Comment l’horizon temporel modifie mathématiquement le risque des investissements

Un plan sur cinq ans et un plan sur cinq jours ne peuvent pas partager la même définition de « risqué ». Les mathématiques rendent cela inévitable.

Le risque n’est pas un nombre unique — le temps en fait une cible mouvante

Dans le langage courant, « risque » signifie souvent la volatilité : à quel point les prix fluctuent. Dans les modèles de décision, le risque peut vouloir dire plusieurs choses à la fois :

• la probabilité que votre patrimoine achève en dessous d’un certain objectif (shortfall risk),
• la pire perte plausible (Value at Risk, Conditional VaR),
• la profondeur de la pire chute pic-à-creux (maximum drawdown),
• ou la probabilité d’être forcé de vendre à un mauvais moment (liquidité + inadéquation d’horizon).

L’horizon temporel change chacun de ces aspects — pas toujours dans la même direction. C’est là que les investisseurs se perdent : ils entendent « les actions sont plus sûres à long terme », tout en entendant aussi « la compounding de la volatilité peut être brutale ». Les deux affirmations peuvent être vraies selon quel risque on désigne.

Pour rester concret, nous utiliserons un modèle simple de rendement. Que les rendements périodiques (par exemple mensuels) soient r_t. Sur T périodes, le rendement cumulatif simple est :

[ R_T = \prod_{t=1}^{T}(1+r_t) - 1 ]

Et le rendement logarithmique est :

[ g_t = \ln(1+r_t), \quad G_T = \sum_{t=1}^{T} g_t ]

Les rendements logarithmiques sont mathématiquement pratiques parce qu’ils s’additionnent dans le temps. Beaucoup de modèles supposent que g_t est approximativement normal avec une moyenne (\mu) et un écart-type (\sigma) par période. Cette hypothèse est imparfaite, mais elle constitue un point de départ utile pour comprendre l’effet de l’horizon.

La volatilité s’échelonne avec la racine carrée du temps — jusqu’à ce que ça ne soit plus vrai

Si les rendements sont indépendants et identiquement distribués (i.i.d.), la variance de la somme croît linéairement avec le temps :

[ \mathrm{Var}(G_T) = T\sigma^2 ]

Donc l’écart-type évolue comme :

[ \mathrm{SD}(G_T) = \sigma\sqrt{T} ]

C’est la fameuse règle de la racine carrée du temps. C’est pourquoi une volatilité mensuelle de 4 % est souvent transposée en volatilité annuelle comme (4%\sqrt{12}\approx 13.9%).

Mais remarquez ce que nous mettons à l’échelle : la dispersion du rendement logarithmique cumulé augmente avec (\sqrt{T}). Cela signifie que la distribution s’étale sur des horizons plus longs en termes absolus. Autrement dit, si votre définition du risque est « À quel point mon patrimoine terminal en euros est-il incertain ? », alors des horizons plus longs peuvent sembler plus risqués, pas moins, parce que l’éventail des issues possibles s’élargit.

Alors pourquoi l’idée que « plus l’horizon est long, moins c’est risqué » a-t-elle parfois du sens ? Parce que de nombreux investisseurs se soucient du rendement moyen par période, pas du rendement total composé.

Considérons le rendement logarithmique moyen :

[ \bar{g}T = \frac{1}{T}\sum{t=1}^{T} g_t ]

Sa variance est :

[ \mathrm{Var}(\bar{g}_T)=\frac{\sigma^2}{T} ]

Maintenant l’écart-type décroît comme (1/\sqrt{T}). C’est le cœur mathématique de l’intuition : le résultat moyen devient plus stable avec le temps, même si le résultat terminal s’étale davantage. Deux questions de « risque » différentes, deux réponses qui paraissent opposées.

Les modèles de décision basculent souvent entre ces deux interprétations sans le dire.

Probabilité de perte : l’horizon peut aider, mais seulement si le drift domine

Beaucoup d’investisseurs définissent le risque comme « Quelle est la probabilité que je perde de l’argent au moment où j’en ai besoin ? ». C’est une question de probabilité, et l’horizon temporel intervient de manière plus claire.

Sous le modèle lognormal (G_T \sim \mathcal{N}(T\mu, T\sigma^2)). La probabilité que votre patrimoine terminal soit inférieur à votre patrimoine de départ (c’est-à-dire (R_T<0), équivalent à (G_T<0)) est :

[ \mathbb{P}(G_T<0) = \Phi\left(\frac{0-T\mu}{\sigma\sqrt{T}}\right) = \Phi\left(-\frac{\mu\sqrt{T}}{\sigma}\right) ]

où (\Phi) est la CDF de la normale standard.

Cette expression est révélatrice :

• Si (\mu>0), alors (\mu\sqrt{T}/\sigma) croît comme (\sqrt{T}), donc la probabilité d’un résultat négatif diminue avec l’horizon.
• Si (\mu=0), la probabilité reste à 50 % quel que soit le temps d’attente.
• Si (\mu<0), la probabilité de perte augmente avec le temps.

Ainsi, le récit rassurant « le temps diversifie le risque » suppose silencieusement un rendement log positif attendu et une certaine forme d’indépendance des rendements. Sur les marchés réels, le drift est faible comparé à la volatilité sur des horizons courts, donc la probabilité de perte peut être élevée à 1 an mais beaucoup plus faible à 20 ans. Mais ce n’est pas un cadeau gratuit — votre horizon ne fait le travail que parce que vous laissez le drift s’accumuler.

Un point subtil : le paramètre qui compte pour la survie à long terme est le drift logarithmique (\mu), pas l’espérance arithmétique simple. Une forte volatilité peut réduire (\mu) même quand la moyenne arithmétique paraît attrayante. C’est pourquoi le « rendement ajusté du risque » n’est pas que du jargon : la volatilité change directement les issues à long terme via le mécanisme de composition.

Le risque de drawdown augmente avec l’horizon même si la probabilité de perte terminale diminue

Le maximum drawdown est d’une autre nature. Il demande : « À un moment quelconque du trajet, quelle peut être la pire chute avant que je n’arrête ? »

Même si la probabilité d’être en perte à la date finale diminue avec le temps, la probabilité de subir un jour un fort drawdown augmente à mesure que l’on allonge la fenêtre. Plus de temps signifie plus d’occasions pour une mauvaise période.

Pour une marche aléatoire simple, de nombreux risques dépendant du chemin croissent approximativement avec le nombre d’observations. Il n’est pas nécessaire d’avoir des mathématiques exotiques pour voir l’intuition : un investisseur sur 30 ans traversera plus de récessions, de chocs de taux et d’épisodes de panique qu’un investisseur sur 3 ans. Cela ne veut pas dire que le plan sur 30 ans est pire — cela signifie que votre modèle de décision doit distinguer :

• le risque terminal (finir en dessous d’un objectif à l’horizon), versus
• le risque de chemin (être forcé de vendre, ou capituler psychologiquement pendant une baisse).

C’est là que l’inadéquation d’horizon devient pratique. Un portefeuille construit pour le long terme peut être mathématiquement solide mais psychologiquement fragile si des drawdowns intermédiaires déclenchent la vente. Dans ce cas, votre horizon effectif s’effondre.

Le ratio de Sharpe reste le même avec le temps — pourtant le risque se ressent différemment

Sous l’hypothèse i.i.d., le Sharpe par période est :

[ \text{SR}_1 = \frac{\mu}{\sigma} ]

Sur (T) périodes, le rendement logarithmique cumulé a pour espérance (T\mu) et pour écart-type (\sigma\sqrt{T}), donc le « Sharpe » de l’issue cumulée est :

[ \text{SR}_T = \frac{T\mu}{\sigma\sqrt{T}} = \sqrt{T}\frac{\mu}{\sigma} ]

Cela donne l’impression que la performance s’améliore avec l’horizon, mais ce n’est qu’un changement d’unités : vous comparez une moyenne plus grande à un écart-type qui croît plus lentement. Si au contraire vous comparez les rendements moyens, le Sharpe reste invariant. Ce que les investisseurs perçoivent comme « moins risqué à long terme » provient souvent de cet écart croissant entre l’espérance qui grandit et la bande d’incertitude.

En termes pratiques : le temps ne réduit pas magiquement la volatilité ; il donne surtout de l’espace aux rendements attendus pour apparaître.

La diversification temporelle dépend de la structure de corrélation — la réversion vers la moyenne change les mathématiques

La mise à l’échelle en racine carrée du temps repose sur une faible autocorrélation. Si les rendements sont positivement autocorrélés (comportement de momentum), la variance croît plus vite que (T). Si les rendements sont négativement autocorrélés (réversion vers la moyenne), la variance croît moins vite que (T).

On peut l’exprimer ainsi :

[ \mathrm{Var}\left(\sum_{t=1}^T g_t\right)=T\sigma^2 + 2\sum_{k=1}^{T-1}(T-k)\gamma_k ]

où (\gamma_k) est l’autocovariance au décalage (k). Ces termes supplémentaires peuvent être positifs ou négatifs.

• Autocorrélation positive : les chocs persistent, donc l’incertitude à long terme est plus grande que celle prévue sous i.i.d.
• Autocorrélation négative : les chocs se reprennent en partie, donc l’incertitude à long terme est plus faible.

Cela importe pour les détenteurs de titres risqués à long terme et pour quiconque utilise un modèle de décision avec des contraintes dépendant de l’horizon. Un modèle qui suppose i.i.d. peut sous-estimer le risque à long terme en régime de tendance — ou le surestimer si la réversion est forte.

_{Photo by Jakub Żerdzicki on Unsplash}

Inflation et risque réel : l’horizon rend l’actif « sûr » risqué

Un bon du Trésor à court terme est souvent considéré comme « sans risque ». Sur un mois, en termes nominaux, il l’est presque. Sur des décennies, le risque pertinent est le pouvoir d’achat réel, pas la stabilité nominale.

Soit le rendement nominal (r_t) et l’inflation (\pi_t). Le rendement réel est approximativement :

[ r^{(real)}_t \approx r_t - \pi_t ]

Même si les rendements nominaux sont stables, l’incertitude sur l’inflation s’accumule avec le temps. Pour des horizons longs, la variance des rendements réels cumulatifs inclut la variance de l’inflation et sa covariance avec les taux nominaux. Cela transforme le cash « sûr » en un actif risqué pour des modèles de décision qui visent des objectifs de dépenses réelles.

C’est aussi pourquoi l’horizon temporel change le classement des risques :

• Horizon court : les actions paraissent effrayantes parce que la volatilité des prix domine.
• Horizon long : le risque d’inflation et de réinvestissement peut dominer pour les obligations et le cash.

Mathématiquement, l’horizon sélectionne quels processus stochastiques importent le plus.

La réallocation transforme l’horizon en une suite de décisions, pas en un seul pari

La plupart des portefeuilles ne sont pas « acheter et conserver pour toujours ». Ils se rééquilibrent. Cela crée un problème de décision répété : chaque date de rééquilibrage est un mini-horizon à l’intérieur du grand horizon.

Si vous rééquilibrez vers des poids fixes, votre richesse terminale dépend du chemin des rendements, pas seulement du point final. Le rééquilibrage peut réduire le risque sous certains aspects (maintenir la diversification) tout en augmentant l’exposition au coût de la volatilité dans d’autres, selon les corrélations et selon que vous vendez des gagnants et achetez des perdants.

Une façon simple de voir l’effet d’horizon est de comparer :

• Investissement en une fois : un point d’entrée, une date terminale.
• Investissement phasé / contributions : plusieurs points d’entrée (dollar-cost averaging).
• Décumulation : les retraits introduisent un risque de séquence de rendements.

Avec contributions ou retraits, l’horizon interagit avec le timing des flux de trésorerie. Deux investisseurs avec la même période de 30 ans peuvent avoir des risques différents si l’un cotise tôt et l’autre tard.

Risque de séquence de rendements : l’horizon peut nuire aux retraités même si les marchés s’équilibrent

Pour quelqu’un qui retire d’un portefeuille, le risque de chemin devient existentiel. Un mauvais drawdown précoce combiné à des retraits peut compromettre de façon permanente la capacité de récupérer, même si les rendements moyens à long terme sont corrects.

Une récurrence simple pour la richesse avec des retraits (c) par période :

[ W_{t+1} = (W_t - c)(1+r_{t+1}) ]

C’est non linéaire. Les pertes précoces réduisent la base sur laquelle les gains ultérieurs composent, tandis que les retraits continuent d’amocher le capital. Allonger l’horizon (vivre plus longtemps) peut augmenter la probabilité de ruine à moins que le taux de retrait ne soit ajusté.

Dans les modèles de décision, cela apparaît comme une contrainte sur la probabilité de manquer sur l’ensemble du chemin, pas seulement à une date terminale unique. Plus l’horizon de retraite est long, plus le taux de dépense soutenable doit être strict, toutes choses égales par ailleurs.

Value at Risk et Expected Shortfall : la mise à l’échelle est facile ; l’exactitude ne l’est pas

Les desks de risque mettent souvent à l’échelle la VaR sur 1 jour vers une VaR sur 10 jours via (\sqrt{T}). Sous la normalité i.i.d., c’est cohérent pour les rendements :

[ \text{VaR}T(\alpha) \approx z\alpha \sigma \sqrt{T} - \mu T ]

où (z_\alpha) est le quantile.

Mais les rendements des marchés ont des queues épaisses et la volatilité est en grappes. Dans ces contextes, la mise à l’échelle d’horizon peut être trompeuse :

• Si la volatilité est persistante, le risque sur plusieurs jours peut être bien plus grand que ce que (\sqrt{T}) suggère.
• Les événements de queue ne « s’annulent » pas rapidement ; ils se cumulent via des stress corrélés.

Pour un investisseur à long terme, la question plus significative n’est souvent pas « Quel est mon pire mois à 1 % ? » mais « À quelle fréquence subis-je une baisse de 40 % et combien de temps prend typiquement la récupération ? » C’est un problème de chemin et d’horizon, pas un simple problème de distribution à un pas.

Intégrer l’horizon temporel dans un modèle de décision : ce qui change mathématiquement

Un modèle de décision a besoin d’un objectif et de contraintes. L’horizon change les deux.

Utilité et horizon : l’espérance d’utilité peut inverser vos préférences

Dans un cadre classique d’utilité espérée avec une utilité CRRA :

[ U(W)=\frac{W^{1-\gamma}}{1-\gamma} ]

la part optimale risquée dépend du compromis entre croissance attendue et volatilité, et elle peut être sensible à l’horizon quand les rendements sont prévisibles ou lorsqu’il existe des frictions (comme l’interdiction d’emprunter, des exigences de plancher, ou des besoins de consommation). Même lorsque le modèle de Merton implique une part risquée constante dans des conditions idéales, les frictions réintroduisent la dépendance à l’horizon.

Contraintes basées sur des objectifs : les probabilités se composent dans le temps

Si vous imposez une contrainte comme « pas plus de 5 % de chance de tomber en dessous de mon objectif », l’horizon importe parce que la distribution de la richesse terminale change avec (T). Dans le modèle lognormal, atteindre une cible en valeur réelle (W^*) s’écrit :

[ \mathbb{P}(W_T \ge W^*) = \mathbb{P}\left(G_T \ge \ln\left(\frac{W^*}{W_0}\right)\right) ]

Un (T) plus long augmente à la fois l’espérance et la variance de (G_T), et la probabilité augmente ou diminue selon lequel des deux croît plus vite par rapport à la cible. Des objectifs qui évoluent avec le temps (comme des dépenses ajustées à l’inflation) modifient encore l’inégalité.

L’inadéquation d’horizon comme facteur de risque formel

Une manière propre d’encoder l’inadéquation d’horizon est de modéliser les besoins de liquidité comme des temps d’arrêt aléatoires. S’il existe une probabilité que vous deviez sortir prématurément (perte d’emploi, dépense médicale), alors votre horizon effectif est une distribution, pas une date unique. Le risque devient une moyenne pondérée sur les temps de sortie possibles :

[ \text{Risk} = \sum_{t=1}^{T} p_t , \text{Risk at horizon } t ]

C’est une des raisons pour lesquelles « je suis un investisseur long terme » n’est pas une déclaration de risque complète à moins que l’investisseur puisse réellement rester investi.

Ce que les investisseurs oublient : le temps réduit certains risques en moyennant, en augmente d’autres en exposant

Les mathématiques ne livrent pas un verdict unique. Elles offrent un menu d’effets d’horizon :

• L’incertitude du rendement moyen diminue comme (1/\sqrt{T}).
• La dispersion de la richesse terminale augmente comme (\sqrt{T}) en espace logarithmique (et peut être encore plus dramatique en espace de rendements simples).
• La probabilité de perte terminale diminue avec (T) seulement si le rendement log attendu est positif.
• La probabilité de drawdown augmente avec (T) parce que plus de temps signifie plus de trajectoires et plus d’occasions d’atteindre des extrêmes.
• Le risque d’inflation croît avec (T) quand on se soucie des résultats réels.
• Le risque de séquence de rendements explose quand des retraits sont présents, rendant « un horizon plus long » potentiellement plus difficile, pas plus facile.

Rien de tout cela n’est abstrait. C’est la différence entre un jeune salarié qui cotise chaque mois, une famille qui épargne pour un apport immobilier dans trois ans, et un retraité finançant des dépenses pour les trente prochaines années.

L’horizon temporel n’est pas qu’une préférence. En finance, c’est un opérateur mathématique qui transforme la signification du « risque » — et donc transforme aussi quel modèle de décision est approprié.

Liens externes

Managing Risk for Different Time Horizons | Capital Group Investing Risk and Time Horizon: What You Need To Know Understanding Time Horizon in Investing: Definition, Types, Mistakes Does longer time horizon necessarily imply reduced risk? Why 5 Years (60 Months) is the Statistical “Magic Number” for Equities