Portfolio Optimizer Pro v2.0

Système quantitatif institutionnel — Rotation sectorielle thématique
Institutional Quantitative System — Thematic Sector Rotation

---

🇫🇷 En français

Présentation

Portfolio Optimizer Pro est un système d'allocation tactique d'actifs combinant le modèle Black-Litterman, des signaux momentum 6 mois, et une optimisation max Sharpe avec shrinkage Ledoit-Wolf. Il tourne un backtest mensuel sur 8 ETFs sectoriels thématiques (2008–2026) et génère un rapport HTML institutionnel avec allocation recommandée + rationale automatique.

Résultats du backtest (2008–2026)

Métrique	Stratégie	Benchmark (SPY)
Rendement total	+1 033 %	+519 %
Rendement annualisé	+17.1 %	+14.5 %
Volatilité	~18 %	~16 %
Sharpe Ratio	~0.95	~0.88
Max Drawdown	~−47 %	~−55 %
Alpha vs SPY	+2.64 %/an	—

Coûts de transaction 0.10% par trade inclus. Résultats en dehors de l'échantillon sur la période post-2022 particulièrement solides.

---

🇬🇧 In English

Overview

Portfolio Optimizer Pro is an institutional-grade tactical asset allocation system built on Black-Litterman expected return blending, 6-month momentum signals, and max-Sharpe optimization with Ledoit-Wolf covariance shrinkage. It runs a monthly backtest across 8 thematic sector ETFs (2008–2026) and produces a professional HTML report with recommended allocation and auto-generated rationale.

Backtest Results (2008–2026)

Metric	Strategy	Benchmark (SPY)
Total Return	+1,033%	+519%
Annualized Return	+17.1%	+14.5%
Volatility	~18%	~16%
Sharpe Ratio	~0.95	~0.88
Max Drawdown	~−47%	~−55%
Jensen's Alpha	+2.64%/yr	—

0.10% transaction costs per trade included. Post-2022 out-of-sample performance is particularly robust.

---

Univers d'actifs / Asset Universe

Ticker	Nom	Thème macro	Secteur
QQQ	Nasdaq 100 ETF	Tech & Croissance séculaire	Technology
SMH	VanEck Semiconductor ETF	Infrastructure IA	Semiconducteurs
URA	Global X Uranium ETF	Renaissance Nucléaire	Énergie Propre
XLE	Energy Select Sector SPDR	Cycle Énergie & Géopolitique	Énergie traditionnelle
GLD	SPDR Gold Shares	Valeur Refuge & Inflation	Métaux Précieux
XLP	Consumer Staples Select SPDR	Défensif & Faible Beta	Consommation de Base
BIL	SPDR Bloomberg 1-3M T-Bill ETF	Cash Tactique / Risk-Off	Obligations CT
ITA	iShares Aerospace & Defense ETF	Dépenses OTAN & Géopolitique	Industriels / Défense

Logique de l'univers : faibles corrélations inter-thèmes, couverture macro complète (croissance / inflation / défense / cash), permettant une rotation tactique réelle selon le régime de marché.

---

Architecture

v6/
├── main.py             ← Point d'entrée principal (pipeline complet)
├── config.py           ← Univers d'actifs, dates, benchmark (modifiable)
├── model.py            ← Moteur Black-Litterman + Ledoit-Wolf + max Sharpe
├── data.py             ← Téléchargement et prétraitement via yfinance
├── performance.py      ← Rapport HTML institutionnel (métriques + allocation)
├── stress_test.py      ← Tests de stress : 2008, COVID-2020, Drawdown 2022
├── app.py              ← Dashboard Streamlit interactif
├── videomaker.py       ← Génération de vidéo animée du backtest
├── requirements.txt    ← Dépendances Python
├── LANCEMENT.md        ← Guide de démarrage rapide
├── assets/             ← CSS, logo
└── docs/               ← Documentation technique (API, méthodologie)

---

Installation

# Cloner / copier le dossier v6/
cd v6/

# Installer les dépendances
pip install -r requirements.txt

# Lancer le backtest complet
python main.py

Dépendances principales :

pandas>=1.5.0          numpy>=1.23.0
yfinance>=0.2.0        quantstats>=0.0.40
pypfopt>=1.5.0         matplotlib>=3.6.0
streamlit>=1.28.0      scipy>=1.10.0

---

Pipeline d'exécution / Execution Pipeline

1. DONNÉES          yfinance → prix ajustés dividendes (2008–aujourd'hui)
        ↓
2. MOMENTUM         Rendement 126 jours (6 mois) → views absolues BL
        ↓
3. OPTIMISATION     Black-Litterman blending → max Sharpe (Ledoit-Wolf Σ)
        ↓  (mensuel, fenêtre glissante 6 mois)
4. BACKTEST         Simulation cumulative avec coûts de transaction 0.10%
        ↓
5. RAPPORT          HTML institutionnel : métriques + régime + allocation + rationale

---

Méthodologie / Methodology

Black-Litterman

Combine les rendements d'équilibre CAPM avec des views absolues dérivées du momentum :

E[R] = [(τΣ)⁻¹ + P'Ω⁻¹P]⁻¹ × [(τΣ)⁻¹Π + P'Ω⁻¹Q]

• τ = 0.01 — scalaire de confiance (faible → prior CAPM dominant)
• Σ = matrice de covariance Ledoit-Wolf (bien conditionnée, stable)
• Π = rendements d'équilibre CAPM
• Q = rendements momentum 6 mois (views absolues)

Pourquoi Ledoit-Wolf et non S_bl ?
La covariance postérieure BL (bl.bl_cov()) est fréquemment mal conditionnée avec 8 actifs, causant des erreurs de factorisation LDL dans le solveur OSQP. La matrice Ledoit-Wolf est stable par construction et est le standard institutionnel pour les portefeuilles <50 actifs.

Signal Momentum 6 mois

momentum_126 = (price_today / price_126_days_ago) - 1

Ce signal identifie les thèmes macro en cours d'accélération et les penalise si négatifs — permettant au modèle de "sortir" via BIL (T-Bills) plutôt que de rester en actifs en chute.

Régime de marché (rapport HTML)

Le momentum 6 mois du SPY détecte le régime :

SPY 6M	Régime	Couleur
> +5%	Risk-On / Haussier	Vert
0% à +5%	Mixte	Bleu
−5% à 0%	Neutre	Gris
< −5%	Risk-Off / Baissier	Rouge

---

Dashboard Streamlit

cd v6/
streamlit run app.py

Le dashboard interactif affiche :

• Courbe de valeur de portefeuille vs SPY
• Métriques clés en temps réel
• Évolution des allocations mensuelles
• Analyse du drawdown
• Poids actuels recommandés

---

Stress Tests

python stress_test.py

Simule les périodes de crise historiques :

• 2008–2009 : Crise financière mondiale (−55% SPY)
• Fév–Mars 2020 : Crash COVID (−34% SPY en 33 jours)
• 2022 : Marché baissier taux/tech (−28% SPY)

---

Rapport HTML

Le rapport AlphaReport_[timestamp].html généré par main.py contient :

1. En-tête institutionnel — stratégie, période, benchmark
2. 8 cartes métriques — total return, CAGR, Sharpe, Sortino, Calmar, max DD, alpha, volatilité
3. Bannière régime de marché — situation SPY actuelle
4. Tableau d'allocation recommandée — poids, signal momentum, thème, rationale auto-généré
5. Section méthodologie — 6 cartes explicatives (BL, momentum, Ledoit-Wolf, max Sharpe, coûts, univers)
6. Rapport QuantStats complet — statistiques détaillées, histogrammes, rolling metrics

---

Gestion du risque / Risk Management

• Poids max par actif : 80% (contrainte OSQP)
• Poids min : 0% (pas de positions courtes)
• Cash tactique : BIL absorbe l'allocation quand tous les signaux sont négatifs
• Coûts de transaction : 0.10%/trade déduit du premier jour de chaque période
• Fallbacks : min volatility → equal weight si max Sharpe échoue (solveur numérique)

---

Résultats par régime (comportement attendu)

Période	Régime	Comportement stratégie
2008–2009	Risk-Off	Rotation vers GLD + XLE + BIL
2013–2021	Risk-On	Surpondération QQQ + SMH
2022	Risk-Off Tech	XLE + ITA + GLD — underperformance QQQ/SMH évitée
2023–2026	Risk-On IA	QQQ + SMH dominants (momentum IA fort)

---

Configuration rapide / Quick Config

Modifier config.py pour personnaliser :

ASSETS     = ["QQQ", "SMH", "URA", "XLE", "GLD", "XLP", "BIL", "ITA"]
BENCHMARK  = "SPY"
START_DATE = "2008-01-01"   # URA disponible depuis 2007
END_DATE   = None            # Jusqu'à aujourd'hui

---

Avertissement / Disclaimer

Ce logiciel est fourni à des fins éducatives et de démonstration. Les performances passées ne garantissent pas les résultats futurs. Les décisions d'investissement doivent être prises avec l'avis de professionnels qualifiés.

This software is provided for educational and demonstration purposes only. Past performance does not guarantee future results.

---

Contact

Email : [sevenson506@gmail.com]
LinkedIn : [Profil LinkedIn]

---

Portfolio Optimizer Pro v2.0 — Système quantitatif institutionnel
Copyright © 2026 — Tous droits réservés