Comment la diversification réduit le risque : les équations des portefeuilles plus intelligents • Investing.ad

La diversification n’est pas un slogan. C’est de l’algèbre.

Le risque, tel que l’entendent les gens des maths : variance et écart-type

Quand les investisseurs disent « risque », ils veulent souvent dire incertitude des rendements. Dans les modèles de décision, la façon classique de quantifier cette incertitude est la variance (ou sa racine carrée, l’écart-type).

Soit le rendement d’un actif unique sur une période représenté par une variable aléatoire (R). Son espérance est :

[ \mu = \mathbb{E}[R] ]

Sa variance est :

[ \sigma^2 = \mathbb{E}\left[(R-\mu)^2\right] ]

L’écart-type est :

[ \sigma = \sqrt{\sigma^2} ]

La variance est pratique car elle s’additionne d’une manière qui met en évidence l’ingrédient clé derrière la diversification : la covariance. L’écart‑type est plus intuitif (il est en « unités de rendement »), mais la covariance se comporte proprement dans les équations.

Le rendement du portefeuille est une somme pondérée — sa variance ne l’est pas

Un portefeuille de (n) actifs attribue des pondérations (w_1,\dots,w_n) (souvent sommant à 1). Le rendement du portefeuille :

[ R_p = \sum_{i=1}^{n} w_i R_i ]

L’espérance est linéaire :

[ \mathbb{E}[R_p] = \sum_{i=1}^{n} w_i \mathbb{E}[R_i] ]

Cette partie est simple : la diversification ne change pas magiquement l’espérance pondérée.

Mais la variance est l’endroit où l’effet réel apparaît :

[ \mathrm{Var}(R_p) = \mathrm{Var}\left(\sum_{i=1}^{n} w_i R_i\right) ]

En développant on obtient :

[ \sigma_p^2 = \sum_{i=1}^{n}\sum_{j=1}^{n} w_i w_j \mathrm{Cov}(R_i, R_j) ]

Cette double somme est toute l’histoire. Elle contient :

Les termes de risque individuels où (i=j) : (w_i^2\sigma_i^2)
Les termes d’interaction où (i\neq j) : (w_i w_j \mathrm{Cov}(R_i, R_j))

Ainsi la variance du portefeuille n’est pas simplement une moyenne pondérée des variances ; elle inclut ces termes croisés, et ils peuvent réduire le risque total.

Covariance et corrélation : les leviers de la diversification

La covariance entre les actifs (i) et (j) :

[ \mathrm{Cov}(R_i,R_j) = \mathbb{E}\left[(R_i-\mu_i)(R_j-\mu_j)\right] ]

La corrélation re‑redimensionne la covariance :

[ \rho_{ij} = \frac{\mathrm{Cov}(R_i,R_j)}{\sigma_i\sigma_j} \quad\Rightarrow\quad \mathrm{Cov}(R_i,R_j) = \rho_{ij}\sigma_i\sigma_j ]

La corrélation est plus facile à interpréter :

(\rho=1) : bougent parfaitement ensemble
(\rho=0) : pas de relation linéaire
(\rho=-1) : bougent parfaitement en sens inverse (rare sur les marchés réels, mais mathématiquement puissant)

Substituer la corrélation dans la variance du portefeuille rend explicite le mécanisme de diversification :

[ \sigma_p^2 = \sum_{i=1}^{n} w_i^2\sigma_i^2

\sum_{i\neq j} w_i w_j \rho_{ij}\sigma_i\sigma_j ]

Ces termes de corrélation hors-diagonale sont le moteur du « partage du risque ». Une corrélation plus faible signifie des termes croisés plus petits (ou négatifs), ce qui réduit la variance totale.

La démonstration la plus claire : un portefeuille à deux actifs

Prenez deux actifs avec des pondérations (w) et (1-w), des volatilités (\sigma_1,\sigma_2) et une corrélation (\rho). La variance du portefeuille :

[ \sigma_p^2 = w^2\sigma_1^2 + (1-w)^2\sigma_2^2 + 2w(1-w)\rho\sigma_1\sigma_2 ]

Trois cas montrent pourquoi la diversification fonctionne.

Cas 1 : corrélation ( \rho = 1 ) (pas de bénéfice de diversification)

[ \sigma_p^2 = \left(w\sigma_1 + (1-w)\sigma_2\right)^2 ]

Donc (\sigma_p) devient la moyenne pondérée des volatilités. On ne peut rien « diversifier » parce que les deux actifs agissent comme le même pari sous-jacent.

Cas 2 : corrélation ( \rho = 0 ) (bénéfice partiel classique)

[ \sigma_p^2 = w^2\sigma_1^2 + (1-w)^2\sigma_2^2 ]

Le terme croisé disparaît. Le risque est inférieur au cas (\rho=1) pour la plupart des choix de pondérations parce que vous n’encaissez pas la pénalité du « mouvement conjoint ».

Cas 3 : corrélation ( \rho < 0 ) (bénéfice de type couverture)

Maintenant le terme croisé est négatif :

[ 2w(1-w)\rho\sigma_1\sigma_2 < 0 ]

Il soustrait de la variance. Si la corrélation est suffisamment négative et que les pondérations sont choisies correctement, on peut faire chuter la variance fortement — parfois même proche de zéro dans des conditions idéalisées.

La pondération de variance minimale (deux actifs) et ce que cela signifie

Si vous voulez la combinaison la moins volatile des deux actifs, dérivez (\sigma_p^2) par rapport à (w) et résolvez. La pondération de variance minimale pour l’actif 1 est :

[ w^* = \frac{\sigma_2^2 - \rho\sigma_1\sigma_2}{\sigma_1^2 + \sigma_2^2 - 2\rho\sigma_1\sigma_2} ]

Cette formule ressemble à quelque chose que l’on préférerait éviter en soirée, mais elle est intuitive :

Une plus grande (\sigma_1) tend à réduire (w^*)
Une plus grande (\sigma_2) tend à augmenter (w^*)
Une (\rho) plus faible (moins de co-mouvement) change l’équilibre, permettant souvent plus d’allocation à l’actif le plus risqué sans augmenter autant le risque total qu’on pourrait s’y attendre

En d’autres termes, le risque ne dépend pas seulement de la nervosité de chaque actif. Il dépend aussi de la façon dont leurs sauts s’alignent.

La diversification concerne la matrice de covariance, pas le nombre d’actifs

Une idée reçue courante est : « Plus d’actifs signifie moins de risque. » Parfois oui, mais les mathématiques disent que l’objet réel que vous diversifiez est la structure de covariance.

Soit ( \mathbf{w} ) le vecteur des pondérations et ( \Sigma ) la matrice de covariance (où l’entrée ( \Sigma_{ij}=\mathrm{Cov}(R_i,R_j) )). La variance du portefeuille devient une forme quadratique compacte :

[ \sigma_p^2 = \mathbf{w}^\top \Sigma \mathbf{w} ]

C’est pourquoi la construction sérieuse de portefeuille parle de :

estimer (\Sigma),
contrôler les expositions de corrélation,
et tester la sensibilité des covariances.

Vous pouvez détenir 50 actifs très corrélés entre eux et vous retrouver avec quelque chose qui se comporte comme une seule position concentrée.

Une expérience de pensée concrète « pondération égale » avec beaucoup d’actifs

Pour voir comment la diversification évolue, considérez (n) actifs avec :

la même volatilité (\sigma),
la même corrélation pair-à-pair (\rho),
des poids égaux (w_i = 1/n).

Alors la variance du portefeuille se simplifie en :

[ \sigma_p^2 = \sigma^2\left(\rho + \frac{1-\rho}{n}\right) ]

Cette équation unique est la préférée des modélisateurs de décision car elle sépare deux composantes :

Partie non diversifiable : (\sigma^2\rho)
Partie diversifiable : (\sigma^2\frac{1-\rho}{n})

Quand (n\to\infty) :

[ \sigma_p^2 \to \sigma^2\rho ]

Donc le risque ne tend PAS vers zéro sauf si (\rho=0). Si la corrélation moyenne est positive — comme c’est souvent le cas pour les actions — il existe un plancher. Ce « plancher » est la version mathématique du risque de marché.

C’est aussi pourquoi la diversification est agréable sur des marchés calmes mais peut décevoir lors de ventes massives : les corrélations montent souvent, faisant grimper (\rho) et élevant le plancher de risque.

Risque systématique vs risque idiosyncratique : la séparation algébrique

Les manuels de finance séparent souvent le risque en :

Risque idiosyncratique : bruit spécifique à l’actif que l’on peut diversifier
Risque systématique : mouvement partagé entraîné par des facteurs communs

La formule de corrélation égale ci-dessus est essentiellement cette séparation sous forme numérique. Mais on peut la rendre plus explicite avec un modèle à un facteur (un pilier dans les modèles de décision et les systèmes de risque) :

[ R_i = \alpha_i + \beta_i F + \varepsilon_i ]

Où :

(F) est le facteur commun (p.ex. le rendement du marché),
(\beta_i) est la sensibilité au facteur,
(\varepsilon_i) est le bruit idiosyncratique avec (\mathbb{E}[\varepsilon_i]=0) et typiquement de faibles corrélations croisées entre actifs.

Pour un portefeuille :

[ R_p = \alpha_p + \beta_p F + \varepsilon_p ]

La variance devient :

[ \sigma_p^2 = \beta_p^2\sigma_F^2 + \sigma_{\varepsilon_p}^2 ]

La diversification attaque principalement ( \sigma_{\varepsilon_p}^2 ) en moyennant le bruit indépendant entre les positions. Mais si le portefeuille a un (\beta_p) non négligeable, le terme (\beta_p^2\sigma_F^2) reste. C’est le noyau systématique que l’on ne peut pas effacer simplement en ajoutant plus d’actifs similaires.

_{Photo by Thomas T on Unsplash}

La géométrie de la diversification : pourquoi la frontière efficiente est courbée

Si l’espérance de rendement est linéaire en les pondérations et que la variance est quadratique, tracer les portefeuilles dans l’espace risque‑rendement produit une courbe, pas une ligne. Cette courbe est la frontière efficiente dans la théorie moderne du portefeuille.

La courbure vient de la covariance. Avec des corrélations inférieures à 1, mélanger des actifs crée des portefeuilles qui se situent « au nord‑ouest » des moyennes simples : pour la même espérance, vous pouvez obtenir moins de risque ; pour le même risque, vous pouvez obtenir plus d’espérance de rendement.

Ce n’est pas un poster de motivation ; c’est littéralement la forme d’une forme quadratique sous contraintes linéaires.

En termes d’optimisation, le problème classique de variance minimale est :

Minimiser : [ \mathbf{w}^\top \Sigma \mathbf{w} ]

Sous contrainte : [ \sum_{i=1}^n w_i = 1 ] (et souvent des contraintes comme (w_i\ge 0) pour interdire la vente à découvert)

Ajoutez une contrainte de rendement cible ( \mathbf{w}^\top \mu = \mu_p ), et vous parcourez la frontière.

Un point clé pour les praticiens : la frontière efficiente n’est fiable qu’autant que vos estimations de (\mu) et (\Sigma) le sont. Les mathématiques sont élégantes ; les entrées sont bruitées.

Pourquoi « diversifier par nombre de secteurs » peut échouer : regroupement des corrélations

La corrélation n’est pas statique. Elle se regroupe selon les régimes :

En période d’expansion, les corrélations entre actifs risqués peuvent être modérées.
En cas de panique, les corrélations sautent souvent quand les investisseurs vendent massivement.

Mathématiquement, cela signifie que la matrice de covariance (\Sigma) varie dans le temps :

[ \Sigma = \Sigma(t) ]

et parfois dépend de l’état :

[ \Sigma = \Sigma(\text{regime}) ]

Si votre diversification repose sur une estimation de faible corrélation provenant de périodes calmes, votre modèle sous-estimera le risque quand les conditions changent. C’est pourquoi les équipes de risque effectuent des tests de résistance : elles remplacent les corrélations « normales » par des corrélations de crise et recomputent (\mathbf{w}^\top \Sigma \mathbf{w}).

La leçon de diversification reste la même, mais elle devient conditionnelle : la diversification réduit le risque par rapport à ce qu’il serait autrement, mais dans quelle mesure dépend de la corrélation quand elle compte le plus.

La concentration apparaît comme des poids au carré : un terme discret mais brutal

Regardez à nouveau l’expression générale de la variance :

[ \sigma_p^2 = \sum_{i} w_i^2\sigma_i^2 + \sum_{i\neq j} w_i w_j \mathrm{Cov}_{ij} ]

La première somme utilise des pondérations au carré. Le carré punit la concentration. Si une pondération domine, (w_i^2) devient grande et la variance du portefeuille est tirée vers le haut, même si le reste des positions est « diversifié ».

C’est une des raisons pour lesquelles l’égal‑pondération surprend parfois les investisseurs : elle réduit mécaniquement la concentration, diminuant l’impact des termes en poids‑carré. Mais ce n’est pas magique non plus — si les corrélations sont élevées, les termes croisés dominent toujours.

Un concept lié est l’indice Herfindahl‑Hirschman (HHI) utilisé dans d’autres domaines pour mesurer la concentration :

[ \text{HHI} = \sum_{i=1}^{n} w_i^2 ]

Dans un modèle simple avec des volatilités identiques et des corrélations nulles, la variance du portefeuille est proportionnelle à l’HHI. Plus le portefeuille est concentré → HHI plus élevé → risque plus élevé.

Diversification selon les horizons temporels : quand les corrélations changent avec la fréquence

La corrélation dépend de l’intervalle d’échantillonnage :

Les corrélations journalières peuvent différer des corrélations mensuelles.
Le bruit de microstructure intrajournalier peut déformer les relations à haute fréquence.
Les facteurs macro apparaissent plus fortement sur les horizons longs.

En termes mathématiques, si les rendements sont agrégés :

[ R^{(k)} = \sum_{t=1}^{k} r_t ]

la covariance des rendements agrégés évolue avec le temps, mais pas toujours de manière parfaitement simple une fois que l’on inclut l’autocorrélation, le clustering de volatilité ou le trading non synchronisé.

Pour les modèles de décision à long terme (portefeuilles de retraite, dotations), la (\Sigma) pertinente peut être une estimation à fréquence plus faible. Pour les systèmes de trading, elle peut être glissante et à haute fréquence. La diversification reste la réduction de covariance — mais la covariance que vous réduisez est spécifique à l’horizon.

Le coût caché : l’erreur d’estimation et pourquoi « optimal » peut être fragile

Les portefeuilles de variance minimale et d’optimisation moyenne‑variance dépendent de (\Sigma^{-1}) (l’inverse de la matrice de covariance) dans leurs solutions analytiques. C’est là que les choses peuvent devenir instables.

De petites erreurs dans les estimations de covariance peuvent produire de grands mouvements dans l’inverse. En pratique, cela conduit à :

des pondérations extrêmes,
des paris contre‑intuitifs,
des « coups de fouet de l’optimiseur » où les allocations changent fortement après de mineures mises à jour des données.

Les modèles de décision apaisent souvent cela en utilisant :

des estimateurs de shrinkage pour la covariance (tirant les estimations bruitées vers une cible structurée),
des modèles de facteurs (réduisant la dimensionnalité),
des contraintes (comme des plafonds de poids),
de l’optimisation robuste (prévoir l’incertitude sur (\mu) et (\Sigma)).

Les mathématiques de la diversification restent correctes ; le défi est de mesurer les ingrédients assez précisément pour en tirer parti.

Un exemple numérique pratique (sans langue de bois)

Supposons que deux actifs aient :

(\sigma_1 = 20%)
(\sigma_2 = 20%)
pondérations égales (w=0.5)

Alors :

[ \sigma_p^2 = 0.5^2(0.2^2)+0.5^2(0.2^2)+2(0.5)(0.5)\rho(0.2)(0.2) ] [ = 0.25(0.04)+0.25(0.04)+0.5\rho(0.04) ] [ = 0.01+0.01+0.02\rho ] [ = 0.02(1+\rho) ]

Donc :

Si (\rho=1) : (\sigma_p^2=0.04), (\sigma_p=20%) (pas d’avantage)
Si (\rho=0) : (\sigma_p^2=0.02), (\sigma_p\approx14.14%)
Si (\rho=-0.5) : (\sigma_p^2=0.01), (\sigma_p=10%)

Même deux actifs. Même volatilité individuelle. Même pondérations. Le risque change radicalement rien qu’en changeant la corrélation. Voilà la diversification en mathématiques, sans récit.

Modèles de décision : la diversification comme choix sous incertitude

En termes de modèles de décision, la sélection de portefeuille est un choix contraint sous résultats incertains. Le cadre moyenne‑variance est une manière de le formaliser :

Maximiser l’utilité telle que : [ U \approx \mathbb{E}[R_p] - \frac{\lambda}{2}\sigma_p^2 ]

où (\lambda) est l’aversion au risque.

La diversification compte parce qu’elle réduit (\sigma_p^2) pour une (\mathbb{E}[R_p]) donnée, augmentant l’utilité sans nécessiter des hypothèses de rendement attendues plus élevées. Le paramètre de préférence de l’investisseur (\lambda) décide combien vaut cette réduction, mais la mécanique vient de (\mathbf{w}^\top \Sigma \mathbf{w}).

C’est la puissance discrète des maths : elle transforme « ne mettez pas tous vos œufs dans le même panier » en un compromis explicite qu’on peut calculer, optimiser, tester en résistance et débattre en chiffres.

Outils que les investisseurs utilisent (et ce qu’ils font vraiment en termes mathématiques)

Beaucoup de « produits » de portefeuille ne sont que différentes façons de choisir ( \mathbf{w} ) à partir d’une vue sur ( \mu ) et ( \Sigma ). Quelques approches communes :

Fonds indiciels
Ils reproduisent approximativement un portefeuille de marché, acceptant effectivement la structure de covariance du marché et se concentrant sur une large exposition. Mathématiquement, les poids sont basés sur une règle, non optimisés.
Target‑Date Funds
Ils modifient les pondérations dans le temps (une trajectoire de glide path). Le modèle de décision est dynamique : ( \mathbf{w}(t) ) évolue, se déplaçant typiquement vers des actifs de moindre volatilité à mesure que l’horizon raccourcit.
Portefeuilles Risk Parity
Ils choisissent des pondérations pour que chaque actif contribue de manière similaire au risque total. La contribution au risque implique la matrice de covariance : [ \text{Marginal contribution} \propto (\Sigma \mathbf{w})_i ] C’est la diversification formulée comme égalisation des contributions à la variance, pas des dollars.
Fonds de variance minimale
Ils minimisent directement ( \mathbf{w}^\top \Sigma \mathbf{w} ) sous contraintes. Toute la proposition est une diversification consciente de la covariance.
Managed Futures / Stratégies de tendance
Elles diversifient souvent à travers les classes d’actifs et des signaux en séries temporelles. Leur valeur vient fréquemment de corrélations qui se comportent différemment en crise — encore une fois, une histoire de covariance, même quand c’est vendu comme « alpha de crise ».

Chacun répond différemment à la même question mathématique : comment choisir des poids pour que les termes d’interaction (covariances) ne nous sabotent pas ?

Où la diversification cesse d’aider : pics de corrélation et exposition à un facteur commun

Si un portefeuille est construit principalement d’actifs partageant le même facteur dominant — par exemple la croissance mondiale — alors la structure de corrélation le reflétera. Dans le modèle à facteurs :

[ R_i = \alpha_i + \beta_i F + \varepsilon_i ]

Si la plupart des (\beta_i) sont positives et importantes, alors (\beta_p) sera positive aussi, et la variance systématique dominera :

[ \sigma_p^2 \approx \beta_p^2\sigma_F^2 ]

À ce stade, ajouter plus d’actifs ajoute principalement des termes (\varepsilon_i) à moyenner, mais ne change pas le grand moteur. Vous avez diversifié les noms, pas les facteurs. Mathématiquement, vous avez réduit un peu de bruit diagonal ; vous n’avez pas altéré le noyau commun de covariance.

C’est pourquoi la vraie diversification est souvent une diversification inter‑facteurs : mélanger des actifs avec différentes sensibilités à l’inflation, aux taux, au crédit, à la croissance, à la liquidité et aux régimes de change — parce que ce sont ces ingrédients qui façonnent (\Sigma) quand le stress arrive.

La conclusion mathématique qui change vraiment le comportement

Si vous ne retenez qu’une équation, retenez celle‑ci :