La diversification ne fonctionne pas lorsqu’on en a le plus besoin

La première étape du modèle de Markowitz, pilier de l’allocation d’actifs traditionnelle, consiste en la construction d’un vecteur de rendements attendus. Plusieurs méthodes existent, fondées par exemple sur les rendements historiques, ou sur l’exercice difficile des prévisions. Cependant, la complexité croissante des marchés financiers rend cet exercice de plus en plus délicat, voire presque impossible. Songeons par exemple à la popularité des options de type « 0DTE 1jour », formant près de 50 % des volumes échangés sur le SP500 en 2023 contre 6 % en 2017¹ et à leurs effets binaires sur les prix des indices actions à l’expiration, c’est-à-dire en fin de journée. Le delta de l’option, c’est-à-dire N(d1) dans le modèle de Black and Scholes, qui peut se voir comme la probabilité que l’option termine ou non à la monnaie en fin de journée, va en effet évoluer de manière digitale dans l’intervalle [0,1] induisant de forts effets techniques non linéaires sur les cours des indices futures utilisés en couverture. L’exercice de prévision est ainsi altéré par ces effets techniques opaques.

Également, les biais cognitifs influencent les opérateurs de marché pourtant habitués à l’analyse économique ou historique. En particulier, la hausse quasiment continue des prix des actifs entre 2009 et 2018 est venue perturber l’appréciation du risque. À titre d’exemple, l’illusion de la croissance infinie (des prix) dans un monde sans « tragique » n’a pas permis de mesurer correctement les probabilités du vote en faveur du Brexit, de la mise en place des confinements en Europe, ou de celles du déclenchement d’un conflit durable en Ukraine.

Les rendements sont également déformés par des facteurs tels que l’endettement public massif ou l’intervention permanente des banques centrales, via le quantitative easing, ou plus récemment le durcissement quantitatif. La BCE, elle-même, reconnaît ces déformations en produisant sur son site des études quant à l’impact de ses programmes d’achats d’actifs sur la déformation des rendements des obligations publiques, privées, ou encore des actifs plus risqués. L’allocation du capital devient suboptimale et la notion de risque brouillée.

Enfin, l’analyse des comportements des classes d’actifs depuis l’an 2000 révèle une tendance à la forte recorrélation des rendements lors des périodes de baisse importante des marchés. Cette recorrélation est notamment observable en 2022 (voir tableau), mais également lors des crises de 2008, 2018 ou pendant la première partie de l’année 2020. En 2022, toutes les classes d’actifs ont en particulier enregistré des rendements annuels négatifs, de -11 % à -25 % rappelant les périodes de risk-off durant lesquelles l’aversion au risque prédomine sur l’ensemble des catégories d’actifs : obligations du trésor US, dette de la catégorie « High Grade », dette « High Yield », actions de la catégorie « small » ou « large » capitalisation, etc. La faible dispersion de ces rendements négatifs, comme ce fut déjà le cas en 2008 ou en 2018, est également frappante. En d’autres termes, la diversification ne fonctionne pas quand on en a le plus besoin. Une construction de portefeuille efficient devrait s’appuyer sur la prévision de régimes, et non de rendements.

Prévoir les rendements joints des classes d’actifs est également devenu un exercice quasi impossible. En effet, l’analyse quantitative vient confirmer que les corrélations varient en fonction des régimes de marché, révélant des comportements très différents selon les périodes d’appétit pour le risque (risk-on) ou d’aversion (risk-off). Plus précisément, les travaux de Sébastien Page et Robert A. Panariello² mettent en lumière cette « tail-dépendance », c’est-à-dire l’existence de régimes de corrélation à l’intérieur des queues de distribution et son impact sur la construction de portefeuilles.

Le tableau « Effets de la diversification sur les left et right tails » présente le résultat de cette étude et corrèle les rendements de tout un panel de classe d’actifs, entre 1970 et 2017 avec le rendement des actions US (Msci Us Tr index). Les datas sont ordonnées à partir des pires environnements de type « sell off » (left tail), c’est-à-dire des rendements négatifs dans le centile à 1 % et des rendements les plus élevés dans le 99^e centile (right tail). En conclusion, la corrélation des classes d’actifs décroît pendant les phases risk-on et s’accroît en phase risk-off. En d’autres termes, une construction de portefeuille efficient devrait s’appuyer sur la prévision de régimes de volatilité, et non de rendements.

En 2023, nous avons ainsi assisté à de retentissantes faillites bancaires aux États-Unis et à des mouvements extrêmement violents sur les marchés financiers. Au mois de mars 2023, les faillites successives de SVB, Signature Bank, ou encore First Republic, donnaient lieu à des variations de plus de 150 points de base au sein de mêmes journées sur la courbe des taux courts SOFR (Secured Overnight Financing Rat, anciennement LIBOR) aux US. Ce choc de sept écarts types nous rappelle la fragilité des constructions de portefeuilles diversifiés. Nassim Nicholas Taleb, dans ses travaux sur l’antifragilité, nous invite à rechercher des actifs qui prospèrent en période de volatilité, de désordre et d’incertitude. Contrairement à la fragilité, où les actifs sont vulnérables aux chocs, l’antifragilité signifie en effet que certains actifs s’améliorent sous la pression du chaos. Les obligations d’État ou l’or, par exemple, permettent de diversifier un portefeuille d’actions. Néanmoins souvenons-nous qu’en 2022, c’est la hausse des taux qui a entraîné la baisse des marchés d’actions et que, par conséquent, un portefeuille de taux n’est pas diversifié par l’ajout d’investissements en actions ! Ici encore, dans le cadre de la construction d’un portefeuille antifragile, l’anticipation des régimes de causalité semble nécessaire.

L’allocation d’actifs peut se repenser en abandonnant la diversification classique au profit d’une approche thématique. Plutôt que de se concentrer sur les classes d’actifs, cette approche identifie des thèmes macro à moyen terme, tels que l’inflation, la transition énergétique, l’intelligence artificielle et les décline en stratégies plutôt qu’en actifs financiers spécifiques. Il peut être également judicieux d’envisager une allocation par styles de stratégies, avec des horizons temporels différents, pour générer de l’alpha.

La gestion des risques doit également aller au-delà de la Value at Risk (VaR) traditionnelle afin de prendre en compte nos biais cognitifs. Dans ses travaux, Nassim Nicolas Taleb³ alertait dès 2001 sur les méfaits des modèles reposant sur la loi gaussienne. Sous l’hypothèse de distribution normale des rendements, les événements rares de type « SVB » ne se produiraient qu’une fois tous les 1,07 milliard d’années, alors que la réalité est bien différente. D’où l’importance de mesurer les pertes potentielles au-delà du seuil de confiance de la VaR. C’est ici qu’intervient l’Expected Shortfall (CVaR), qui prend en compte l’épaisseur de la queue de distribution des pertes.

La finance est un domaine en constante mutation et les modèles traditionnels d’allocation d’actifs montrent leurs limites face à la volatilité croissante des marchés. Il est opportun de repenser ces modèles en adoptant des approches telles que l’antifragilité et en mesurant les risques de manière plus complète. Les leçons des cygnes noirs doivent nous guider vers des stratégies plus résilientes et mieux préparées à affronter l’inconnu.