Portfolio Project - Optimisation CAPM & Markowitz

Description

Ce projet vise à construire un portefeuille d’actifs semblable au S&P 500, mais avec des poids ajustés en fonction de l’aversion au risque de l’investisseur.
Nous utilisons le modèle CAPM pour estimer les rendements attendus et la théorie de Markowitz pour optimiser la composition du portefeuille.

Fonctionnalités

• Récupération des prix ajustés via Yahoo Finance (yfinance)
• Calcul des betas par covariance avec le benchmark (S&P 500)
• Simulation Monte Carlo pour trouver un portefeuille optimal
• Calcul des rendements attendus avec CAPM
• Optimisation du portefeuille selon la fonction d’utilité de Markowitz avec un coefficient d’aversion au risque personnalisable
• Visualisation des poids optimaux (bar chart)
• Calcul et affichage de la performance cumulée en buy & hold

Structure du projet

• src/ : fichiers source Python (data_loader.py, risk_metrics.py, simple_CAPM.py, markowitz_monte_carlo.py)
• notebooks/ : notebooks pour exploration, analyse, visualisation
• README.md : ce fichier
• requirements.txt : liste des dépendances Python

Installation

Cloner le repo :

git clone https://github.com/maximernandez/portfolio-project
cd portfolio-project

Installer les dépendances :

pip install -r requirements.txt

Utilisation

• Modifier la liste des tickers dans le notebook ou dans simple_CAPM.py
• Lancer le pipeline CAPM pour récupérer betas, rendements attendus et matrice de covariance
• Ajuster le coefficient d’aversion au risque et les bornes sur les poids pour optimiser le portefeuille : très important !
• Visualiser les poids optimaux et la performance du portefeuille

Résultats

Le portefeuille optimal tient compte du profil de risque de l’investisseur, en maximisant la fonction d’utilité de Markowitz.
Les poids s’ajustent selon l’aversion au risque, offrant un bon compromis rendement/risque.

Remarques

• Le projet est réalisé dans un style simple, adapté à un étudiant qui rentre en master en école d'ingénieur
• Le modèle CAPM utilise la méthode classique (beta = covariance / variance) sans régression.
• Les contraintes d’optimisation fixent une borne supérieure sur les poids pour éviter une concentration excessive.

Auteur

Maxime Ernandez
LinkedIn