Global ou local : la théorie oppose volontiers ces deux types d’heuristiques en
optimisation. La version globale (recuit simulé, algorithme génétique) promet d’éviter
les impasses du modèle classique en explorant tout l’espace possible. La version locale
(descente de gradient, recherche taboue) mise sur l’efficacité et l’adaptation rapide à
l’environnement immédiat. Notre équipe s’est demandé ce que ça donne, une fois que les
contraintes suisses s’invitent à la table.
Premier constat : les heuristiques globales semblent meilleures sur le papier pour
trouver des solutions originales, hors des sentiers battus. Mais ces solutions souffrent
souvent d’un manque de robustesse dès qu’un paramètre change. Les méthodes locales,
elles, aboutissent plus vite à des solutions réalisables, mais peuvent rester bloquées
dans des sous-optima. Sur nos cas testés, l’arbitrage devient concret : vouloir tout
explorer, c’est accepter plus de variabilité. Privilégier l’efficacité locale, c’est
renoncer à certaines innovations de portefeuille.
Les tests sur données suisses montrent que l’avantage théorique d’une famille s’amenuise
à mesure que s’ajoutent les contraintes fiscales, réglementaires ou de liquidité. Au
final, la solution optimale n’est ni globale ni locale à 100 %. Notre équipe recommande
d’alterner les méthodes selon la structure du portefeuille, les ressources disponibles
et le besoin de traçabilité. Comme toujours, la méthode miracle n’existe pas : la
réalité oblige à changer d’outil selon le problème posé.