette étude a utilisé 10 modèles différents, représentatifs d’un éventail de types et de degrés de complexité de modèles.

• Chaque modèle se voit attribuer un ratio de Sharpe (SR) reflétant sa performance attendue, par exemple le modèle m1 systématiquement meilleur que m2.
• Toute estimation de SR est très incertaine et ne doit donc pas être prise pour argent comptant.
• Un portefeuille de SR optimal suggère généralement d’allouer proportionnellement à la performance future attendue [par exemple Markowitz] ; cependant, en présence d’une forte incertitude, une surallocation a un effet défavorable [par exemple Thorp].
• Utiliser le rang plutôt que le SR estimé est donc un choix courant, qui offre une certaine régularisation.
  • Fonction monotone croissante de la performance attendue.
  • Garantit des valeurs positives, y compris en cas de « fluctuations » négatives.
  • Réduit (accroît) l’effet des écarts importants (faibles).
• => Les pondérations par rang constituent une approche de référence simple.
• => Elles suivent l’idée d’accroître le poids des modèles dont la performance attendue est plus élevée, tout en tenant compte de la forte incertitude.

Configuration du portefeuille :

• Portefeuille diversifié de matières premières, qui ne change que sur l’aspect pertinent pour la comparaison considérée.
• Il couvre 25 marchés de contrats à terme sur matières premières, avec de 2 à 12 contrats par marché.
• Le SR est calculé au niveau des signaux pour permettre une comparaison directe, c’est-à-dire hors logique de portefeuille et d’exécution et hors coûts.

Résultats :

• Pour ce portefeuille diversifié, les écarts entre l’utilisation de SR par rang et de SR réduits (shrunk), ainsi qu’entre la prise en compte ou non des corrélations, sont faibles.
• La méthode simple par rang a affiché un SR légèrement supérieur dans l’ensemble des comparaisons, y compris pour certaines variantes du portefeuille, avec un écart de SR d’environ 0.28.
• La prise en compte du facteur de corrélation a fait apparaître un écart d’environ 0.06, sans bénéfice supplémentaire dans la plupart des cas.
• => Seuls de faibles écarts, peu significatifs statistiquement, ont été observés entre les scénarios comparés.

• Le processus de modélisation d’AILA admet différents types de modèles, mais aussi une modélisation individuelle des différents contrats, qui peuvent par exemple être exposés à des facteurs saisonniers différents.
• La comparaison a donc été étendue à des pondérations différentes (par rang) à la fois entre types de modèles et entre contrats, les contrats étant modélisés individuellement.
• Là encore, les résultats ont montré un faible écart, avec une baisse du SR de 0.16 observée avec des contrats pondérés par rapport à des pondérations égales des contrats.
• Aucun bénéfice n’apparaît à pondérer différemment des contrats modélisés individuellement selon la même approche par rang que pour les types de modèles.

• Les opportunités d’allocation AILA reposent sur des modèles qui signalent des conditions favorables à une position longue ou courte.
• Plusieurs modèles peuvent être utilisés pour un même actif ; dans cette analyse, nous comparons quelques méthodes de combinaison de modèles fondées sur des estimations de leur performance attendue et de la corrélation de leurs performances.
• Compte tenu de la forte incertitude qui entoure l’estimation de la performance attendue, nous comparons une approche fondée sur des SR par rang à une approche fondée sur des SR réduits (shrunk), toutes deux simples et, dans une certaine mesure, régularisées.
• Pour la même raison, nous comparons des résultats utilisant un facteur de corrélation entre modèles, qui vise uniquement à traiter le chevauchement des performances dans une optique de diversification, et ignore donc la possibilité de créer des spreads relatifs entre modèles.
• Les résultats montrent que ces variantes de méthode n’ont qu’un effet mineur sur les résultats du portefeuille AILA.
• Les faibles écarts observés ne sont pas jugés significatifs ; ils suggèrent toutefois que l’approche par rang tend à être meilleure que l’approche par réduction (shrinkage), et que la prise en compte de la corrélation entre modèles n’apporte aucun bénéfice pour ce type de portefeuille diversifié.
• L’approche AILA permet de modéliser individuellement les différents contrats d’un même marché, et la même approche (par rang) a été appliquée pour pondérer différemment les contrats, avec cependant un effet tout aussi minime sur les résultats du portefeuille.