Article · Finance & statistiques
Rendre une matrice de corrélation incomplète exploitable
RIEnet apprend un shrinkage invariant par rotation pour stabiliser la covariance d'un portefeuille d'actions small-cap inclusif.
Le problème des corrélations incomplètes
Christian Bongiorno et Lorenzo Villassero s'attaquent aux matrices de corrélation pairwise qui deviennent indéfinies quand les titres n'ont pas tous le même historique. RIEnet est un estimateur de covariance invariant par rotation : il combine moments marginaux sensibles au masque, spectre signé et longueurs d'échantillon effectives alignées sur les facteurs.
Un biGRU conditionne la transformation et mappe toutes les valeurs propres, y compris les négatives, vers un inverse positif. L'estimateur est entraîné de bout en bout sur le risque réalisé d'un portefeuille global minimum variance à horizon de cinq jours.
Protocole et résultats
L'étude couvre les actions américaines et ADR de 1990 à 2025, jusqu'à 1 500 titres. Vingt-six modèles à fenêtre croissante sont évalués entre 2000 et 2025, avec rebalancement hebdomadaire et simulation d'un courtier d'enchère de clôture incluant commissions, financement, opérations sur titres et impact.
RIEnet rapporte une volatilité à cinq jours de 11,17 %, un CAGR de 9,30 %, un Sharpe de 0,814 et un drawdown maximal de -41,3 %. Le bêta au Russell 2000 est 0,500 et le test MCS donne p=1,000. La volatilité baisse de 20,7 % par rapport à l'estimateur de covariance suivant, le Sharpe progresse d'environ 40 %, et RIEnet est la seule méthode conservée au seuil MCS de 0,1 % dans l'analyse de sensibilité par blocs.
Interprétation éditoriale
Le message n'est pas que le réseau prédit les rendements, mais qu'une meilleure géométrie de covariance peut changer la stabilité d'une optimisation. L'invariance par rotation et le traitement explicite des masques ciblent un défaut structurel des petits échantillons et des univers à entrées manquantes.
La simulation de coûts est particulièrement importante : un portefeuille minimum variance peut être très sensible aux petites erreurs de poids. Les chiffres doivent donc être lus avec les règles d'exécution, le turnover, le financement et le filtre point-in-time, pas comme une propriété universelle de RIEnet.
Limites et prudence
Les coûts et l'exécution sont modélisés, et l'étude repose sur une spécification RIEnet fixe. L'attribution précise des gains à chaque composant est laissée à un benchmark synthétique contrôlé ultérieur. Le résultat ne garantit ni performance future, ni stabilité sur un autre univers ou sous une autre politique de transaction.
Sources
Christian Bongiorno et Lorenzo Villassero, « End-to-End Neural Shrinkage of Indefinite Pairwise Correlation Matrices for Small-Cap-Inclusive Portfolios », ArXiv 2608.30446v1 : résumé et preprint, PDF.