Cette thèse aborde les problèmes d 'allocation de portefeuille en étudiant les estimateurs robustes de la matrice de covariance et la dépendance dynamique entre les actifs financiers afin d’améliorer la performance globale des stratégies d’allocation basées sur le risque. La première partie de cette thèse porte sur l'estimation de la matrice de covariance. Nous développons un estimateur robuste et non bruité adapté à des hypothèses plus réalistes sur les rendements des actifs, basé sur le "M"-estimateur de Tyler et la théorie des matrices aléatoires (RMT). Cet estimateur est adapté aux distributions non gaussiennes (distributions elliptiques) et montrons que les actifs doivent être de préférence classés en groupes homogènes avant d’appliquer la méthodologie proposée. La deuxième partie est consacrée à l'évaluation de la dépendance dynamique entre les actifs en utilisant la mesure généralisée de cohérence partielle dirigée (GPDC) pour prendre en compte à la fois la direction et la force des relations causales entre les actifs. Néanmoins, une estimation naïve du modèle vecteur autorégressif (VAR) conduit à de mauvais résultats pour la GPDC. Pour capturer avec précision les schémas de diffusion, nous proposons une estimation parcimonieuse (mBTS-TD) du VAR (suppression des coefficients non significatifs) en combinant deux méthodes de sous-sélection, la méthode modified Backward-in-Time Selection (mBTS) et la stratégie Top-Down (TD). Enfin, dans la dernière partie, nous dérivons du coefficient de clustering un indicateur adapté au nombre de connexions dans le réseau afin d'éliminer les actifs les plus instables (systémiques et influencés) avant d'allouer les portefeuilles. De plus, une étude empirique est réalisée qui montre qu'en combinant les différents résultats des chapitres, nous arrivons à améliorer significativement les performances des stratégies d'allocation.