Portfolio Optimization

Optimisation de portefeuille · Master GAMMA / Alternance BA · 42h

Présentation

Module créé en 2025–2026, dédié à l’optimisation de portefeuille financier — théorie classique (Markowitz, CAPM) et approches modernes (Black-Litterman, Risk Parity, ML-based allocation).

S’inscrit dans la continuité de mon MSc Applied Mathematics — Actuarial Science Track (Paris Dauphine Tunis) et de mon expertise actuariat établie depuis 2016.

Espace Blackboard

Espace Blackboard ESB — création en cours pour ce module nouveau 2025–2026 (Master GAMMA / Alternance BA). Une fois ouvert, le lien direct sera ajouté ici.

Acquis d’apprentissage

  • AA1 — Théorie moderne du portefeuille (Markowitz)
  • AA2 — CAPM et modèles à facteurs (Fama-French)
  • AA3 — Mesures de risque (variance, VaR, CVaR, drawdown)
  • AA4 — Optimisation sous contraintes (programmation quadratique)
  • AA5 — Black-Litterman et incorporation de vues subjectives
  • AA6 — Risk Parity et diversification
  • AA7 — Méthodes Monte Carlo pour la simulation de portefeuilles
  • AA8 — Approches ML : reinforcement learning, deep portfolio
  • AA9 — Backtesting rigoureux et metriques de performance

Supports pédagogiques

Type Description Lien
Polycopié Cours book PDF
Slides Beamer Metropolis 16:9 PDF
TDs Optimisation analytique + numérique PDF
TPs Python scipy.optimize, cvxpy, riskfolio-lib, Monte Carlo PDF + code
Projet Construction et backtesting d’une stratégie Sujet
Repository Code source GitHub

Plan détaillé

  1. Rappels statistiques financières : rendements, volatilité, corrélation
  2. Théorie de Markowitz : frontière efficiente, portefeuille tangent
  3. CAPM : beta, prime de risque, droite de marché
  4. Modèles à facteurs : Fama-French, APT
  5. Mesures de risque : VaR, CVaR, Expected Shortfall, drawdown
  6. Optimisation contrainte : programmation quadratique avec contraintes linéaires
  7. Black-Litterman : combinaison de vues subjectives et équilibre
  8. Risk Parity : Equal Risk Contribution, leveraging
  9. Approches ML : deep portfolio, reinforcement learning trading
  10. Monte Carlo : simulations de scénarios, stress testing
  11. Backtesting : data leakage, biais de survie, analyse out-of-sample

Outils mobilisés

scipy.optimize · cvxpy · riskfolio-lib · pyportfolioopt · quantlib yfinance · pandas · numpy · matplotlib · plotly

Liens avec mon parcours

  • MSc Applied Mathematics — Actuarial Science Track (Paris Dauphine Tunis, 2015–2016) — Portfolio Management, Monte Carlo Methods, Linear Models, Brownian Motion
  • Responsable Master GAMMA (2021–2024) — Gestion Actuarielle et Modélisation Mathématique
  • Co-Responsable Alternance BA-GenAI (depuis 2024) — applications quantitatives en business analytics

Prolongements

Module à l’intersection de l’Actuariat, de la Recherche Opérationnelle (RO) et du Machine Learning (ML).

Retour au sommet