Une contribution sur l’allocation ou la prévision d’actifs d’un portefeuille

A contribution on asset allocation or forecasting of a portfolio

• Auteur / Autrice : Frédy Valé Manuel Pokou
• Direction : François Benhmad, Jules Sadefo Kamdem
• Type : Thèse de doctorat
• Discipline(s) : Sciences économiques
• Date : Soutenance le 23/12/2022
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Economie Gestion de Montpellier (2015-.... ; Montpellier)
• Partenaire(s) de recherche : Laboratoire : Montpellier Recherche en Économie
• Jury : Président / Présidente : Pascal Nguyen
• Jury : Examinateurs / Examinatrices : François Benhmad, Jules Sadefo Kamdem, Pascal Nguyen, Fredj Jawadi, Duc Khuong Nguyen, Bernard Kamsu-Foguem
• Jury : Rapporteurs / Rapporteuses : Fredj Jawadi, Duc Khuong Nguyen

Mots clés

Mots clés contrôlés

Gestion financière

Actions de sociétés

Gestion de portefeuille

Mots clés libres

Esg

Sélection de portefeuille

Conditional value-at-risk

Copule mixte

Optimisation robuste

Esg

Portfolio selection

Conditional value-at-risk

Mixture copula

Robust optimization

Résumé

Les observations du comportement des investisseurs sur les marchés financiers suggèrent que les investisseurs sont de plus en plus sensibles aux critères extra-financiers dans le processus de construction des portefeuilles. Nous menons donc 2 études empiriques sur l’impact de l’adoption d’une stratégie d’investissement intégrant les enjeux environnementaux, sociaux et de gouvernance dans la sélection d’actifs (ESG) sur la performance des portefeuilles. La première étude nous a permis de comparer la performance de trois portefeuilles composés d’actions du marché américain. La composition de ces portefeuilles a été faite via des filtres ESG. D’une part les best-in-class c’est-à-dire les actions ayant les meilleures notations ESG, puis celles avec les notations moyennes et pour finir les actions les moins bien notées. La mise en œuvre de l’optimisation s’effectue dans un cadre théorique mean-LPM qui met en évidence notre modélisation spécifique de la structure de dépendance du portefeuille. La deuxième étude porte cette fois sur deux portefeuilles constitués d’actions du marché de la zone euro. Un portefeuille avec les best-in-class et le second composé d’actions ayant des notations homogènes. À la différence de la première étude, l’optimisation est faite dans un cadre théorique worst case worst case mixture copula mean-CvaR. De ces études nous sommes arrivés à la conclusion que ce critère n’est pas incompatible avec le profit mais il faudrait réduire ces exigences en terme de préférence pour les actions avec les notes ESG élevées. En vue d’une potentielle extension avec des modèles plus performants,une troisième étude empirique a été réalisée pour mettre en évidence la puissance et la pertinence des modèles d’apprentissage automatique pour la prévision de séries temporelles financières. Ou comme alternative une hybridation entre modèle de réseaux de neurones artificiels et le modèle ARIMA pour prédire la tendance de la série temporelle.

Observations of investor behavior in financial markets suggest that investors are increasingly sensitive to non-financial criteria in the portfolio construction process. We therefore conduct two empirical studies on the impact of adopting an investment strategy that integrates environmental, social and governance (ESG) issues into asset selection on portfolio performance. The first study allowed us to compare the performance of three portfolios composed of U.S. market stocks. The composition of these portfolios was made via ESG filters. First, the best-in-class stocks, i.e. those with the highest ESG ratings, then those with average ratings and finally the lowest rated stocks and finally the lowest rated stocks. The implementation of the optimization is carried out in a mean-LPM theoretical framework that highlights our specific modeling of the portfolio dependency structure. The second study focuses on two portfolios of Eurozone stocks. One portfolio withthe best-in-class and the second one composed of stocks with homogeneous ratings. Unlike the first study, theoptimization is done in a worst case worst case mixture copula mean-CvaR theoretical framework. From these studies we concluded that this criterion is not incompatible with profit, but it would be necessary to reduce these requirements in terms of preference for stocks with high ESG ratings. In view of a potential extension with more efficient models, a third empirical study was conducted to highlight the power and relevance of machine learning models for forecasting financial time series. Or as an alternative a hybridization between artificial neural network model and ARIMA model to predict the trend of the time series.