Rééquilibrage périodique et dispersion des patrimoines finaux entre cohortes d'investisseurs sur le long terme

Un rééquilibrage n'est pas une remise à zéro neutre : il réalloue du capital entre des actifs dont les trajectoires de composition divergent.

Chaque rééquilibrage est une vente partielle des actifs qui ont surperformé et un achat partiel de ceux qui ont sous-performé. Dans un modèle statique, cette opération est présentée comme un retour mécanique à l'équilibre. Dans un modèle multi-périodes, elle est autre chose : une intervention dans la trajectoire de composition de chaque composante du portefeuille. Si les actifs qui ont surperformé continuent de surperformer dans les périodes suivantes, le rééquilibrage a réduit l'exposition à cette surperformance future. Si au contraire la surperformance s'inverse, le rééquilibrage a réduit l'exposition au retournement. Le modèle ne peut pas savoir laquelle de ces deux situations s'appliquera. Ce qu'il peut faire, en revanche, c'est mesurer comment différentes fréquences de rééquilibrage redistribuent la dispersion des résultats finaux entre cohortes ayant des horizons d'entrée distincts.

Rééquilibrer tous les mois ou tous les ans ne produit pas les mêmes trajectoires, même sous des conditions de marché identiques.

Dans un environnement de rendements avec une tendance directionnelle persistante, un rééquilibrage fréquent freine la composition des actifs qui progressent et maintient l'exposition aux actifs qui reculent. Sur des marchés à forte dispersion inter-actifs, cet effet est amplifié. À l'inverse, dans un environnement de retour à la moyenne, un rééquilibrage fréquent capture systématiquement les décalages temporaires et réduit la volatilité du portefeuille agrégé, ce qui, via l'effet du volatility drag, améliore le rendement géométrique. La conclusion n'est donc pas qu'une fréquence est supérieure à une autre en termes absolus. Elle est que la fréquence optimale dépend du régime de marché, et que deux cohortes entrant à des moments différents de ce régime obtiendront des résultats finaux différents pour une même règle de rééquilibrage. Ce constat est l'un des arguments les plus solides en faveur de la modélisation multi-périodes par rapport aux approches statiques.

Une cohorte qui rééquilibre en début de phase baissière ne vit pas le même mécanisme qu'une cohorte qui rééquilibre en début de phase haussière.

Imaginez deux cohortes appliquant la même règle de rééquilibrage annuel, mais entrant sur le marché à douze mois d'intervalle. Si la première cohorte effectue son premier rééquilibrage au début d'une phase de forte volatilité, elle achète des actifs dépréciés avec un capital qui n'a pas encore bénéficié de plusieurs années de composition. La seconde cohorte, qui rééquilibre pour la première fois après une phase de rendements favorables, achète les mêmes actifs dépréciés mais avec un capital déjà composé, donc en valeur absolue supérieure. Le mécanisme est identique pour les deux cohortes. Le résultat final est structurellement différent, non pas à cause d'une différence de règle ou de discipline, mais à cause de l'état du capital au moment où la règle s'applique. Seul un modèle multi-périodes permet de décomposer et de quantifier cet écart avec précision.

Chaque rééquilibrage a un coût. Sur vingt ans de rééquilibrages fréquents, ces coûts s'accumulent et réduisent la base de composition disponible.

Les coûts de transaction associés au rééquilibrage ne sont pas anecdotiques dans un modèle multi-périodes : ils réduisent à chaque opération la base sur laquelle les périodes futures se composent. L'effet d'un coût récurrent de transaction n'est pas additif, il est multiplicatif dans le sens inverse. Un coût de cinquante points de base par rééquilibrage trimestriel représente deux cents points de base par an de capital soustrait à la composition. Sur un horizon de vingt ans, cette soustraction récurrente crée un écart de patrimoine final qui peut dépasser plusieurs fois la valeur nominale des coûts cumulés, précisément parce que chaque tranche soustraite ne compose plus sur les périodes restantes. L'analyse honnête du rééquilibrage doit donc toujours intégrer cette dimension, sous peine de surestimer systématiquement les bénéfices de la règle appliquée.

Simuler plusieurs milliers de trajectoires sous différentes fréquences de rééquilibrage produit une distribution, pas un résultat unique.

Lorsqu'un modèle stochastique simule des trajectoires pour plusieurs cohortes sous différentes règles de rééquilibrage, le résultat n'est pas une hiérarchie claire des fréquences. C'est une distribution de patrimoines finaux dont la forme, la médiane et les queues varient selon la fréquence choisie et selon le moment d'entrée de la cohorte. Ce que la simulation révèle systématiquement, c'est que la règle de rééquilibrage modifie la queue gauche de la distribution davantage que la médiane. En d'autres termes, le rééquilibrage fréquent tend à tronquer les résultats les plus défavorables au prix d'une légère compression des résultats les plus favorables. Pour une analyse des inégalités inter-cohortes, c'est cette modification de la forme de la distribution qui importe, bien plus que la comparaison des valeurs médianes. Les médianes se ressemblent ; les queues divergent. C'est là que les inégalités patrimoniales réelles se lisent.

Les résultats de simulation sur le rééquilibrage décrivent des trajectoires passées et des sensibilités de modèle, pas des prescriptions pour l'avenir.

Un modèle multi-périodes bien construit vous dit comment différentes règles de rééquilibrage auraient redistribué la dispersion patrimoniale sous les conditions historiques ou simulées testées. Il ne vous dit pas quelle règle produira les meilleurs résultats dans les vingt prochaines années, parce que cette réponse dépend du régime de marché futur, qui n'est pas connaissable au moment de l'analyse. Toute conclusion qui franchit cette frontière transforme un exercice analytique rigoureux en affirmation non étayée. La valeur d'une analyse de rééquilibrage multi-périodes ne réside pas dans la règle qu'elle recommande. Elle réside dans la compréhension des mécanismes par lesquels différentes fréquences interagissent avec la volatilité, la séquence des rendements et les coûts pour produire des écarts patrimoniaux entre cohortes. Cette compréhension mécanique est transférable. Les recommandations dérivées des simulations passées ne le sont pas nécessairement.