Diversifier, ce n’est pas compter les actifs

Quand le marché est calme, le portefeuille ressemble à une mosaïque. Chaque pièce a un nom, un secteur, un récit. Mais il suffit que le vent tourne pour que la mosaïque se déplace comme une seule plaque. En pratique, de nombreux portefeuilles “diversifiés” se comportent comme un seul pari lorsque le marché entre en correction : les corrélations augmentent, les drawdowns se synchronisent et la variété de tickers s’effondre en un facteur dominant. Cette observation n’a rien d’anecdotique : la littérature montre que la dépendance change avec le régime, surtout dans les scénarios baissiers et de forte volatilité.

Dès lors, la question utile cesse d’être le nombre d’instruments sur la liste et devient : quels liens les unissent quand la pression monte ? L’argument central est que la diversification est un problème de dépendance. Il ne suffit pas de disperser les poids ; il faut concevoir la structure pour que les pertes sévères restent bornées et ne se propagent pas dans le portefeuille.

Séparation conceptuelle

Si l’on regarde le portefeuille comme un système, deux types de faits apparaissent. Certains parlent du dommage, d’autres de la continuité. Certains décrivent comment il se brise, d’autres comment il continue à fonctionner.

Diversité des faiblesses. Un portefeuille diversifié est aussi divers en faiblesses. L’important est que ces faiblesses ne se produisent pas simultanément, ou que leur simultanéité soit peu probable sous stress. En termes techniques : minimiser la synchronisation des pertes extrêmes impose d’aller au-delà de la corrélation moyenne et de considérer la dépendance conditionnelle et la dépendance de queue.

Diversité des forces. Un portefeuille diversifié est aussi divers en forces. Il ne s’agit pas que “tout monte en même temps”, ce qui est souvent une concentration factorielle sous un autre nom, mais que l’ensemble des moteurs de rendement couvre des scénarios pertinents et, dans certains régimes, offre de la redondance, c’est-à-dire plus d’un moteur contribuant.

Idées clés

Pour soutenir cette intuition sans rester dans la métaphore, il nous faut des mesures. Pas comme un ornement, mais comme des instruments pour voir l’invisible : les liens, les co-chutes, les routes par lesquelles un choc circule quand le marché se resserre.

Markowitz : le bénéfice de la diversification vit dans les covariances

La première carte vient de Markowitz : la théorie moderne du portefeuille formalise que le risque agrégé dépend des variances et des covariances, pas du nombre d’actifs. Cela fixe le point de départ : “diversifier”, c’est structurer les relations entre rendements, pas collectionner les instruments.^[1]

La corrélation n’est pas la dépendance : le problème des queues

Mais même une carte correcte peut être insuffisante sur un terrain plus rugueux. La corrélation linéaire est une mesure partielle. En particulier, elle peut échouer à décrire la co-occurrence d’événements extrêmes. Le cadre des copules et la notion de tail dependence capturent précisément ce qui nous intéresse ici : si de grandes pertes ont tendance à apparaître ensemble.^[2]

Dépendance conditionnelle et changements de régime

Le marché ne répète pas toujours la même saison. L’air change, la pression change, les liens changent. Les résultats empiriques suggèrent que dans les marchés baissiers la dépendance augmente : les corrélations “sautent” quand cela compte le plus, dégradant la diversification. Cela est documenté, par exemple, via les corrélations extrêmes en bear markets.^[3]

Les modèles de changement de régime, par exemple le Markov switching, formalisent que la volatilité et les corrélations ne sont pas constantes, mais dépendent de l’état du marché.^[4] De façon complémentaire, la corrélation conditionnelle dynamique (DCC) permet d’estimer des corrélations qui évoluent dans le temps.^[5]

Risque de queue : le CVaR (Expected Shortfall) comme objectif ou contrainte

Et quand la tempête arrive, la moyenne cesse d’être un guide. Si l’objectif est d’éviter des “coups simultanés importants”, la variance peut être insuffisante. Le CVaR (Expected Shortfall) offre une mesure cohérente du risque de queue et un cadre d’optimisation opérationnel pour contraindre les pertes sévères attendues.^[6]

Connectivité et clusters : la lecture en réseau

Enfin, si l’on parle de propagation, il est utile de voir le portefeuille comme un réseau de transmission. L’intuition de “propagation” peut être modélisée comme une connectivité entre actifs ou blocs. En finance, on a utilisé des outils de clustering hiérarchique et des distances dérivées de la corrélation pour construire des taxonomies, ainsi que des métriques de connectedness pour quantifier la transmission des chocs.^[7][8]

Implications opérationnelles : du concept aux règles de conception

Avec cela, l’idée devient praticable : il ne suffit pas de multiplier les noms. Il faut comprendre pourquoi ils chutent ensemble, quand ils chutent ensemble et quel poids ils portent quand cela arrive. À ce stade, la diversification cesse d’être une liste et devient une conception.

Diversification par moteurs (drivers), pas par noms

Au lieu de demander “combien d’actifs ai-je ?”, il est plus informatif de demander “combien de moteurs expliquent le P&L ?”. Exemples de drivers : liquidité globale (risk-on/risk-off), taux réels, dollar, croissance, inflation et matières premières, risque réglementaire et événements de stress financier.

Question diagnostique : détection des clusters de drawdown

Question : si le driver X frappe fort, combien de blocs chutent ensemble et quel poids représentent-ils ? Si la réponse est “beaucoup” et “fort”, alors il y a un cluster de drawdown : diversité superficielle, dépendance profonde.

Trois leviers : taille, compléments, règles

Une fois le cluster identifié, l’approche sensée est d’intervenir avec des leviers simples, à exécution claire. Ils sont peu nombreux, mais ils pèsent, car ils agissent sur la structure.

• Taille (contrôle des dommages). Limiter les contributions concentrées au risque. Même avec des actifs différents, le poids peut transformer une faiblesse locale en faiblesse systémique.
• Compléments (couverture de scénarios). Ajouter des moteurs aux faiblesses différentes, idéalement avec une faible dépendance de queue vis-à-vis du cluster dominant.
• Règles (gouvernance). Des critères explicites de stop, de rééquilibrage et d’échelonnement pour éviter les décisions impulsives sous stress.

“Isoler les faiblesses” en termes mesurables

Isoler ne signifie pas éliminer le risque. Cela signifie empêcher le dommage de se synchroniser et de s’amplifier. Pour mesurer cette synchronisation, il vaut mieux observer la dépendance quand le marché se tend, pas seulement quand il respire.

• Utiliser des corrélations dynamiques (DCC) pour surveiller les hausses de connectivité.^[5]
• Analyser la dépendance de queue (copules ou approximations par quantiles) quand l’objectif est d’éviter des co-chutes extrêmes.^[2]
• Optimiser ou contraindre le CVaR/Expected Shortfall pour limiter les pertes sévères agrégées.^[6]
• Utiliser le clustering et des métriques de connectivité pour détecter des composantes fortement connectées, des clusters de drawdown potentiels.^[7][8]

“Forces couvrantes” comme couverture de régimes

De l’autre côté se trouve la continuité. Non comme garantie, mais comme couverture par conception. Un portefeuille robuste cherche à ce que, pour chaque régime plausible, il existe au moins un sous-ensemble de moteurs avec une performance raisonnable. Les modèles de changement de régime formalisent cette idée : l’objectif n’est pas de maximiser une moyenne, mais d’éviter la fragilité quand l’état change.^[4]

Limites et précautions

Il vaut la peine de terminer ce parcours avec une honnêteté méthodologique. Il existe des faits empiriques et des limites d’estimation qui ne disparaissent pas par simple souhait, et qui doivent donc être intégrés au design.

• Les corrélations ont tendance à monter en crise. La diversification peut se dégrader précisément quand on en a le plus besoin.^[3]
• Risque d’estimation et risque de modèle. Les moyennes, covariances et paramètres de queue sont estimés avec erreur, et le choix du modèle introduit aussi de l’incertitude. Une approche complémentaire consiste à traiter explicitement l’incertitude de paramètres et de modèle dans la sélection de portefeuille.^[9]

Conclusion

Si l’on revient au début, à cet instant où le portefeuille “divers” semble bouger comme une seule chose, la leçon devient nette : la diversification n’est pas une liste, c’est une architecture. Elle se comprend mieux comme un problème de dépendance et de régimes : isoler les faiblesses signifie réduire la connectivité et la co-occurrence de pertes sévères, surtout dans les queues, tandis que diversifier les forces signifie couvrir les scénarios avec des moteurs distincts et, dans certains états, disposer de redondance. En pratique, cela se traduit par le diagnostic des clusters de drawdown, le contrôle de la taille, la recherche de moteurs complémentaires et l’exécution selon des règles explicites.

En une ligne : diversifier, c’est concevoir pour ne pas se briser quand l’état du monde change.

Disclaimer : contenu éducatif et informatif, ne constitue pas un conseil financier. Tout investissement implique un risque, y compris des pertes. Les performances passées ne garantissent pas les résultats futurs.

Références

1. [1] Markowitz, H. (1952). Portfolio Selection. The Journal of Finance. DOI
2. [2] Embrechts, P., McNeil, A., & Straumann, D. (2002). Correlation and dependence in risk management: properties and pitfalls. Dans Risk Management: Value at Risk and Beyond. PDF
3. [3] Longin, F., & Solnik, B. (2001). Extreme Correlation of International Equity Markets. The Journal of Finance. PDF
4. [4] Ang, A., & Bekaert, G. (2002). International Asset Allocation with Regime Shifts. The Review of Financial Studies, 15(4), 1137-1187. DOI. Oxford Academic
5. [5] Engle, R. (2002). Dynamic Conditional Correlation: A Simple Class of Multivariate GARCH Models. Journal of Business & Economic Statistics. DOI
6. [6] Rockafellar, R. T., & Uryasev, S. (2000/2002). Optimization of Conditional Value-at-Risk. Journal of Risk ; et travaux associés. Version largement citée : PDF
7. [7] Mantegna, R. N. (1999). Hierarchical Structure in Financial Markets. The European Physical Journal B. Prépublication classique : arXiv
8. [8] Diebold, F. X., & Yilmaz, K. (2014). On the Network Topology of Variance Decompositions: Measuring the Connectedness of Financial Firms. Journal of Econometrics. DOI
9. [9] Garlappi, L., Uppal, R., & Wang, T. (2007). Portfolio Selection with Parameter and Model Uncertainty: A Multi-Prior Approach. The Review of Financial Studies, 20(1), 41-81. DOI. Oxford Academic