# La méthodologie Ploovers

> Une méthodologie d'investissement scientifique, conçue pour maximiser la valeur nette : un univers d'actifs liquides, une sélection de fonds fondée sur 25 ans de données, une optimisation convexe sous contrainte de risque (CDaR), une allocation unique pour chaque client et un suivi dans le temps.

## En bref

- Ploovers applique aux patrimoines privés la rigueur des environnements institutionnels les plus exigeants : ceux des hedge funds.
- L'univers d'investissement se limite aux actifs liquides, cotés et transparents : ETF, actions, obligations et fonds institutionnels cotés. La dette privée et les structures opaques ou chargées en frais sont exclues.
- La sélection de fonds repose sur 25 ans de données reconstituées. Le filtre élimine près de 90 % de l'univers ; seuls 5 à 10 % des fonds sont conservés.
- Le risque est mesuré par le CDaR (Conditional Drawdown at Risk), c'est-à-dire les pertes cumulées dans les pires scénarios historiques, et non par la volatilité.
- Le résultat est une allocation unique, paramétrée sur 12 critères ajustables, optimisée mathématiquement parmi des milliards de combinaisons, puis suivie dans le temps.

## Chiffres clés

| Mesure | Valeur | Fenêtre / source |
|---|---|---|
| Historique de données reconstituées | 25 ans | Sélection de fonds, crises incluses |
| Part de l'univers de fonds éliminée par le filtre | près de 90 % | 5 à 10 % des fonds conservés |
| Critères ajustables pour chaque portefeuille | 12 | Personnalisation |
| Combinaisons explorées par l'optimisation | des milliards | Optimisation convexe |
| Écart annualisé entre les 25 fonds les mieux classés et les 25 moins bien classés | +2,4 à +3,2 pts par an | 2015-2025, simulations historiques walk-forward ; positif dans chacune des 16 fenêtres de cinq ans : « Machine-Learning Fund Selection Under a Falling Alpha Tide » |
| Performance des fonds durablement décevants face à leur panier d'ETF de référence | −2,8 % par an | 2015-2025, même étude |
| Surcroît de rendement d'un portefeuille optimisé face à un panier naïf de même risque réalisé | +1,1 à +3,2 pts par an | 12 à 16 ans de données (fenêtre 2010-2026) ; positif dans chacune des 20 fenêtres de cinq ans : « The Optimism Premium » |
| Fenêtres de mesure de l'empreinte alpha d'un fonds | toutes les fenêtres glissantes d'un an des cinq dernières années | Fiches de fonds |

## Le constat

Aujourd'hui, la majorité des allocations repose encore sur des profils standards (prudent, équilibré, dynamique), des historiques trop courts et une sélection de produits peu différenciante.

Résultat : une performance souvent dégradée par les frais, une mauvaise lecture du risque réel et des portefeuilles peu adaptés aux situations individuelles. Une partie significative de la valeur se perd, souvent sans être visible.

Chez Ploovers, nous appliquons aux patrimoines privés la rigueur des environnements institutionnels les plus exigeants : ceux des hedge funds.

Notre approche repose sur un principe simple : la performance durable ne relève ni de l'intuition ni uniquement du choix de produits, mais avant tout de la construction rigoureuse d'une allocation. Nous avons transposé à la gestion patrimoniale les standards les plus avancés de la gestion institutionnelle : modélisation mathématique, analyse de données à grande échelle et optimisation sous contraintes.

Cette méthodologie permet de construire, pour chaque client, une allocation unique, conçue pour maximiser la performance nette de frais, à niveau de risque donné, tout en renforçant la résilience en période de crise. Elle se déroule en six étapes.

## 01 · Un univers d'investissement efficient par construction

Nous limitons volontairement notre univers aux instruments qui répondent à des critères stricts : simplicité structurelle, transparence totale, liquidité permanente et mesurabilité sur longue période.

Concrètement, nous sélectionnons exclusivement des actifs liquides, cotés sur les marchés financiers : ETF, actions, obligations et fonds institutionnels cotés. Ces instruments présentent une caractéristique essentielle : leur capacité à créer de la valeur nette, mesurable et vérifiable dans le temps.

À l'inverse, nous excluons systématiquement la dette privée, les actifs complexes ou opaques et les structures fortement chargées en frais.

Ce choix n'est pas idéologique. Il est statistique. Sur une longue période, la complexité structurelle est rarement corrélée à une création de valeur supérieure pour l'investisseur.

## 02 · Une sélection drastique fondée sur la performance réelle

L'univers d'investissement global comprend plusieurs milliers de fonds. Nous appliquons un processus de sélection rigoureux fondé sur 25 ans de données reconstituées, l'analyse de la performance nette de frais, la capacité à générer un alpha durable et le comportement en période de stress de marché. L'alpha désigne la sur- ou sous-performance d'un fonds, nette de frais, par rapport à son indice de référence.

L'objectif est simple : identifier les fonds qui créent réellement de la valeur, au-delà de leur coût. Ce filtre élimine mécaniquement près de 90 % de l'univers. Seuls 5 à 10 % des fonds sont conservés, selon deux logiques complémentaires : des fonds générateurs d'alpha, et des fonds apportant une diversification structurelle (corrélations faibles ou négatives).

Cette étape constitue un premier levier de performance significatif : éviter de payer des frais pour des performances équivalentes ou inférieures au marché.

Concrètement, chaque fonds est mesuré des dizaines de fois (sur toutes les fenêtres glissantes d'un an des cinq dernières années) pour établir son « empreinte alpha » : la distribution complète de sa sur- ou sous-performance nette de frais, visible sur chaque fiche de fonds.

Ce que mesurent nos simulations historiques : sur 2015-2025, l'écart de performance annualisé entre les 25 fonds les mieux classés et les 25 moins bien classés par notre moteur de sélection est de +2,4 à +3,2 points par an. Cet écart est positif dans chacune des 16 fenêtres de cinq ans étudiées, et il reste positif après contrôle des grands facteurs de risque. Le résultat le plus fiable est le repérage des fonds durablement décevants : ils détruisent 2,8 % par an face à leur panier d'ETF de référence. Ces chiffres sont issus de simulations sur données historiques, non de performances réelles.

## 03 · Une personnalisation avancée, fondée sur la combinatoire

Contrairement aux approches traditionnelles reposant sur quelques profils standardisés, nous construisons chaque allocation à partir d'un espace de décision beaucoup plus large.

Chaque portefeuille est paramétré selon 12 critères ajustables, notamment : le niveau de tolérance au risque, la répartition ETF / actions / obligations, les expositions géographiques, des préférences diverses (small caps, secteurs…) et les contraintes spécifiques du client.

Sur le plan mathématique, cela représente des milliards de combinaisons possibles. Notre rôle n'est pas de choisir une option « proche » de votre profil, mais de déterminer l'allocation exacte qui correspond à vos contraintes.

## 04 · Une optimisation quantitative sous contrainte de risque

La construction du portefeuille repose sur un moteur d'optimisation avancé, inspiré des pratiques des hedge funds quantitatifs. Deux principes structurent cette étape.

**a. Une mesure du risque centrée sur les pertes réelles.** Nous ne pilotons pas le risque par la volatilité. Nous utilisons une métrique issue de la gestion institutionnelle : le CDaR (Conditional Drawdown at Risk), qui mesure les pertes cumulées dans les pires scénarios historiques. Autrement dit, nous optimisons le portefeuille pour minimiser ce qui fait réellement mal à l'investisseur, les pertes profondes et durables.

**b. Une optimisation convexe.** L'allocation est déterminée via des algorithmes d'optimisation convexe. Une optimisation est dite convexe lorsque tout optimum local est aussi l'optimum global, l'algorithme ne peut pas rester bloqué sur une solution intermédiaire. Cela permet d'explorer des milliards de combinaisons, de converger vers un optimum global (et non local), et d'intégrer simultanément rendement, risque et contraintes client. Sans ce type d'approche mathématique, la construction d'un portefeuille reste nécessairement sous-optimale.

Ce que mesurent nos simulations historiques : entre un portefeuille optimisé par notre moteur et un panier naïf de même niveau de risque réalisé, le surcroît de rendement annualisé est de +1,1 à +3,2 points par an, sur 12 à 16 ans de données. Il est positif dans chacune des 20 fenêtres de cinq ans étudiées. Là encore, il s'agit de simulations sur données historiques.

## 05 · Une allocation optimale, unique et alignée

Le résultat de ce processus est une allocation unique (elle n'existe que pour vous), pleinement alignée à vos contraintes et objectifs, optimisée mathématiquement, et à la résilience maximisée dans les scénarios de crise.

Notre objectif n'est pas de proposer un « bon portefeuille ». C'est de construire, pour un niveau de risque donné, le portefeuille qui maximise la performance nette, tout en minimisant les pertes dans les pires conditions de marché.

Cette allocation contient souvent beaucoup de « petites » lignes. C'est un choix de méthode, la marge de diversification, expliqué et chiffré dans un guide dédié (voir Pages liées).

## 06 · Un rééquilibrage annuel (si nécessaire)

Une allocation optimale consiste en un équilibre des poids entre les différents actifs d'une allocation. Les mouvements de marché font évoluer cet équilibre.

Nous assurons un suivi du portefeuille dans le temps pour maintenir cet équilibre ainsi que la cohérence entre votre allocation et vos objectifs.

## Sources

- Ploovers Research, « Machine-Learning Fund Selection Under a Falling Alpha Tide » : sélection de fonds par apprentissage automatique, simulations historiques walk-forward, période 2015-2025.
- Ploovers Research, « The Optimism Premium » : optimisation de portefeuille sous contrainte de CDaR, cinq univers réels, données 2010-2026.
- Chekhlov, A., Uryasev, S., Zabarankin, M. (2005). « Drawdown Measure in Portfolio Optimization ». *International Journal of Theoretical and Applied Finance*, 8(1), 13-58 : définition du CDaR.

## Pages liées

- La méthodologie Ploovers (cette page) : https://ploovers.com/company/approach : version Markdown : https://ploovers.com/company/approach.md
- L'Advisor Alpha, quantifié : https://ploovers.com/company/approach/advisor-alpha : version Markdown : https://ploovers.com/company/approach/advisor-alpha.md
- Comment nous mesurons ce que votre fonds vous rapporte vraiment : https://ploovers.com/fonds/methodologie : version Markdown : https://ploovers.com/fonds/methodologie.md
- Note de recherche (sélection de fonds par apprentissage automatique : https://ploovers.com/fonds/recherche) version Markdown : https://ploovers.com/fonds/recherche.md
- Pourquoi votre portefeuille contient beaucoup de « petites » lignes : https://ploovers.com/invest/guide/diversification : version Markdown : https://ploovers.com/invest/guide/diversification.md
- Fiches de fonds (empreinte alpha par fonds) : https://ploovers.com/fonds : version Markdown par fonds : https://ploovers.com/fonds/{ISIN}.md
- Parler à un conseiller : https://ploovers.com/appel-decouverte

## Avertissement

Information à caractère non publicitaire, fournie à titre indicatif. Elle ne constitue pas un conseil en investissement personnalisé. Les écarts de performance cités sont mesurés par des simulations historiques, c'est-à-dire des simulations sur données historiques : ils ne sont ni une performance réelle ni une promesse de rendement. Les performances passées ne préjugent pas des performances futures. Tout investissement comporte un risque de perte en capital.

Source : Ploovers : https://ploovers.com/company/approach