La première chose à faire pour élaborer un portefeuille bien diversifié consiste à établir une répartition stratégique d’actif (RSA). Celle-ci procure la combinaison d’actif recommandée qui correspond au rendement et au niveau de risque attendus, et le portefeuille type pouvant faire l’objet de modifications tactiques en fonction des tendances à court terme et des perspectives du marché. L’élaboration d’une gamme de portefeuilles de RSA requiert la formulation d’hypothèses à long terme sur les rendements des catégories d’actif, le risque et les caractéristiques de corrélation ainsi que sur les principales variables de l’économie et des marchés des capitaux. Le texte qui suit présente le processus que suit RBC Gestion mondiale d’actifs (RBC GMA) pour s’acquitter de cette tâche complexe.

Approche multimodèle exhaustive

RBC GMA utilise plusieurs modèles de prévision autonomes provenant des équipes de placement de la société. Cette approche permet d’englober un plus grand nombre de catégories d’actif et d’atténuer le risque de biais inhérent à l’utilisation d’un seul modèle de prévision. Elle offre une multiplicité de points de vue dans un grand éventail de catégories d’actif.

Le Comité sur le rendement à long terme RBC GMA recueille les résultats produits par les modèles, les analyse et en discute pour formuler les hypothèses de rendement prévu. Il se penche aussi sur les nouvelles catégories d’actif pour évaluer leur efficacité à long terme quant à la production de rendements, les possibilités de modélisation et leur intégration dans le processus d’élaboration du portefeuille.

Les modèles fonctionnent indépendamment les uns des autres, mais adoptent la même approche d’utilisation des paramètres prévisionnels dans le contexte des résultats historiques et des relations empiriques pour donner une vision à long terme des catégories d’actif. Les hypothèses de base sous-jacentes, les points de départ et les calculs varient selon les modèles. Cette approche a aussi pour avantage accessoire, mais notable, de reconnaître que les résultats des modèles de prévision sont parfois plus exacts pour certaines catégories d’actif que d’autres, ce qui permet de couvrir un plus vaste ensemble.