Chapitre 1 : Gestion optimale de portefeuille

Dans tout le cours, les variables aléatoires (v.a.) considérées sont définies sur un espace de probabilité fixé
(Ω, F, P).

1 Définitions
Définition 1. Un portefeuille est un ensemble d’actifs financiers possédés par un agent financier. Leurs valeurs
sont connues à l’instant t = 0. Les valeurs des actifs aux dates ultérieures t = 1 sont inconnues. Elles seront
modélisées par des v.a.. Pour tout t, on notera Wt , la valeur (en e) du portefeuille, à l’instant t. en vertu de
nos hypothèses, W0 est connue, mais toutes les valeurs Wt , t > 0 sont des v.a..
Dans un premier temps, nous nous intéressons à deux instants : 0 (l’origine) et 1 (l’échéance). Comment
composer le portefeuille à la date 0 pour maximiser sa valeur W1 à l’instant 1 ?
Exemple 1. Soient 2 portefeuilles A et B de valeurs données respectives W0A et W0B à t = 0. On suppose que
leurs valeurs respectives W1A et W1B suivent les lois de probabilité suivantes :

920 avec probabilité 12


A
W1 =
960 avec probabilité 21

1100 avec probabilité 45


W1B =
250 avec probabilité 15
Lequel est le plus attractif à t = 1 ? Pour départager A et B, sans autres informations ni contraintes, il est
naturel d’utiliser l’espérance des deux variables aléatoires. On a alors En notant XA (1) la valeur de A à 1 on a
alors simplement
E W1A = 940 et E W1B = 930,
   

et l’on privilégiera l’actif A sur l’actif B afin de maximiser le gain moyen.

On ajoute maintenant une contrainte supplémentaire : on suppose que notre portefeuille est destiné à financer
un bien d’une valeur de 1000e à t = 1. Dans ce cas quel portefeuille choisir ? On veut maintenant maximiser la
valeur de notre portefeuille au-delà de 1000 e, et pour ce faire on peut considérer la fonction

u : x → |x − 1000|+
   
On veut alors maintenant maximiser E u(W1i ) = E |W1i − 1000|+ pour i ∈ {A, B}, et on obtient

E u(W1A ) = 0 et E u(W1B ) = 80.

   

On choisira donc le portefeuille B dans cette nouvelle situation.

L’exemple précédent montre bien que la fonction (de la valeur du portefeuille) à maximiser dépend du
contexte, et qu’elle doit être fixée au départ suivant les préférences et contraintes de l’investisseur.
Définition 2. Une fonction d’utilité est une fonction u : R → R tel qu’un agent choisit une stratégie qui
maximise E [u(X(1))]. On supposera toujours qu’une telle fonction est :
— La plus régulière possible (au moins dérivable à dérivée continue) ;
— Croissante. En effet, en effet si deux variables aléatoires W1 et W1′ sont tels que P (W1 ≤ W1′ ) = 1 (on
notera alors W1 ≤ W1′ “presque sûrement”, ou p.s. en abrégé), alors on a u(W1 ) ≤ u(W1′ ) p.s., ce qui
implique que E [u(W1 )] ≤ E [u(W1′ )]. On choisira donc naturellement dans ce cas W1′ par rapport à W1 ;
— Telle que l’on cherche à minimiser le risque, c’est à dire que si x = E [W1 ] et que l’on a le choix entre
W1 et la v.a. déterministe W1′ = x p.s. (c’est à dire, telle que P (W1′ = x) = 1), on choisit W1′ . En d’autre
termes, u doit être telle que pour tout v.a. X,

∀X E [u(X)] ≤ u(E [X]).

Nous dirons alors que la fonction d’utilité est ‘risquophobe’.

1
Proposition 1. Une fonction d’utilité u traduisant l’aversion au risque est concave.
Démonstration. Rappelons que la fonction u est concave si

∀(x1 , x2 ), ∀a ∈ [0, 1], au(x1 ) + (1 − a)u(x2 ) ≤ u(ax1 + (1 − a)x2 ). (1)

On va montrer le résultat dans le cas oùP X est à valeur dans un ensemble fini, c’est à dire, lorsqu’il existe
n
x1 , ..., xnPtels que P (X = xi ) = pi avec i=1 pi = 1. La preuve Pdans le cas général est omise. On a alors
n n
E [X] = i=1 xi pi et d’après le théorème de transfert, E [u(X)] = i=1 u(xi )pi , et l’on cherche donc à montrer
que !
n
X n
X X n
∀n ≥ 1, ∀pi , ..., pn : pi = 1 et ∀xi , ..., xn , pi u(xi ) ≤ u pi xi ⇐⇒ u concave.
i=1 i=1 i=1

“=⇒” est évident car il suffit de prendre n = 1 dans la proposition de gauche.

“⇐=” se montre par récurrence. La proposition de gauche est vraie pour n = 1 (trivial) et pour n = 2,
par l’hypothèse de concavité (1). On suppose que la proposition est vraie pour un certain entier n ≥ 1. On
considère X telle que P (X = xi ) = pi pour tous i = 1, ..., n + 1 avec 0 < pi < 1 pour tout i = 1, ..., n + 1 et
Pn+1
pi = 1. Alors, notons pour tout i = 1, ..., n, qi = 1−ppn+1
i
. On a alors 0 < qi < 1 pour tout i = 1, ..., n et
Pni=1 Pn Pn
i=1 qi = 1, et l’on peut appliquer la proposition au rang n pour écrire que i=1 qi u(xi ) ≤ u ( i=1 qi xi ), soit

n n
!
X pi X pi
u(xi ) ≤ u xi .
i=1
1 − p n+1 i=1
1 − pn+1

On en déduit que
n+1 n n
!
X X pi X pi
pi u(xi ) = pn+1 u(xn+1 ) + (1 − pn+1 ) u(xi ) ≤ pn+1 u(xn+1 ) + (1 − pn+1 ) u xi .
i=1 i=1
1 − pn+1 i=1
1 − pn+1
Pn
On peut alors appliquer l’hypothèse de concavité (1) à x1 ≡ xn+1 , x2 = i=1 1−ppn+1i
xi et a ≡ pn+1 , pour
obtenir que ! !
n+1 n n+1
X X pi X
pi u(xi ) ≤ u pn+1 xn+1 + (1 − pn+1 ) xi = u p i xi ,
i=1 i=1
1 − pn+1 i=1

ce qui conclut la preuve.

Remarque 1. On rencontre dans la pratique des fonctions d’utilité telles que

— u : x −→ −e−αx , α < 0,
 1−α
x

 , 0 < α < 1, x ≤ 0,
— u : x −→ 1 −α


ln(x) , x > 0.
Définition 3. Soit un portefeuille de valeur Ws à l’intant s et Wt à t > s.
— L’intérêt produit entre s et t est le gain de valeur entre ces deux instants, i.e.

Is,t = Wt − Ws .

— Le rendement du portefeuille entre s et t est l’intérêt entre s et t relativement à la valeur initiale à

l’instant s, c’est-à-dire,
Wt − Ws Is,t
Rs,t = = .
Ws Ws
En pratique, l’intérêt et donc le rendement sont aléatoires dès lors que le produit financier est risqué i.e.,
par exemple, W1 est inconnue à l’instant 0. Quand W1 est connue, R0,1 est déterministe et on parle alors de
placement numéraire ou non risqué. C’est par exemple le cas d’un place sur compte courant / livret.

Dans la suite, nous modéliserons le rendement de portefeuilles financiers en fonction de ceux des actifs
(risqués et non-risqués) qui le composent. On manipulera donc des vecteurs aléatoires (dont les coordonnées
sont les rendements des différents actifs), au sujet desquels nous faisons quelques rappels dans la section suivante,

2
2 Rappels sur les vecteurs aléatoires
Dans la suite, on notera pour toute matrice M ∈ Mm,n (R), M ′ la transposée de A. In est la matrice identité
de taille n et 0m,n est la matrice nulle de talle m × n. Les vecteurs de taille n sont assimilés à des matrices
colonnes, i.e., des éléments de Mn,1 (R).
Définition 4. Une matrice aléatoire M ∈ Mm,n (R) une une matrice telle que pour tous i = 1, ..., m et
j = 1, ..., n, Mi,j est une variable aléatoire.
— La matrice aléatoire M est dite intégrable si pour tous i et j, Mi,j est intégrable, i.e., E [|Mi,j |] < ∞.
On note alors E [M ], la (vraie) matrice de Mm,n (R) déifnie pour tous i = 1, ..., m et j = 1, ..., n par
E [M ]i,j = E [Mi,j ].
 2
— La matrice M est dite de carré intégrable si pour tous i et j, Mi,j est de carré intégrable, i.e., E Mij < ∞.
Définition 5. On dit que X est un vecteur aléatoire de taille m si X est une matrice aléatoire de Mm,1 (R).

Soit A ∈ Mm,n (R) et X un vecteur aléatoire intégrable de taille n. Alors,

 Pn 
j=1 A1,j Xj
Y := AX = 
 .. 
Pn .

A
j=1 m,j j X

est un vecteur aléatoire de taille m, intégrable et tel que E [Y ] = AE [X] (à vérifier en exercice). On peut de
′
même vérifier que E [X ′ A′ ] = (E [X]) A′ .

Définition 6. Soit X un vecteur aléatoire de taille m, de carré intégrable. On appelle matrice de variance-
covriance du vecteur aléatoire X, la matrice ΓX ∈ Mm,m (R) définie par

∀(i, j) ∈ Ji, mK2 ΓX (i, j) = Cov(Xi , Xj ) = E [Xi Xj ] − E [Xi ] E [Xj ] .

En particulier, ΓX est clairement une matrice symétrique.

Remarque 2. On peut vérifier en exercice que pour tout vecteur aléatoire X de carré intégrable,
′
ΓX = E [XX ′ ] − E [X] (E [X]) .

Proposition 2. Soit A ∈ Mm,n (R) et X un vecteur aléatoire de taille n et de carré intégrable. Alors, pour tout
b ∈ Mn,1 (R), AX + b est de carré intégrable et ΓAX+b = AΓX A′ .
Démonstration. On commence par supposer que b = 0n,1 . On a alors,
′ ′
ΓAX = E [AX(AX)′ ] − E [AX] (E [AX]) = E [AX(AX)′ ] − E [AX] (AE [X])
= E [AXX ′ A′ ] − AE [X] E [X ′ ] A′
= AE [XX ′ ] A′ − AE [X] E [X ′ ] A′
= A(E [XX ′ ] − E [X] E [X ′ ])A′ = AΓX A′ .

La généralisation pour un vecteur c quelconque est laissée en exercice.

Corollaire 1. Pour tout vecteur aléatoire X de carré intégrable, la matrice de variance-covariance ΓX est
semi-définie positive.
Démonstration. Soit n, la taille du vecteur X. Il suffit de montrer que pour tout u ∈ Mn,1 (R), u′ ΓX u ≥ 0.
Or, d’après la Proposition 2, on a u′ ΓX u = Γu′ X . Mais u′ X est une variable aléatoire, puisque c’est un vecteur
aléatoire de taille 1. Dans ce cas, la matrice de variance-covariance n’est autre que la variance, autrement dit
on Γu′ X = Var(u′ X). Comme toute variance, le terme précédent est positif ou nul, ce qui conclut la preuve.
Une question est centrale pour les applications, par exemple pour simuler un brownien, qui sera un objet
central dans la deuxième partie de ce cours : étant donnée une matrice symétrique semi-définie positive Γ,
comment simuler un vecteur aléatoire X qui admet précisément Γ comme matrice de variance-covariance,
autrement dit, tel que ΓX = Γ ? La proposition suivante y répond,

Proposition 3. 1. Si Γ ∈ Mn,n (R) est symétrique, semi-définie positive, alors il existe une matrice C
triangulaire inférieure telle que K = CC ′ .
2. Soit Y un vecteur aléatoire de taille n de carré intégrable tel que E [Y ] = 0n,1 et Var(Y ) = In . Alors,
pour tout b ∈ Mn,1 (R), le vecteur aléatoire X = CY + b est tel que E [X] = b et ΓX = Γ.

3
Démonstration. 1. On retrouve C par une preuve constructive, par exemple via l’algorithme de Choleski ;
2. On a tout d’abord
E [X] = E [CY ] + E [b] = CE [Y ] + b = b.
Par ailleurs, d’après la Proposition 2, on a

ΓX = CΓY C ′ = CIn C ′ = CC ′ = Γ.

Exemple 2. Par exemple, on veut simuler un vecteur Gaussien X d’espérance µ ∈ Mn,1 (R) et de matrice
de variance-covariance Γ, c’est-à-dire, un vecteur dont toute combinaison linéaire des coordonnées est une
Gaussienne, et tel que pour tout i, E [Xi ] = µi et pour tous i, j, Cov(Xi , Xj ) = Γi,j . Pour ce faire, il suffit
de simuler n v.a. Gaussiennes Y1 , ..., Yn indépendantes et identiquement distribuées de loi Gaussienne centrée
réduite N (0, 1). Soit Y = (Y1 · · · Yn )′ . On a alors ΓY (i, i) = Var(Yi ) = 1 pour tout i, et pour tous i ̸= j,
Cov(Yi , Yj ) = 0 puisque Yi et Yj sont indépendantes. En d’autres termes, on a ΓY = In . Soit C la matrice
triangulaire inférieure telle que Γ = CC ′ . La Proposition 3 implique donc que X = µ + CY est tel que
E [X] = µ et ΓX = Γ. De plus, comme combinaison linéaire des coordonnées de X est une combinaison affine
des coordonnées de Y , c’est une v.a. gaussienne. Ceci implique que X est bien un vecteur Gaussien.

3 Modèle de Markovitz
Nous allons maintenant introduire un modèle pour représenter l’évolution de la composition et de la valeur
d’un portefeuille dans le temps, et un outil pour optimiser la composition de ce portefeuille.

Contexte. On a N actifs risqués (actions, obligations,...) composant le marché. On suppose qu’à la date t = 0
les actifs ont des valeurs connues notées V01 , . . . , V0N > 0. On laisse le marché évoluer jusqu’à t = T . Les valeurs
des actifs à cette date sont donc des v.a..

3.1 Modélisation du rendement d’un portefeuille

Définition 7. Dans ce contexte, un portefeuille est la donnée d’une quantité ϕ0 de numéraire (actif non risqué)
et des quantités ϕ1 , · · · , ϕn d’actifs risqués. La valeur du portefeuille à t = 0 est donc
N
X
W0 = ϕ0 + ϕi V0i ,
i=1

et l’on suppose que W0 > 0, c’est à dire, on a une fortune positive ou nulle à l’origine.
Les coefficients ϕi , i = 0, 1, ..., N sont réels. On peut interpréter leurs différents signes comme suit,
— ϕ0 > 0 : Placement d’une somme ϕ0 à la banque ;
— ϕ0 < 0 : Emprunt d’une somme ϕ0 ;
— ϕi > 0 : On possède une quantité ϕi de l’actif i ;
— ϕi < 0 : On a une dette de quantité ϕi de l’actif i.

Changement de paramètres. On va introduire de nouveaux paramètres permettant de normaliser les pro-

portions en valeur des différents actifs, plutôt qu’en quantité.
1. On introduit pour tout i = 1, · · · , N la quantité

ϕi V0i
xi =
W0
qui représente la proportion d’actif i dans le portefeuille. Par ailleurs, on note
N
ϕ0 X
x0 = =1− xi
W0 i=1

la proportion de numéraire.
2. Par abus de language, on identifiera un portefeuille et son rendement, i.e., on notera par x′ = (x1 · · · xN )
x
le portefeuille de composition x et par R0,1 le rendement de ce portefeuille entre les dates t = 0 et t = 1.

4
 3. Cette notion de rendement s’étend à tout actif i de la façon suivante :

i V1i − V0i
Pour tout i = 1, ..., N, R0,1 = .
V0i

On a le résultat suivant,
Proposition 4. Soit r, le rendement du numéraire, i.e. tel que si l’on place 1 eà l’instant 0, on a 1 + r eà
l’instant 1. Alors, Le rendement du portefeuille est donné par
N
X
x i
R0,1 = x0 r + xi R0,1 .
i=1

Démonstration. On a
N N
!
x W1 − W0 1 X X
R0,1 = = ϕ0 (1 + r) + ϕi V1i − ϕ0 − ϕi V0i
W0 W0 i=1 i=1
N
!
1 X
= ϕ0 r + ϕi (V1i − V0i )
W0 i=1
N N
ϕ0 r X ϕi R i V i 0
X
= + = x0 r + xi R i .
W0 i=1
W0 i=1

Définition 8. 1. Pour tout i = 1, · · · , N , on définit la notion de rendement excédentaire de l’actif i (par

rapport au rendement du numéraire), par

ρi0,1 = E R0,1
 i 
−r ,
′
et l’on note ρ = (ρ10,1 · · · ρN
0,1 ) le vecteur des rendements excédentaire ;
N ′
1


2. On note Γ la matrice de variance-covariance du vecteur R0,1 := R0,1 · · · R0,1 . Autrement dit, pour tous
i j
i, j, Γi,j = Cov(R0,1 , R0,1 ).
Proposition 5. Le rendement du portefeuille de composition x admet l’espérance et la variance suivantes,

= r + x′ ρ,
 x 
E R0,1 (2)
x
Var (R0,1 ) = x′ Γx. (3)

Démonstration. D’après la Proposition 4 on a

N N N
 x  X X X
xi ρi0,1 + r = x′ ρ + r.
 i 
E R0,1 = xi E R0,1 +r−r xi =
i=1 i=1 i=1

D’autre part, d’après la Proposition 2 on a

N
! N
!
X X
x
Var(R0,1 ) = Var x0 r + i
xi R0,1 = Var i
xi R0,1 = Var (x′ R0,1 ) = Γx′ R0,1 = x′ Γx.
i=1 i=1

3.2 Notion de portefeuille M-V efficace

Définition 9. Une contrainte sur le portefeuille est une condition sur le vecteur x, i.e. un sous-ensemble de
Mn,1 (R) décrivent les portefeuilles admissibles.
Exemple 3. On peut rencontrer les contraintes suivantes,
PN
— pas plus de p proportion d’actifs risqués, i.e. i=1 xi ≤ p ;
PN i.e. pour tout i = 1, . . . N , xi ≥ 0 ;
— interdire la vente d’actifs à découvert,
— contraindre d’auto-financement : i=1 xi ≤ 1 (i.e., pas de dette de numéraire) ;
— diversification : contraintes sur le nombre et la valeur des indices i tels ques xi > 0.

5
 Sans contrainte particulière, nous chercherons par la suite à optimiser le portefeuille dans le sens suivant :
Définition 10. On dit qu’un portefeuille est M-V efficace au sens de la moyenne-variance si parmi tous les
portefeuilles
 de même rendement moyen, il minimise la variance. Autrement dit, parmi tous les x ∈ Mn,1 (R)
x x
tels que E R0,1 = µ, Var(R0,1 ) est minimale.
Proposition 6. On suppose que Γ est inversible. En l’absence de contraintes, les portefeuilles M-V efficaces
sont de composition x = λΓ−1 ρ, où λ ∈ R.
Avant de démontrer la Proposition 6, nous rappelons, ou introduisons, rapidement la méthode des multipli-
cateurs de Lagrange. On considère un problème d’optimisation sous contrainte sur un ensemble ouvert A ⊂ Rd :
on fixe f, Φ ∈ C2 (Rd , R), et l’on cherche
x0 = Argmin (f (x)).
x∈A : Φ(x)=0

On fait alors un développement de taylor : pour tout y ∈ Rd ,

f (x0 + y) − f (x0 ) = ∇f (x0 )y + o(||y||2 ); (4)
2
Φ(x0 + y) − Φ(x0 ) = ∇Φ(x0 )y + o(||y|| ). (5)
Soit y ∈ Rd tel que x0 + y ∈ A, x0 − y ∈ A, Φ(x0 + y) = 0 et Φ(x0 − y) = 0. D’après (4), on doit avoir
∇Φ(x0 )y = 0, autrement dit y appartient à l’hyperplan H = (∇Φ(x0 ))⊥ . Or, si ∇f (x0 )y ̸= 0, la contrainte
f (x0 + y) > f (x0 ) implique avec (5) pour y suffisamment petit, que f (x0 − y) < f (x0 ), une absurdité. De façon
similaire, on aboutit à une absurdité si f (x0 + y) > f (x0 ). Donc ∇f (x0 )y = 0, autrement dit ∇f (x0 ) et ∇Φ(x0 )
sont colinéaires. On obtient ainsi,
∇f (x0 ) = λ∇Φ(x0 ), λ ∈ R. (6)
Le coefficient λ est appelé multiplicateur de Lagrange.
Pd
Exemple 4. Pour a1 , . . . , ad > 0 chercher les minima de la fonction f : x 7−→ i=1 x2i ai sous la contrainte
Pd d
i=1 xi = 1. On a donc pour tout x ∈ R ,

∇f (x) = (2ai xi , 2a2 x2 , . . . , 2ad xd ),

Pd
et la contrainte peut être traduite par Φ(x1 , . . . , xd ) = i=1 xi − 1, et l’on a donc pour tout x ∈ Rd ,
∇Φ(x) = (1, . . . , 1).
D’après le résultat précédent, x0 satisfait donc pour un certain λ ∈ R, ∇f (x0 ) = λ∇Φ(x0 ), ce qui revient à dire
que (a1 x10 , . . . , ad xd0 ) = (λ, . . . , λ), ce qui implique à son tour que pour tout i = 1, ..., d, i, xi0 = aλi .
Pd
On doit maintenant déterminer la constante λ. Pour cela, on rappelle la contrainte, i=1 xd0 = 1, ce qui
Pd 1 Pd 1 −1
revient à λ i=1 ai = 1, et finalement, λ = ( i=1 ai ) . On en conclut que l’unique point minimal est
d
!−1  
X 1 1 1
x0 = ,..., .
a
i=1 i
a1 ad

Nous pouvons maintenant revenir à notre problème d’optimisation de portefeuille,

x
Démonstration de la Proposition 6. On cherche x0 = Argmin(f (x)), où d’après (3), f (x) = Var[R0,1 ] = x′ Γx,
 x  x∈A
sous la contrainte Φ(x) = E R0,1 − µ = 0, avec µ fixée. D’après le résultat précédent, l’optimum x0 satisfait
∇f (x0 ) = λ∇Φ(x0 ). On calcule donc les gradients : pour tout i = 1, ..., N ,
N N
∂f (x) ∂xT Γx ∂ XX
= = Γj,k xj xk
∂xi ∂xi ∂xi j=1
k=1
 
N N N
∂  X X X
= Γj,k xj xk + Γi,k xi xk + Γi,i (xi )2 
∂xi
j=1, j̸=i k=1 k=1, k̸=i
 
N N
∂  X X
= Γj,i xj xi + Γi,k xi xk + Γi,i (xi )2 
∂xi
j=1, j̸=i k=1, k̸=i
 
N N N
∂  X X X
= 2 Γj,i xj xi + Γi,i (xi )2  = 2 Γi,j xj + 2Γi,i xi = 2 Γi,j xj = 2(Γx)i ,
∂xi j=1
j=1, j̸=i j=1, j̸=i

6
où l’on utilise à plusieurs reprises la symétrie de la matrice Γ. En d’autres termes, pour tout x ∈ RN on a

∇f (x) = 2Γx.

D’un autre côté, on a pour tout i,

N
∂Φ ∂ X
(x) = xj ρj = ρi ,
∂xi ∂xi j=1

ce qui montre que pour tout x ∈ RN , Φ(x) = ρ. On conclut avec (6) que le portefeuille optimal x0 satisfait pour
un certain λ ∈ R,
2Γx0 = λρ,
ce qui revient au résultat recherché puisque Γ est supposée inversible.
Remarque 3. L’hypothèse faite dans la Proposition 6, que la matrice Γ est inversible, n’est pas réellement
restrictive. En effet, si ce n’est pas le cas, il existe un vecteur u ̸= 0 tel que Γu = 0, ce qui implique que u′ Γu = 0,
ou encore, avec la Proposition 2, que Var(u′ R0,1 ) = 0. Ceci signifie que la v.a. u′ R0,1 = est déterministe, ou
PN i
encore qu’il existe c ∈ R tel que i=1 ui R0,1 = c p.s.. Au moins une des coordonnées de u est non-nulle. Si par
exemple uN ̸= 0, on a p.s.
N −1
N c X uk k
R0,1 = + R ,
uN uN 0,1
k=1
ce qui signifie que uN est un actif redondant car son rendement peut être déterminé de façon déterministe en
fonction de ceux des actifs 1, ..., N − 1. On peut alors enlever l’actif N du marché et travailler avec Γ1 , matrice
de variance-covariance des (R0,1 i
, . . . , RN −1 )). Et alors :
— Si Γ1 est inversible, on applique la Proposition 6.

— Sinon, on recommence en enlevant un nouvel actif “redondant” du marché.

D’après la Proposition 6, étant donné un rendement moyen cible µ (fonction des rendements moyens histo-
riques des actifs), le seul choix de l’investisseur est λ. On va déterminer uniquement λ, dans le résultat ci-après.
Proposition 7. Soit µ un rendement moyen attendu, µ ≥ r, alors
1. Il existe un unique portefeuille M-V efficace x(µ) de rendement µ donné par
µ − r −1
x(µ) = Γ ρ. (7)
ρ′ Γ−1 ρ

2. Par ailleurs, si l’on note (σ(µ))2 la variance d’un portefeuille de composition x(µ).
p
µ = r + ρ′ Γ−1 ρσ(µ). (8)

Démonstration. 1. On a vu en Proposition 6 que x(µ) = λΓ−1 ρ pour un certain λ. On sait par ailleurs
d’après (2) que
µ = r + (x(µ))′ ρ = r + ρ′ x(µ) = r + λρ′ Γ−1 ρ,
ce qui revient à dire que
µ−r
λ= ,
ρT Γ−1 ρ
d’où (7).
2. D’après (3) et (7), on a
 2  2
µ−r µ−r
(σ(µ))2 = Var(R0,1
x
) = x(µ)′ Γx(µ) = ρ′ (Γ−1 )′ ΓΓ−1 ρ = ρ′ Γ−1 ρ, (9)
ρ′ Γ−1 ρ ρ′ Γ−1 ρ

′
où l’on a au passage, utilisé le fait que Γ−1 = Γ−1 , puisque comme Γ est symétrique, on a

′
′
′
In = (In )′ = ΓΓ−1 = Γ−1 Γ′ = Γ−1 Γ,

′
et l’on conclut par unicité de l’inverse de Γ que Γ−1 = Γ−1 . On retrouve facilement (8) à partir de (9).

La relation (8) implique en particulier que la variance, c’est à dire le risque moyen lié au portefeuille, est
une fonction croissante du rendement moyen espéré : plus l’on vise une valeur moyenne élevée, plus l’on doit
prendre de risque.