Les modèles factoriels empiriques : Typologie et résultats empiriques
Transcription
Les modèles factoriels empiriques : Typologie et résultats empiriques
Les modèles factoriels empiriques : Typologie et résultats empiriques Philippe Bernard EURIsCO Université Paris IX Version préliminaire Décembre 2003 Table des matières 1 Introduction 2 2 Les trois types de modèles factoriels 7 3 Modèles à facteurs macroéconomiques 18 4 Les modèles de BARRA 33 1 1 Introduction Tester la théorie factorielle pose des problèmes délicats. Le CAPM définit la variable à prendre en compte (le portefeuille de marché). Aussi, même si des problème de mesure de celle-ci peuvent se révéler redoutable, la structure à tester est bien définie. Rien de tel avec la théorie factorielle : Aussi comme l’a souligné : “La théorie est silencieuse non seulement sur l’identité des facteurs mais aussi sur leur nombre. [...] [Aussi] tout test de l’APT est un test joint sur la relation de valorisation et sur le caractère approprié des facteurs.” (Gur Huberman [1987] [Hub87]) Un autre problème avec l’APT est l’indétermination de la nature des facteurs. En effet, supposons que la théorie soit “vraie”, i.e. que les rendements et la prime de risque se conforment aux formes supposées par cette théorie. Les rendements sont alors donnés par la forme factorielle : ea = Ra + ba .e R f + ea f est le vecteur colonne des facteurs : où e e f = fe1 ... e fk ... e fK et ba est le vecteur ligne résumant l’exposition de l’actif a aux facteurs : ba = h ba1 ... bak ... baK La prime de risque est quant à elle donnée par : Ra − R0 = b.Λ 2 i où Λ est le vecteur colonne des prix des risques factoriels : λ 1 ... Λ = λk ... λK Il est alors possible de montrer qu’il existe une infinité de K facteurs qui vérifieront une telle équation de prime de risque. En effet, pour toute matrice carrée de plein rang M, on peut définir un nouveau vecteur de facteurs, noté f 0 , que l’on obtient en transformant le vecteur de facteur initial f : e f 0 = M.e f Il est alors immédiat de vérifier que si l’on redéfinit le vecteur d’exposition de la manière suivante : b0a = ba .M−1 alors les rendements ont toujours une structure factorielle (de même dimension) puisque si l’on note IK la matrice identité de rang K : ea = Ra + ba .e f + ea R = Ra + ba .IK .e f + ea ¡ ¢ = Ra + ba . M−1 .M .e f + ea ³ ´ ¡ ¢ = Ra + ba M−1 . M.e f + ea = Ra + b0a .e f 0 + ea De même, si l’on rédefinit le prix des facteurs à l’aide de M de la manière suivante : Λ0 = M.Λ 3 alors il est immédiat de vérifier que la prime de risque est, conformément à l’APT, donnée par les nouveaux facteurs d’exposition b0a et les nouveaux prix Λ0 : Ra − R0 = ba .Λ = ba .I.Λ ¡ ¢ = ba . M−1 .M .Λ ¡ ¢ = ba M−1 . (M.Λ) = b0a .Λ0 (1) (2) (3) (4) (5) Ce résultat sur la substitution des facteurs a amené Shanken [1982] [Sha82] à mettre en doute la simple possibilité de tester l’APT, ou de le distinguer d’un CAPM à facteurs multiples1 portant notamment sur la possibilité de distinguer un modèle APT d’un CAPM multiple. La thèse de l’impossibilité de distinguer ces deux modèles a également été soutenue par Connor dans un des articles théoriques les plus importants sur la théorie factorielle (Connor [1984] [Con84]). Le CAPM peut en effet se présenter comme un ‘modèle factoriel ex-post’ pour reprendre une expression de Connor. En effet, le portefeuille de marché (m) permet de définir le facteur (fe) : h i e e e f = R.m − E R.m l’exposition aux risques (ba ) de chaque actif a : ³ ´ ea , R.m e cov R ³ ´ ba = e var R.m le risque spécifique (εa ) : ea − R0 − ba .fe εa = R Si l’on note E est le vecteur colonne des risques spécifiques alors le risque spécifique du portefeuille du marché est donné par le produit vectoriel m> E. Le portefeuille de marché 1 Voir l’échange entre Shanken [1985] [Sha85] et Ross & Dybvig [1985] [DR85]. 4 est donc bien diversifié puisque : m> E= m cov(m> .R, m> .R) > .m .R var(m> .R) var(m> .R) > .m .R = m> .R− var(m> .R) = m> .R − m> .R > .R− = 0 Le CAPM apparaît donc comme un modèle factoriel. Cependant, il ne l’est qu’ex-post : il ne suppose pas en effet que les rendements sont engendrés par un ‘processus factoriel’ mais il utilise les actifs existants pour construire implicitement un modèle factoriel. Ces difficultés n’ont cependant pas empêché le développement des évaluations empiriques des modèles factoriels. La multiplication des “anomalies” inexplicables par le CAPM rendait en effet nécessaire le développement de modèles empiriques alternatifs. Or, “le modèle factoriel est un rêve d’empiriste.” (Fama [1991] [Fam91] p. 1594). Il a en effet les qualités de ses défauts : la faiblesse des restrictions théoriques peut aussi être considéré comme un appel à multiplier à l’infini les facteurs possibles. D’ailleurs, les premiers modèles factoriels furent estimés avant même l’article de Ross, notamment par Barr Rosenberg [1974] [Ros74], le fondateur de la société de conseil financier BARRA. L’étude de Roll & Ross [1980] [RR80]) fut sans doute la première évaluation empirique de l’APT. L’échantillon utilisé portait sur les rendements quotidiens de 1260 entreprises sur la période juillet 1962 - décembre 1972. Pour garder un problème informatiquement (alors) traitable, 42 groupes de trente entreprises furent constitués et étudiés à l’aide de l’analyse en composante principale. Dans chaque groupe les sensibilités de chaque titre j de chaque groupe j à chaque facteur k, β ikk , fut tout d’abord estimé avant d’effectuer des régressions transversales (à la Fama & MacBeth) pour chaque période t : Rijt = RZkt + X bijk .λjtk k Pour une groupe donné, les régressions estimés aux différentes périodes engendrent des primes de risque moyennes pour tous les facteurs retenus. Une restriction induite (notamment) par l’APT est que les moyennes de RZkt et des λjtk des différents groupes ne doivent pas être (statistiquement) différentes. 5 Un des résultats constructifs de ce travail fut de souligner qu’un nombre réduit de facteurs, plus précisément moins d’une demi-douzaine, suffisait : dans 38% des groupes, il y avait en effet moins de 10% de chances qu’il soit utile d’aller au delà de 5 facteurs ; dans 3/4 des groupes, il y a 50% de chances que cinq facteurs soient suffisants. Ces travaux ont suscité une controverse longue et durable portant sur la méthode utilisée, sur sa capacité à tester véritablement la théorie factorielle. Un résultat peu contesté de la littérature empirique est que l’addition de facteurs supplémentaires permet d’accroître substantiellement le pouvoir explicatif des modèles. Ainsi sur la figure 1 est reporté un des résultats obtenus par Roll [1988] dans un article au titre particulièrement court : “R2 ”. Même si le modèle à cinq facteurs de Roll a un pouvoir explicatif moyen limité puisque la valeur moyenne de R2 est de 0.244, elle est sensiblement supérieure à celle du CAPM. La distribution des R2 de l’APT donne plus de poids aux valeurs importantes des R2 : pour 15% des titres, le R2 est supérieur ou égal à 0.5 contre moins de 5% des titres pour le CAPM.2 Peu après Roll & Ross, une autre évaluation de l’APT fut réalisé par Chen [1983] [Che83] sur un échantillon couvrant la période 1963-1978 et comprenant entre 1000 et 1500 actifs. Outre l’estimation du nombre de facteurs, Chen réalisa une comparaison des performances du CAPM et de l’APT, confrontation à l’avantage de la théorie factorielle. Après ces premiers travaux initiaux encourageants, les modèles estimés se multiplièrent. En raison du faible nombre de contraintes sur les facteurs utilisables, les modèles factoriels estimés ont été fort divers au cours du dernier quart de siècle. On s’accorde aujourd’hui cependant sur le fait que les différents modèles peuvent être regroupés en trois principaux types. 2 Le CAPM n’est pas pour autant complètement abandonné. Il a lui aussi connu un profond renouvelle- ment. Ses nouvelles modélisations empiriques s’inspirent cependant désormais plus soit de sa modélisation dynamique, l’ICAPM (Intertemporal Capital Asset Pricing Model), soit de la version obtenue en équilibre général, le CCAPM ou CAPM de consommation. Le CAPM lui-même n’est pas absent des modèles factoriels puisque le risque de marché constitue en général l’un des facteurs retenus, et même l’un des plus importants. 6 16 14 12 10 CAPM 8 APT 6 4 2 0 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 Fig. 1 — Les distributions des R2 du CAPM et d’un modèle factoriel à 5 facteurs statistiques estimés sur les rendements mensuels de 2300 actions du NYSE et de l’AMEX sur la période allant de septembre 1982 à août 1987. (source : Roll [1988] p. 544) 2 Les trois types de modèles factoriels Les modèles factorielles se différencient non seulement par leurs facteurs, mais aussi par les variables qu’ils supposent exogènes, endogènes et par leurs techniques d’estimation. En reprenant la typologie proposée par Connor [1995] [Con95a] [Con95b], on peut distinguer trois principaux types de modèles factoriels dont les propriétés sont détaillées dans le tableau 1 : — les modèles à facteurs macroéconomiques ; — les modèles à facteurs fondamentaux ; — les modèles à facteurs statistiques. Dans les modèles à facteurs macroéconomiques, les facteurs retenus sont essentiellement des prix ou des indices reflétant l’activité des marchés financiers et de l’économie. Ainsi, par exemple on rencontrera, sous différentes appellations, le rendement du marché (ou d’un indice supposé le représenter), la structure par terme des taux d’intérêt, la production industrielle, la prime de qualité payé sur les titres privés de faible qualité. 7 Le choix des facteurs macroéconomiques non sur une méthode mais sur l’intuition du modélisateur ou sur l’exploitation de résultats antérieurs. Aussi l’absence de méthode pour la sélection des facteurs conduit-elle à parler de facteurs pré-spécifiés. Dans ce type de modèle, le cadre de référence est celui de l’équation de rendement : Ra (t) = R0 (t) + X bak .fk (t) + εa (t) (6) k Les variables observées à chaque période t sont alors les rendements (les Ra (t)) ainsi que les facteurs macroéconomiques, c’est-à-dire les fk (t). Les facteurs estimés sont alors pour chaque actif ses sensibilités aux facteurs, les bak ou betas factoriels. Pour obtenir ces variables pour la période considérée, on estime donc pour chaque actif l’équation (6) en recourant aux méthodes de l’économétrie des séries temporelles. La seconde étape d’estimation (commune à l’ensemble des modèles) est celle de l’estimation des différents prix des risques (λk (t), k = 1, ..., K) de l’équation : Ra (t) = αa (t) + R0 (t) + X bak .λk (t) (7) k où αa (t) est économétriquement le résidu obtenu, économiquement la sur-performance du titre a. Si la théorie factorielle était vraie, αa (t) devrait être nul pour tous les actifs et pour toutes les périodes. L’estimation de l’équation (7) se fait pour chaque période t et sur l’ensemble des actifs (estimation en coupe donc). Les différentes estimations obtenues sont ensuite moyennées. Dans les modèles fondamentaux, le point de départ est non pas des variables définissant l’environnement des entreprises, les facteurs macroéconomiques, mais des variables supposées caractériser l’entreprise considérée et son titre. Ainsi, la société de conseil financier qui a le plus développé ce type de modèle, la société BARRA, on considère : — le secteur d’activité (plus ou moins finement défini selon le pays considéré), — des caractéristiques de l’action dont — son rendement en dividendes (le facteur DIVIDEND YIELD des modèles BARRA) — sa capitalisation (SIZE), — sa croissance moyenne au cours des dernières années (GROWTH), — sa volatilité (VOLATILITY), 8 — la persistance de ses évolutions (MOMENTUM), — l’importance des échanges (TRADING) ; — des caractéristiques de l’entreprise dont — le rendement de ses actifs (EARNING YIELD), — la volatilité de celui-ci (EARNING VOLATILITY), — son levier d’endettement (LEVERAGE). Dans ce type de modèle, l’équation de rendement implicitement considéré est : Ra (t) = R0 (t) + X bak (t).fk (t) + εa (t) (8) k où les variables observées sont les rendements (Ra (t)) et les expositions aux risques (Ra (t)), les variables estimées sont les facteurs fondamentaux (fk (t)). Pour estimer ces variables, on procède pour chaque période t, à une estimation en coupe permettant d’obtenir fk (t). Comme dans les modèles macroéconomiques, le choix des facteurs n’est pas la conséquence d’une procédure rigoureuse et donc les facteurs sont pré-spécifiés. Enfin, le dernier type de modèle sont ceux utilisant des facteurs statistiques. Plus précisément, dans cette approche, on prend appui sur le résultat que s’il existe suffisamment d’actifs financiers pour faire de l’évaluation par arbitrage, alors on peut synthétiser les rendements des facteurs par des portefeuilles financiers. Aussi, ce résultat étant acquis, on peut alors dans les équations de rendement substituer aux facteurs fondamentaux ou aux facteurs macroéconomiques des actifs ou des portefeuilles. Les équations des rendements sont donc désormais de la forme : Ra (t) = R0 (t) + X bak (t).Rkf (t) + εa (t) (9) k où les Rkf (t) sont les rendements des actifs financiers servant de facteurs. Dans cette approche, le problème essentiel est alors de déterminer le nombre de facteurs à utiliser. Plusieurs méthodes ont été proposées dont des méthodes s’inspirant de l’analyse en composante principale. A la différence des deux approches précédentes, la détermination du nombre de facteurs est une étape centrale de l’approche statistique. Plusieurs méthodes ont été proposées depuis l’article de Roll & Ross [1980], dont deux des plus utilisées sont celles de Lehmann & Modest [1988] [LM88] et de Connor & Korajczyk [1988] 9 Tab. 1 — Les différents types de modèles factoriels et leurs caractéristiques Types de facteurs Variables exogènes (inputs) Technique d'estimation Variables endogènes (outputs) - Régressions temporelles - Betas factoriels des titres - Rendements des titres Macroéconomiques - Variables macroéconomiques - Rendements des titres Fondamentaux - Régressions en coupe - Facteurs fondamentaux - Caractéristiques des titres - Facteurs statistiques Statistiques - Rendements des titres - Régressions itérées en coupe et temporelles - Betas factoriels des titres source : Connor [1995] [CK88].3 En théorie, si l’APT était “vraie”, si l’on était capable d’identifier le nombre exact de facteurs, si le risque spécifique pouvait être totalement négligé, etc., les différents facteurs proposés pourraient être équivalents. On conçoit même intuitivement que ces approches puisse correspondre à différents niveaux d’analyse comme l’illustre la figure 2. Dans cette interprétation : — l’approche des facteurs macroéconomiques capturent les caractéristiques de l’environnement économique des entreprises ; — l’approche des facteurs fondamentaux essaie de saisir la traduction des effets macroéconomiques sur la rentabilité, la fragilité financière, etc. de l’entreprise ainsi que sur celles du secteur ; — la combinaison des caractérisques et des risques fondamentaux sur les entreprises déterminent alors la prime de risque des entreprises ; 3 La méthode de Connor & Korajczyk repose sur un résultat de Chamberlain & Rotschild [1983] [CR83] établissant un lien entre les facteurs des rendements et les valeurs propres des produits des rendements. Ce résultat assure que lorsque les portefeuilles deviennent arbitrairement grand, les K valeurs propres les plus grandes tendent à coïncider avec les facteurs. 10 facteurs statistiques caractéristiques cj1 facteurs macroéconomiques facteurs fondamentaux m1 mK Rj-R0 cjS f1 f= . ........ ........ ...... .... ........ ........ ... m= j = 1,...,J .. ........ ........ ..... entreprise j : cj = caractéristiques ci1 fN entreprise i : ci = .... ........ ........ ... avec f = T.m Ri-R0 ciS Fig. 2 — Les relations (possibles) entre les différentes approches factorielles. — par arbitrage, les primes de risque déterminés par les facteurs macroéconomiques à un premier niveau, par les facteurs fondamentaux à un second niveau, peuvent également être déterminés par celles d’un ensemble d’entreprises. Concrètement cependant, on peut s’attendre pour toutes conditions ne soient plus vérifiées, et donc que certains modèles soient plus performants que d’autres. Aussi, la diversité des approches incitant à leur évaluation, différentes méthodes furent proposées. L’une des plus intuitives est le test proposé par Connor & Korajczyk [1993] [CK93] lequel se propose de mesurer soit le pouvoir explicatif d’un facteur, soit celui d’un modèle. Sa méthode est d’évaluer le pouvoir explicatif supplémentaire apporté soit par l’introduction d’un facteur rajouté à un ensemble de facteurs, soit par celle de l’ensemble des facteurs d’un second modèle factoriel à l’ensemble des facteurs d’un premier modèle. Si l’on note σ i la variance totale de l’actif i, σ i,∈ la variance de l’actif i non expliquée par les facteurs, 11 Tab. 2 — Le pouvoir explicatif des facteurs statistiques (pris isolément ou rajoutés aux autres). Facteur 1 2 3 4 5 Tous Contribution marginale au pouvoir explicatif 29.0% 3.5 3.1 1.8 1.7 39.0 source : Connor [1995] σ la moyenne des variances des actifs, σ ∈ la moyenne des variances résiduelles des actifs alors le pouvoir explicatif P E est défini comme étant égal à : P E := 1 − σ∈ σ (10) Connor [1995] [Con95a], dans un article influent, a appliqué cette méthode pour comparer les trois types de modèles factoriels. Les données utilisées sont constituées par les rendements mensuels de 779 capitalisations importantes américaines (de la base de BARRA sur les capitalisations importantes) sur la période allant de janvier 1985 à décembre 1993. Les résultats pour le modèle statistique (tableau 2) sont très similaires à ceux obtenus par Connor & Korajczyk [1993] [CK93] à l’aide d’un échantillon légèrement différent. Le pouvoir explicatif du premier facteur est de 29% - score similaire à celui d’un CAPM. L’addition de 4 autres facteurs permet de l’augmenter de 10 points. La contribution de chacun des facteurs additionnels est cependant inférieur ou égal à 3.5%. Le modèle macroéconomique testé par Connor [1995] est relativement standard par les facteurs utilisés. Les 5 facteurs macroéconomiques pris en compte sont en effet : — l’inflation, facteur défini comme la variation du log népérien de l’indice des prix à la consommation ; — la structure par terme des taux d’intérêt, facteur défini comme la différence entre le rendement sur une obligation d’Etat à long-terme moins le rendement sur les bons 12 Tab. 3 — Le pouvoir explicatif des facteurs macroéconomiques (pris isolément ou rajoutés aux autres). Pouvoir explicatif Contribution Facteurs de chaque marginale facteur Inflation 1.3% 0.0% Term structure 1.1 7.7 Industrial production 0.5 0.3 Default premium 2.4 8.1 Unemployment 0.3 0.1 All 10.9 source : Connor [1995] du Trésor à un mois ; — la production industrielle, facteur défini comme la variation du logarithme népérien de l’indice de la production industrielle ; — le facteur de défaut, facteur défini comme la prime de rendement sur les obligations privées de faible qualité ; — le chômage, facteur défini comme la variation du taux de chômage. Les résultats obtenus sont reportés dans le tableau 3. Dans la première colonne est reporté le pouvoir explicatif de chaque facteur lorsqu’il est seul entré dans le modèle : le pouvoir explicatif de l’ensemble des facteurs est très faible (au maximum 2.5%). Lorsque les 5 facteurs sont considérés, le pouvoir explicatif est considérablement plus important, puisqu’il est de près de 11%, mais il demeure inférieur au modèle statistique. La contribution marginale de chaque facteur i, i.e. l’accroissement du pouvoir explicatif du modèle introduit par l’introduction du facteur i au côté des 4 autres, est très inégale : elle est négligeable pour l’inflation, la production industrielle, le chômage, considérable pour la structure par terme et le risque de défaut. Enfin, le dernier modèle évalué par Connor [1995] est un modèle fondamental reprenant les facteurs couramment utilisés par les modèles (actions) de BARRA : 55 variables muettes de secteurs sont combinées à 12 autres facteurs de risque. Comme le montre le tableau 4, le pouvoir explicatif des variables muettes sectorielles est important (et même 13 7 ,7 9 ,0 0 8 ,0 0 7 ,0 0 8 ,1 6 ,0 0 5 ,0 0 4 ,0 0 1 ,3 0 0 ,0 0 0 ,3 2 ,4 1 ,1 0 ,1 0 ,3 en ne ef au D m lt p pl oy re m m du ro lp r ia st du t iu m ct ct ru st rm Te In U ur io n e io n 0 ,5 fla t C o ntrib utio n m a rgina l 3 ,0 0 2 ,0 0 1 ,0 0 0 ,0 0 In P o uvo ir e xp lic a tif Fig. 3 — Le pouvoir explicatif des facteurs macroéconomiques. (source : Connor [1995]) supérieur aux facteurs du modèle macroéconomique). Le pouvoir explicatif des facteurs fondamentaux (considérément isoléments) est relativement faible : seuls ceux de la volatilité et de la croissance atteignent 3%. Cependant, lorsque l’on ajoute ces facteurs fondamentaux aux facteurs sectoriels, le pouvoir explicatif du modèle est multiplié par 2.5 et passe de 16% à 42%. La contribution marginale de chaque facteur fondamentale demeure cependant très faible - en moyenne de 0.51. Ces premiers résultats évaluant l’efficacité des facteurs et le pouvoir explicatif des différents modèles est essentiellement confirmé par les seconds “tests” réalisés par Connor. La méthode de Connor & Korajczyk [1993] [CK93] peut en effet être appliquée aux modèles et non aus seuls facteurs : dans ce cas, on prend un des trois modèle comme point de départ ; puis on ajoute d’un coup tous les facteurs d’un second modèle et l’on re-estime le modèle défini par les facteurs initiaux et les facteurs rajoutés. La différence de pouvoir explicatif constitue la contribution marginale du second modèle au pouvoir explicatif du premier modèle. La première ligne du tableau 5 reprend donc les résultats antérieurs sur le pouvoir explicatif des trois types de modèles. Le modèle macroéconomique apparaît de loin comme le 14 Tab. 4 — Le pouvoir explicatif des facteurs fondamentaux (pris isolément ou rajoutés aux autres). Pouvoir Contribution explicatif en du facteur au Facteurs utilisant un pouvoir unique explicatif facteur Industries 16.3% 18.0% Volatility 4.3 0.9 Momentum 2.8 0.8 Size 1.4 0.6 Trade activity 1.4 0.5 Growth 3.0 0.4 Earnings to price 2.2 0.6 Book to price 1.5 0.6 Earnings 2.5 0.4 Financial leverage 0.9 0.5 Foreign investment 0.7 0.4 Labor intensity 2.2 0.5 Dividend yield 2.9 0.4 Total 42.6 source : Connor [1995] 15 0,4 ia l Fi na nc B oo le v k er to ag e pr G ro ic e w th 0,4 0,5 Si ze ilit y ol at pouv. explicatif si unique facteur V contribution marginale 4,5 4,3 4 3,5 3 2,8 3 2,5 2,9 2 2,2 2,5 1,5 1,4 1,4 1,5 1 0,9 0,8 0,5 0,6 0,5 0,4 0,6 0,9 0 0,6 Fig. 4 — Le pouvoir explicatif des facteurs fondamentaux. (source : Connor [1995]) moins performant puisque son pouvoir explicatif est le quart de celui des autres modèles. Le modèle fondamental apparaît aussi légèrement supérieur au modèle statistique : ceci illustre sans doute que les très nombreuses variables considérées dans les modèles fondamentaux permettent sans doute d’inférer une information considérable sur les entreprises. La seconde ligne du tableau 5 présente le pouvoir explicatif que l’on obtient lorsque l’on ajoute soit aux facteurs statistiques, soit aux facteurs fondamentaux les facteurs macroéconomiques : le pouvoir explicatif du modèle ne progresse pas. Ceci ne signifie pas que les facteurs macroéconomiques soient sans pouvoir explicatif mais que leur information est déjà pris en compte par les deux autres types de facteurs. Rajouter les facteurs statistiques aux facteurs fondamentaux donne le même résultat. Par contre, rajouter les facteurs fondamentaux aux autres facteurs augmentent substantiellement le pouvoir explicatif que le modèle initial soit macroéconomique ou statistique. Ce résultat illustre évidemment un thème récurrent de la société BARRA sur l’intérêt d’évaluer les entreprises avec une gamme importante de facteurs susceptibles d’appréhender finement leurs caractéristiques. L’analyse du pouvoir explicatif des trois types de modèles soulignent donc la performance des modèles statistiques et fondamentaux. Parmi les facteurs fondamentaux, il est 16 Tab. 5 — Le pouvoir explicatif marginal de chaque modèle factoriel. Premier Modèle MacroSecond Modèle Statistique Fondamental économique Pouvoir explicatif 10.9% 39.0% 42.6% Macroéconomique — 38.2 42.4 Statistique Fondamental 31.0 43.0 — 45.6 44.8 — source : Connor [1995] certainement nécessaire de distinguer parmi les facteurs sectoriels des autres facteurs de risque. En effet, une étude émanant d’un autre chercheur de BARRA, Engerman [1993] [Eng93], portant sur des données similaires, montre que la combinaison des facteurs macroéconomiques et des variables sectorielles donne un modèle dont le pouvoir explicatif est très proche du modèle fondamental. Aussi, comme le note Connor lui-même : “La comparaison du pouvoir explicatif est seulement un des critères par lesquels on peut évaluer la valeur des différentes approches factorielles. Au regard d’autres critères, la cohérence théorique et l’intuition économique, l’utilisation d’un modèle à facteurs macroéconomiques est sans doute la plus performante (et non la plus faible) des trois approches. Aussi, nos résultats, mêmes s’ils sont intéressants et utiles, ne concluent pas le débat sur les mérites respectifs des trois approches.” (Connor [1995] [Con95b] p. 8) Il n’est donc pas totalement surprenant que le type de modèle le moins utilisé tant au niveau académique et que sur les marchés soit le type statistique4 : quelle que soit leur pouvoir explicatif statistique, il est en effet pratiquement impossible d’interpréter économiquement leurs résultats. Les actifs et les portefeuilles servant de facteurs de période à période n’ont au surplus aucune raison d’être stable. Guider les choix de portefeuille au delà du court-terme à partir de tels modèles apparaît donc difficile. Aussi rencontre-t-on 4 Sur le marché parisien (et européen) la société APTIMUM a développé un tel modèle statistique, modèle utilisé par certaines institutions en même temps que d’autres modèles plus courants comme les modèles BARRA. 17 plus souvent les modèles à facteurs fondamentaux et les modèles macroéconomiques dont nous allons donner quelques exemples. 3 Modèles à facteurs macroéconomiques Une des premières modélisations économétriques fut réalisée par Chen, Roll & Ross [1986] [CRR86]). Cette étude a exercée une influence profonde notamment par le choix des facteurs macroéconomiques. Ce travail était suscité par un paradoxe de la littérature financière de l’époque : “Les prix des actifs sont couramment supposés réagir fortement aux informations économiques. L’expérience quotidienne semble confirmer cette opinion que les prix des actifs sont influencés par une grande variété d’événements non anticipés et que certains événements ont un impact plus important sur les actifs que d’autres. Conformément à la capacité des investisseurs de diversifier, la théorie financière moderne a concentré son attention sur des “influences” systématiques, omniprésentes comme les souces vraissemblables des risques d’investissement. [...] La théorie est demeurée, cependant, silencieuse sur la nature des événements susceptibles d’influencer tous les actifs. Un écart embarrant existe entre l’omniprésence en théorie des variables d’état “systématiques” et notre complète ignorance de leurs identités. La corrélation des évolutions des prix des actifs suggèrent la présence d’influences exogènes sous-jascentes, mis nous n’avons pas encore déterminé quelles variables économiques en sont encore responsables.”5 ([CRR86] pp. 383-84) 5 “Asset prices are commonly believed to react sensitively to economic news. Daily experience seems to support the view that individual asset prices are influenced by a wide variety of unanticipated events and that some events have a more pervasive effect on asset prices than do others. Consistent with the ability of investors to diversify, modern financial theory has focused on pervasive, or “systematic” influences as the likely source of investment risk. [...] The theory has been silent, however, about which events are likely to influence all assets. A rather embarassing gap exists between the theorerically exhaustive importance of systematic “state variables” and our complete ignorance of their identity. The comovements of asset prices suggest the presence of underlying exogenous influences, but we have not yet determined which economic variables, if any, are responsible.” 18 La démarche de Chen, Roll & Ross [1986] [CRR86] était donc de spécifier une liste de facteurs macroéconomiques et de tenter de vérifier l’APT avec ces facteurs macroéconomiques sur données mensuelles. Les facteurs retenus étaient : 1. le taux de croissance de la production industrielle soit sur une base mensuelle (MP (t)), soit sur une base annuelle (Y P (t)) ; 2. diverses mesures de l’inflation - l’inflation anticipée (E(I (t))), l’inflation non anticipée (UI (t)), la variation de l’inflation anticipée (DEI (t)) ; 3. la prime de risque (URP (t)) obtenue en calculant la différence de rendement entre les titres de mauvaise qualité émis par les entreprises privées (Baa et en dessous) et les obligations d’Etat ; 4. la structure par terme (UT S (t)) résumée par la différence de rendement entre les obligations d’Etat et les bonds du Trésor (T bills à 1 mois) 6 ; 5. les indices de marché - soit l’indice du NYSE pondéré par la valeur (V W NY (t)) ou équipondéré (EW N Y (t)). Le modèle factoriel évalué était de la forme : g + bDEI DEI f + bU P R UP ea = Ra + bMP MP ] + bU I UI ] ] R + bUT S UT S+ R a (11) La méthode d’estimation utilisée est la technique de Fama & MacBeth [1973] [FM73] : — l’exposition des actifs aux facteurs était d’abord estimée sur une période de cinq ans ; — les coefficients factoriels ainsi obtenus étaient utilisés comme variables indépendantes dans des régressions en coupe. Pour minimiser les problèmes d’erreurs dans les variables, cette méthode est seulement appliquée sur des portefeuilles (relativement) diversifiés. Pour cela, 20 portefeuilles basés sur la taille des entreprises furent constitués. Avec ceux-ci, les primes de risque furent estimés sur la totalité de la période, i.e de janvier 1958 à décembre 1984, ainsi que sur 6 Le taux de croissance du prix du pétrole fut également inséré dans une variante, mais il se révéla statistiquement insignifiant sauf sur la période 1958-67. 19 Tab. 6 — Les prix des facteurs macroéconomiques dans Chen, Roll & Ross [1986] (% par mois multiplié par 10) MP 1958-84 13,589 DEI -0,125 UI -0,629 UPR 7,205 UTS -5,211 Cste 4,124 (3,561) (-1,640) (-1,979) (2,590) (-1,690) (1,361) 13,155 0,006 -0,191 5,560 -0,008 4,989 (1,897) (0,092) (-0,382) (1,935) (-0,004) (1,271) 16,966 -0,245 -1,353 12,717 -13,142 -1,889 (2,638) (-3,215) (-3,320) (2,852) (-2,554) (-0,334) 1958-67 1968-77 1978-84 9,383 -0,140 -0,221 1,679 -1,312 11,477 (1,588) (-0,552) (-0,274) (0,221) (-0,149) (1,747) source : Chen, Roll & Ross [1986] trois sous-périodes. Sur la totalité de la période, les variables MP , U I, UP R sont significatives, la variable U T S l’est quasiment. Les variables d’inflation DU I et UI s’avéraient particulièrement significatives pour la période 1968-77. La variable annuelle de production industrielle était non significative sur la totalité de la période et sur les sous-périodes. Les signes obtenus pour les variables significatives (reportés dans le tableau 6) étaient économiquement plausibles : — le signe positif sur MP et sur UP R peut être interprété comme la volonté des agents de se protéger du risque induit par le cycle économique et de la prime de risque agrégée ; — le signe négatif sur l’inflation peut être la conséquence du fait que les placements financiers sont une protection contre l’inflation ; — enfin, si les rendements des titres tendent à être corrélés à long terme, la baisse de UT S est équivalente à une baisse des rendements moyens des titres ; pour se protéger contre ce risque, les agents sont donc prêt à payer plus les actifs corrélés négativement avec la structure par terme. L’intrododuction d’indices de marché ne semblaient pas exercer d’influences significatives sur la prime de risque. Comme Chen [1983] [Che83]), Chen, Roll & Ross ont testé l’hypothèse que l’addition des facteurs permettait de compléter utilement le CAPM. Certains des résultats obtenus sont reportés dans le tableau 7. Le risque systématique est parfois valorisé. Surtout les prix des risques macroéconomiques demeurent très proches 20 Tab. 7 — Les prix du risque systématique de marché et des facteurs macroéconomiques dans Chen, Roll & Ross [1986] (% par mois multiplié par 10) VWNY MP DEI UI UPR 1958-84 11,507 10,487 -0,190 -0,738 8,126 UTS -7,073 Cste -3,781 (1,189) (2,761) (-2,459) (-2,215) (2,869) (-2,194) (-0,402) 22,311 9,597 0,001 -0,163 3,186 0,697 -11,734 (1,950) (1,494) (0,012) (-0,341) (1,474) (0,337) (-1,015) 1968-77 11,689 13,381 -0,293 -1,422 13,007 -12,981 -9,488 (0,622) (1,947) (-3,590) (-2,814) (2,697) (-2,214) (-0,526) 1978-84 -4,188 7,624 -0,316 -0,584 8,211 -9,735 15,732 (-0,207) (1,286) (-1,246) (-0,716) (1,039) (-1,123) (0,803) 1958-67 source : Chen, Roll & Ross [1986] de ceux du tableau 6. L’ensemble de ces résultats amenaient Chen, Roll & Ross à conclure : “les prix des actions sont exposés à l’arrivée d’information sur les risques économiques systématiques, et leurs prix sont fixés en fonction de leurs expositions[ ;] ces informations peuvent être mesurées comme des innovations dans les variables d’état dont l’identification peut être réalisé grâce àune théorie financière simple et intuitive.”7 ([CRR86] p. 402) Une des premières contributions empirique de la théorie factorielle fu notamment de lever partiellement le mystère de l’anomalie de la taille. En effet, Chan, Chen & Hsieh [1985] [CCH85], poursuivant la même démarche que Chen, Roll & Ross, montrèrent qu’après la prise en compte des facteurs amcroéconomiques, l’anomalie de taille, bien que persistante, était très faible et statistiquement peu significative. L’échantillon étudié étaient celui des entreprises cotées sur le NYSE tout au long de la période retenue 1958-77. Outre le risque de marché, les facteurs significatifs étaient MP , UI et URP . Après avoir construit 20 portefeuilles (sur la base du critère de la capitalisation boursière), Chan, Chen & Hsieh [1985] [CCH85] décomposaient ainsi la différence de rendements 7 “stock prices are exposed to systematic economic news, that they are priced in accordance with their exposures, and that the news can be measured as innovations in state variables whose identification can be accomplished through simple and intuitive financial theory.” 21 mensuels moyens des deux portefeuilles extrêmes 8 était la suivante : 1958-77 prime de risque 0.956% non exp liqué par le CAP M contribution de : URP 0.453% V W NY 0.352% MP 0.204% résidu 0.120% Après la prise en compte des facteurs macroéconomiques, le rendement moyen excédentaire non expliqué par un risque systématique (de marché ou macroéconomique) était donc divisé par près de 10.9 Même si les modèles à facteurs macroéconomiques se sont en général révélé moins efficaces à court-terme que les modèles fondamentaux, ils se sont révélés très utiles pour la prévision à long-terme des rendements. Ainsi, Fama & French [1989] [FF89] et Chen [1991] [Che91] ont notamment mis en évidence la capacité de la structure par terme, du risque de défaut des entreprises privées ou d’indicateurs comme les PDR (Price Dividend Ratio) et PER (Price Earning Ratio) à refléter l’évolution future des rendements. Parmi les modèles “commerciaux”, le modèle proposée par la société de conseil financier BIRR, Inc., et dirigée par Edwin Burmeister, Roger Ibbotson, Richard Roll et Stephen Ross, est l’un des rares à utiliser les facteurs macroéconomiques.10 la justification de BIRR d’un modèle macroéconomique : “without the foundation of a rigorous theory one must be concerned that any historical correlation might be spurious to sudden and material change.” ([BRR03] pp. 1-2) 8 9 C’est-à-dire le protefeuille des plus importantes capitalisations et des plus faibles. Les résultats de Chan, Roll & Ross [1986] ainsi que ceux de Chan, Chen et Hsieh [1985] ont été réévalués par Shanken & Weinstein [1990] [SW90]. Pour tester la robustesse des résultats, ils ont notamment fait varier la taille des portefeuilles en considérant des portefeuilles de 20, 60 et 120 actifs. Les résultats obtenus suggéraient une certaine fragilité des résultats antérieurs. 10 Le site web de BIRR offre de nombreux documents présentants les fondements et les résultats de leur modèle, notamment les documents Burmeister [2003] [Bur03] et Burmeister, Roll & Ross [2003] [BRR03] dont les pages qui suivent sont inspirées. 22 Dans le modèle de BIRR les risques systématiques découlent des changements non anticipés des variables économiques. Cinq facteurs macroéconomiques sont suposés déterminants. — La confiance des investisseurs : — mesurée par la différente entre les rendements des obligations émises par des entreprises de bonne qualité (à 20 ans) et des obligations émises par le Trésor (à 25 ans) ; — une diminution du spread se traduit par une réalisation positive du facteur ; — une valeur positive du facteur est supposée équivalente à une augmentation de la confiance des investisseurs ; — en général, les petites capitalisations ont une exposition plus importantes à ce facteur. — Le risque d’horizon temporel : — mesuré par la différence entre le taux sur les obligations d’Etat à 25 ans et le taux sur les bonds du Trésor à 30 jours ; — il reflète les évolutions de la courbe des taux (notamment sa pente moyenne) et le fait que les investisseurs demandent un rendement moins importants pour investir à long-terme ; — une réalisation positive du facteur coïncide avec une différence de rendement moins importante entre les taux longs et les taux courts ; — en général, les actions de croissance sont plus exposés à ce risque que les actions de rendement (value stocks). — Le risque d’inflation : — mesuré par par la différence entre le taux d’inflation effectif (calculé à la fin du mois) et le taux anticipé d’inflation (calculé à la fin du mois) calculé à partir des données historiques à l’aide d’un filtre de Kalman ; — une réalisation positive coïncide donc avec un choc d’inflation non anticipé ; — les biens de “luxe” (services, restauration, loisirs) sont les plus exposés à ce risque, les biens de première nécessité (nourriture, habillement) les moins exposés ; — Le risque lié au cycle économique : — mesuré par la variation du taux de croissance anticipé de l’économie (calculé à la 23 Tab. 8 — Pouvoir explicatif des facteurs dans le modèle factoriel de BIRR actions individuelles portefeuilles diversifiés intervalle 20% < < 90% médiane 70% < < 90% 40% 85% source : Burmeister [2003] fin du mois) en utilisant un filtre de Kalman ; — une réalisation positive coïncide avec une augmentation du taux de croissance anticipé de l’économie ; — le secteur du commerce de détail est le plus sensible à ce risque, le secteur public (utilities) le moins. — Le risque de marché : — mesuré par le rendement du S & P 500 non expliqué par les quatres premiers facteurs ; — supposé capturer les risques naturels, politiques, et les bulles spéculatives ; — correspondrait au beta du CAPM si les quatres premiers facteurs ne jouaient aucun rôle ; Selon BIRR, la combinaison de ces 5 facteurs macroéconomiques permettraient d’expliquer entre 20% et 90% des rendements des actions, avec une valeur médiane de 40%, résultat très honorable pour un modèle factoriel en général, pour un modèle à facteurs macroéconomiques en particulier. La substitution des portefeuilles diversifiés aux actions individuelles permettraient de doubler la performance du modèle, résultat attestant l’importance des risques spécifiques au niveau des entreprises. Appliqué à un indice diversifié comme le S&P500, le modèle de BIRR fait apparaître l’importance du market timing, du risque de cycle économique, et du risque inflationniste. Comme le montre le tableau 9, près de la moitié de la prime de risque de l’indice serait dû au risque systématique, environ un tiers au risque cyclique de l’activité, un cinquième du risque inflationniste. Comme le tableau 9 le montre, certains prix de facteurs sont négatifs dans le modèle de BIRR, notamment les prix du risque d’horizon et du risque d’inflation. L’intuition du signe de ces deux facteurs est la suivante : 24 Tab. 9 — Le profil des risques factoriels et les contributions factorielles au rendement espéré du S&P500, avril 1992 exposition prix du contribution risque contribution en % confiance 0.27 2.59 0.70 8.7 horizon 0.56 -0.66 -0.37 −4.6 inflation -0.37 -4.32 1.60 19.8 cycle 1.71 1.49 2.55 31.5 1.00 3.61 3.61 44.6 market timing Rendement espéré excédentaire 8.09 100 source : Burmeister, Roll & Ross [2003] p. 9 — en raison de la définition du risque d’inflation, un actif dont le rendement est lié positivement au risque d’inflation constituera une protection contre l’inflation et donc les agents accepteront de le détenir même si le rendement moyen est inférieur (toutes choses égales par ailleurs quant aux autres facteurs) ; le prix du risque d’inflation est donc négatif et représente donc (en valeur absolue) la prime d’assurance contre le risque d’inflation ; — de même, lorsqu’un actif est exposé positivement au risque d’horizon alors son rendement augmente lorsque le rendement à long-terme des obligations d’Etat augmente relativement au taux court des bons d’Etat, les agents sont donc protégés contre les pertes en capital induites par ces ajustements des taux de long-terme ; comme pour le risque d’inflation, le prix du risque d’horizon constitue donc la prime d’assurance que les agents acceptent de payer. Comme les actions en moyenne ont un rendement qui baisse lorsque l’inflation augmente de manière non anticipée mais augmente avec le risque d’horizon, la contribution de l’exposition du risque d’inflation est positive mais celle du risque d’horizon est négative. Les propriétés des indices varient naturellemet en fonction de leurs compositions. Ainsi, si l’on substitue à l’indice S&P 500 l’indice du Reebok International Ltd., lequel est un indice international d’actions, la prime de risque plus élevé de celui-ci est d’abord 25 Tab. 10 — Le profil des risques factoriels et les contributions factorielles au rendement espéré du Reebok International Ltd., avril1992 exposition prix du contribution risque contribution en % confiance 0.73 2.59 1.89 12.0 horizon 0.77 -0.66 -0.51 −3.3 inflation -0.48 -4.32 2.07 13.3 cycle 4.59 1.49 6.84 44.1 1.50 3.61 5.41 34.9 market timing Rendement espéré excédentaire 15.71 100 source : Burmeister, Roll & Ross [2003] p. 9 déterminé par son exposition au risque du cycle économique, lequel contribue pour 44% à la prime de risque, et ensuite par celle au risque systématique de marché, lequelle contribue pour environ un tiers à la prime de risque. Pour évaluer la validité de son modèle, BIRR confronte régulièrement les évolutions prédites du S&P500 par celui-ci aux valeurs effectives.11 Les figures 5, 6, 7, 8 reportent les résultats de ces exercices. On remarque notamment que : — le modèle faisait apparaître une surévaluation du marché en 1987 mais qu’il a été incapable de détecter une surévaluation importante à la fin des années 90 ; aussi conclue-il à une sous-évaluation importante du marché au cours de la période 20022003 ; — entre 1988 et 2000, le modèle capture la hausse régulière du marché mais tend aussi à être caractérisé par une sous-évaluation persistence du S&P500. Un des intérêts de disposer d’un modèle macroéconomique est la possibilité d’évaluer les risques d’exposition de stratégies ou de portefeuilles. Chaque portefeuille (ou chaque actif) se caractérise par son exposition à ces différents risques et donc par un certain profil 11 Plus précisément, BIRR, après avoir calé le modèle sur la valeur constatée du S&P500 au début de la période étudiée, rentre les valeurs de des facteurs constatés au cours des périodes pour obtenir la valeur prédite du S&P500. Il ne s’agit pas donc pas d’une prévision réalisée en utilisant les seules informations disponibles en début de période. 26 S & P 500 $ 2.50 $ 2.00 S & P 500 effectif Krach de 1987 $ 1.50 S & P 500 prédit par BIRR $ 1.00 $ 0.50 1986 1987 1988 1989 1990 Fig. 5 — L’évolution effective du S&P500 et l’évolution “prédite” par BIRR de 1986 à 1990. (source : site web de BIRR) S & P 500 $ 2.50 $ 2.00 $ 1.50 $ 1.00 $ 0.50 1991 1992 1993 1994 1995 Fig. 6 — L’évolution effective du S&P500 et l’évolution “prédite” par BIRR de 1991 à 1995. (source : site web de BIRR) 27 S & P 500 $ 3.00 S & P 500 effectif $ 2.00 S&P prédit par BIRR $ 1.00 $ 0.00 1996 1997 1998 1999 2000 Fig. 7 — L’évolution effective du S&P500 et l’évolution “prédite” par BIRR de 1996 à 2000. (source : site web de BIRR) S & P 500 $ 1.75 $ 1.50 S & P 500 effectif $ 1.25 S & P 500 prédit par BIRR $ 1.00 $ 0.75 $ 0.50 1999 2000 2001 2002 2003 Fig. 8 — L’évolution effective du S&P500 et l’évolution “prédite” par BIRR de 2000 à 2003. (source : site web de BIRR) 28 4 3 2 1 0 Confiance Inflation Cycle Horizon Timing Asie Europe Fig. 9 — L’exposition au risque de l’action Dutch Petroleum et du S&P500. d’exposition aux risques systématiques. Dans la “philosophie” de la théorie factorielle, l’exposition à un risque systématique entraîne (si le risque est coûteux) un rendement espéré supplémentaire. Par conséquent le profil d’exposition aux risques systématiques détermine à la fois la volatilité mais aussi la performance d’un portefeuille diversifié. Ce profil d’exposition aux risques systématiques peut également être utilisé pour évaluer le risque de portefeuilles ou de stratégies. Ainsi, la figure 9 représente l’exposition au risque d’une entreprise pétrolière, la Dutch Petroleum. Ce titre apparaît relativement au S&P5000 à la fois moins exposé au risque de confiance, et plus au risque du cycle économique et aux risques régionaux. Faire rentrer l’action Dutch Petroleum dans un portefeuille relativement similaire au S&P500 reviendrait donc à “importer” dans le portefeuille des risques régionaux, à augmenter sa sensibilité par rapport au cycle économique, tout en diminuant légèrement sa sensibilité aux fluctuations de la confiance sur les marchés financiers. On peut également appliquer cette méthode d’analyse à des portefeuilles, des indices ou des catégories d’action. Ainsi, la figure 10 compare les expositions au risque des plus faibles capitalisations du NYSE et du S&P500. Les plus faibles capitalisations apparaissent notablement plus exposés aux risques de confiance et du cycle économique. La dernière indication est le BIRR index. Celui-ci est une mesure donnant une mesure synthétique des risques systématiques de chaque actif et permet donc une hiérarchisation grossière des 29 7.50 5.00 2.50 0.00 -2.50 Confiance Horizon Cycle Inflation Timing BIRR Index Fig. 10 — Les expositions aux risques des plus faibles capitalisations (en gris foncé) et des plus fortes (en gris clair) du NYSE. Chaque portefeuille comprend 50 actions. actifs. Dans l’exemple considéré, les petites capitalisations apparaissent légèrement plus exposées aux risques systématiques que le S&P500. La figure 11 compare au S&P500, un portefeuille de croissance et un portefeuille de valeurs de rendement. Les expositions aux risques des trois types de portefeuille apparaissent remarquablement monotones : grosso modo, les valeurs de rendement apparaissent les moins exposés aux différentes facteurs, les valeurs de croissance les plus exposés. En modulant la pondération dans un portefeuille de ces deux types d’actions, on peut donc accroître ou diminuer son exposition aux évolutions macroéconomiques. Grâce à la réduction des risques à un nombre limité de facteurs, la théorie factorielle permet de caractériser différents styles de gestion, de construire facilement les portefeuilles correspondant à différentes expositions souhaitées, c’est-à-dire de construire des tracking portfolios. Si l’on part de l’équation factorielle d’un portefeuille dont la structure est (xi )i=1,...,I : ep = R X i xi αi + X λk k 30 X i xi bik + X i xi εi 3.00 2.00 1.00 0.00 -1.00 Confiance Horizon Cycle Inflation Timing BIRR Index Fig. 11 — Les expositions aux risques du portefeuille des 50 actions du NYSE dont la croissance est la plus élevée (en noir), du S&P500 (en gris foncé) et d’un portefeuille de 50 valeurs du NYSE dont les rendements des dividendes sont les plus élevés (en gris clair). la démarche implicite aux benchmark portfolios consiste à se donner des expositions aux facteurs bbk que l’on doit atteindre en atteignant au mieux un objectif. Celui peut être la minimisation de la variance du risque résiduel. Le programme définissant le benchmark portfolio est alors : min(xi )i=1,...,I P i xi εi sous les contraintes : P b i xi bik = bk , k = 1, ..., K Si les contraintes sont : X i xi bik = bbek , X i xi bik = 0 ∀k 6= b k on cherche donc alors à obtenir un portefeuille, appelé le mimicking portfolio du facteur b k, qui reproduit le facteur b k. L’objectif peut aussi être un objectif de rendement, par exemple la maximisation du α historique : max(xi )i=1,...,I P i xi αi sous les contraintes : P b i xi bik = bk , k = 1, ..., K 31 2.00 1.00 0.00 -1.00 Confiance Horizon Inflation Timing Cycle BRR Index Fig. 12 — L’exposition aux risques factoriels du tracking portfolio factoriellement neutre et du S&P 500. Les sociétés proposant des modèles factorielles propose en général différents produits permettant de se construire ces portefeuilles idéaux par leurs expositions aux risques macroéconomiques. Ainsi, Burmeister, Roll & Ross [2003] [BRR03] ont simulé un exercice de gestion courte - longue avec un risque factoriel neutre : — le portefeuille long comprend 50 actions parmi celles du NYSE dont les α historiques furent les plus élevés sur la période allant d’avril 1986 à mars 1992 ; — le portefeuille court comprenait d’autres actions du NYSE sélectionnées pour que l’exposition aux risques factoriels soit neutre. En raison du nombre d’actions, le risque spécifique des deux portefeuille est normalement minime. Les sensibilités du portefeuille global obtenu étaient inférieures en valeur absolues à 0.02 (voir figure 12). Les résultats du portefeuille sur la période allant d’avril 1991 à mars 1992 : — une appréciation de 30.04% contre 11.57 pour le S&P500 (en annualisé) ; — un écart-type des rendements effectifs de 6.26% contre 18.08% pour le S&P500. Le modèle proposé par BIRR constitue donc un bon exemple des potentialités d’un modèle à facteurs macroéconomiques : même si l’on a peut être un pouvoir explicatif plus faible, la nature macroéconomique des facteurs (et leurs stabilités au cours du temps) 32 permet sans doute de faire reposer la gestion de portefeuille sur une logique économique à la fois robuste et lisible. Les modèles fondamentaux partagent également cette propriété de lisibilité. 4 Les modèles de BARRA La société BARRA, fondé en 1975 par l’économiste Barr Rosenberg, est aujourd’hui sans conteste la société la plus importante au monde en matière d’ingénierie financière. Outre la gestion de différents indices (en collaboration avec Standard & Poor’s), elle a tout particulièrement développé une expertise en matière de modèles à facteurs fondamentaux. Elle en offre actuellement environ une dizine se différenciant par la zone couverte (le monde, les Etats-Unis, l’Europe, la France, etc...), les titres analysés (les actions, les titres à revenus fixes, ...). Ces multiples modèles ont cependant comme caractéristique commune de faire intervenir un très grand nombre de facteurs, dont des variables sectorielles12 . Ainsi le modèle E2 Equity USA comporte 55 variables sectorielles et 13 facteurs fondamentaux non sectoriels. Le modèle actions françaises ne comporte que 12 facteurs représentant des secteurs industriels (énergie, matières premières, construction, biens d’équipement, automobile, biens de consommation, alimentation, distribution, immobilier, services financiers, sociétés d’investissement, autres services) et huit facteurs fondamentaux non sectoriels. Ces derniers facteurs déjà détaillés à la section 2 dans la présentation de l’étude de Connor [1995] [Con95a] sont souvent des indices composites construits à partir d’indices élémentaires et leurs compositions peut varier d’un modèle à un autre. Les principaux facteurs fondamentaux non sectoriels utilisés par BARRA sont :13 — la volatilité du cours (VOLATILITY) 12 Pour les entreprises n’opérant que dans un secteur, ces variables sectorielles sont des variables muettes prenant comme valeur 1 si le secteur est celui où l’entreprise exerce son activité, 0 sinon. Pour les entreprises qui opèrent sur plusieurs secteurs, les variables sectorielles reflètent le poids des secteurs dans l’activité de l’entreprise, plus précisément en général elles sont égales aux parts des actifs de l’entreprise opérant dans les différents secteurs. 13 Cette description est essentiellement empruntée à l’ouvrage de Mathis [2003] [Mat03] “Gestion d’actions quantitative”. 33 — dans le modèle mondial,ce facteur est le β historique multiplié par l’écart-type du résidu de la régression du rendement titre sur le rendement du portefeuille de marché ; — dans le modèle américain (et souvent les autres modèles nationaux), il est la somme de ce produit du β historique et de l’écart-type du résidu et d’autres variables comme l’écart-type quotidien, le ratio du cors le plus élevé au cours le plus bas, la sensibilité du volume des titres échangés du titre au volume échangé du marché14 , l’autocorrélation des résidus ; — le mouvement (MOMENTUM) calculé en général comme le α du modèle de marché ; — la taille (SIZE) calculée comme le log de la capitalisation ; — la non-linéarité de la taille (SIZE NONLINEARITY) calculé comme le logarithme de la capitalisation élevé au cube ; — les transactions (TRADING), facteur calculé notamment comme la somme du taux de rotation annuel, du taux trimestriel et du taux mensuel ; — la croissance (GROWTH), facteur calculé à partir notamment de la croissance des bénéfices sur un an, du taux de croissance excédentaire de l’actif et des bénéfices au cours des 5 dernières années15 , du taux de croissance prévisionnel des bénéfices16 ; — le bénéfice sur cours (EARNING YIELD) — calculé dans le modèle mondial à partir de la somme du bénéfice sur cours prévi14 Cette sensibilité étant obtenu en effectuant semaine après semaine la régression : ∆VM (t) ∆Vi (t) =a+b + εi (t) Ni (t) NM (t) où Vi (t) (VM (t)) est le volume du titre i (du marché) échangé au cours de la semaine t, Ni (t) (NM (t)) le nombre de titres existant de l’action i (du marché). 15 Cet excès obtenu en faisant la différence entre le taux de croissance moyen de l’actif au cours des 5 dernières années et le taux de croissance “normal” Le taux de croissance “normal” est obtenu en estimant l’équation : T Ai (t) = a + b.t + εi (t) où T Ai (t) est l’actif total de l’entreprise i à la période t. 16 Calculé par la formule : 1 bénéf ice prévu − bénéf ice récent 2 bénéf ice prévu + bénéf ice récent où le bénéfice prévu est la moyenne des prévisions médianes pour l’année en cours et l’année suivante. 34 sionnel et du bénéfice sur cours historique (au cours des 4 dernières années) ; — calculé dans le modèle américain à partir des mêmes variables et du bénéfice sur cours glissant17 ; — le facteur valeur (VALUE), supposé capturer la sous-évaluation du titre, est le rapport Book to Market18 ; — la variabilité des bénéfices (EARNING VARIABILITY) est calculée à partir non seulement de la variabilité des bénéfices19 mais aussi de celle des cash flows (calculée de la même manière), de la part du bénéfice exceptionnel au cours des 5 dernières années et de la variabilité des prévisions de bénéfices ; — le levier financier (LEVERAGE) calculé à partir des leviers en valeur de marché20 , en valeur comptable21 , du ratio dette / total des actifs et de la notation de la dette ; — la sensibilité aux cours des changes (CURRENCY SENSITIVITY) calculé en calculant la sensibilité du rendement du titre aux cours de change des trois derniers mois, et en faisant la somme ; — le rendement en dividende prévisionnel (DIVIDEND YIELD) calculé en entrant les dividendes des 4 derniers trimestres, les résultats et les annonces de distribution de dividendes dans un modèle prévisionnel. L’exposition aux facteurs fondamentaux non sectoriels résume naturellement les caractéristiques des actions, des portefeuilles et des indices considérés. La figure 13 présente ainsi l’exposition de l’indice du S&P500 en novembre 2003. L’indice est positivement exposé uniquement aux deux facteurs portant sur la taille (SIZE, SIZE NONLINARITY) ainsi qu’aux facteurs de rendement (EARNING YIELD et DIVIDEND YIELD). Les expositions aux facteurs reflétant l’activité ou l’évolution du marché (VOLATILITY, MOMENTUM, TRADING) sont soit pratiquement neutres, soit négatifs. 17 Somme des quatre bénéfices trimestriels les plus récents rapportée au cours le plus récent. C’est-à-dire par le rapport de la valeur comptable des actions à leurs capitalisations. 19 C’est-à-dire l’écart-type du bénéfice annuel au cours des 5 dernières années rapporté à la moyenne 18 des cinq dernières années. 20 Ratio obtenu en rapportant la somme de la valeur de marché des actions et de la valeur de l’endettement (à court et long terme) à la valeur de marché des actions. 21 Ratio obtenu en rapportant la somme de la valeur comptable des actions et de la valeur de l’endettement (à court et long terme) à la valeur comptable des actions. 35 S&P 500 0,5 0,4 0,3 0,2 0,1 Ea rn V ing alu e sV ar iab ilit y Le Cu ve rre ra nc ge y Se ns itiv D ity ivi de nd Y iel d ct ivi ty Gr ow Ea th rn ing sY iel d A Tr a -0,2 din g V -0,1 Si ze ola tili ty M om en tu m 0 Fig. 13 — L’exposition du S&P 500 aux risques factoriels fondamentaux de BARRA en novembre 2003. (source : site web de Barra) 36 La diversité des caractéristiques des actions, des portefeuilles et des indices se réflète dans celle des expositions aux facteurs. Outre celles sur le S&P500, BARRA fournit ainsi des informations précises sur une dizaine d’indices qu’elle gère (ou co-gère avec S&P), et notamment sur les valeurs de croissance (S&P500 / BARRA GROWTH) et les valeurs de rendement (S&P500 / BARRA VALUE) composant le S&P500, sur l’indice S&P MidCap 400, regroupant 400 capitalisations intermédiaires, l’indice S&P SmallCap 600, regroupant 600 faibles capitalisations. Comme le montrent les figures 14, la capitalisation totale des trois indices est évidemment très différentes. La faiblesse des deux derniers indices S&P MidCap 400 et S&P SmallCap 600 reflète en effet la faible taille des entreprises entrant dans la composition des deux derniers indices (figures 15 et 16) : les capitalisations moyenne et médiane du S&P SmallCap 600 sont égales grosso modo au dixième des capitalisations correspondantes du S&P500. Comme l’illustrent les figures 17 et 19, relativement aux valeurs de croissance et aux valeurs de rendement du S&P500, les entreprises regroupées dans les deux indices S&P MidCap 400 et S&P SmallCap 600 se caractérisent par des ratios intermédiaires tant pour les ratios Price / Book et les taux de croissance prédits de leurs capitalisations (figure 17) que pour leurs rendements (figure 18).Par contre, leurs rendements en dividendes et leurs taux de distribution sont plus faibles (figure 19), cette moins grande générosité pouvant notamment être la conséquence de contraintes de financement externes plus fortes. Les expositions aux facteurs fondamentaux reflètent la diversité des caracatéristiques des entreprises. Ainsi, la comparaison des expositions des valeurs de croissance et des valeurs de rendement (figure 20) fait apparaître que si l’exposition des deux catégories aux facteurs de volatilité, de mouvement, de croissance sont similaires, leurs expositions aux facteurs économiques (résultats et leurs variabilités, levier financier, rendements en dividendes) sont divergentes. De même si l’on compare cette fois au S&P500, à ses valeurs de croissance et de rendement, les capitalisations intermédiaires et les petites capitalisations, on peut remarquer que : — l’exposition au risque de taille des indices des faibles capitalisaitons sont beaucoup plus importante en valeur absolue (figure 21) ; — leurs expositions aux risques de marché (VOLATILITY, MOMENTUM) est positive 37 M illio n s 9,8 1 0 ,0 9 ,0 8 ,0 7 ,0 6 ,0 5 ,0 4,9 4 ,0 4,9 3 ,0 2 ,0 1 ,0 0 ,0 0,4 0 al ue 0 40 60 ap ap id C al lC M Sm P S& P S& P S& S& P 50 0/ 50 B 0/ B ar ar ra ra V G ro S& w P th 50 0 1,0 Fig. 14 — La capitalisation (1012 $) des différents indices de BARRA en novembre 2003. (source : site web de BARRA) 38 Larges t Capt ($ M M) 287 287 300 242 250 200 150 100 12 50 4 0 S& S& P P 0 50 50 0 ar /B ra S& o Gr P w 50 th r Ba 0/ r alu aV S& P e M idC ap S& P 40 0 Sm C all ap 60 0 Fig. 15 — Les capitalisations les plus importantes des différents indices de BARRA sur le marché américain (en novembre 2003). (source : site web de BARRA) 39 35 30 25 20 15 10 5 000 000 000 000 000 000 000 0 30 462 19 588 11 970 14 470 8 639 7 259 S&P 500 S&P 500/Barra Growth 2 377 2 070 S&P 500/Barra Value M ean C apt ($ M ) S&P M idC ap 400 719 613 S&P SmallC ap 600 M edian C apt ($ M ) Fig. 16 — Les capitalisations moyennes et médianes des différents indices de BARRA sur le marché américain (en novembre 2003). (source : site web de BARRA) 1 8 ,8 3 20 1 2 ,8 3 5 ,5 7 3 ,0 1 2 ,0 7 2 ,4 1 2 ,2 4 0 60 ap ap al lC id C Sm M P S& P S& P 50 0/ 0/ Ba Ba rr rr a a G V 40 0 al ue th ro w 50 P S& 50 P S& 1 0 ,7 5 8 ,5 6 0 I m p lied G r o w th R ate 1 3 ,7 6 S& P r ic e/ Bo o k 18 16 14 12 10 8 6 4 2 0 Fig. 17 — Les rapport prix / valeur comptable et les taux de croissance estimés des capitalisations des différents indices de BARRA en novembre 2003. (source : site web de BARRA) 40 25 24,47 17,52 20 15 Return on Assets Return on Equity 10,78 12,25 11,23 10 5 14,23 9,08 8,6 3,98 0 8,64 0 P 50 wth S& alu e Gro a 400 r r ra V 00 r a a B Cap / B / d 0 i ap 6 0 0 C 0 5 l M l 5 P P P ma S& S& S& PS S& Fig. 18 — Les rendements des différentes indices en novembre 2003. (source : site web de BARRA) 40 24,56 30 Dividend Yield 16,58 20 10 Dividend Payout Ratio 35,99 29,97 1,87 1,51 0 2,23 1,19 13,3 0,89 00 P5 S& wt h alue Gro 400 00 a r ra V r r a a Cap p6 B B d / / i lCa l 00 00 M a 5 5 P m P P S& PS S& S& S& Fig. 19 — Les rendements en dividendes et les taux de distributions des dividendes des différentes indices en novembre 2003. (source : site web de BARRA) 41 0,6 0,4 0,2 Ea Va rn lue ing sV ar iab ilit y Le ve ra Di ge vid en d Yi eld -0,4 ro wt Ea h rn ing sY iel d -0,2 G Vo lat ilit y M om en tu m 0 -0,6 S&P 500 S&P 500/Barra Growth S&P 500/Barra Value Fig. 20 — L’exposition du S&P 500, des actions de rendement, des actions de croissance aux risques factoriels fondamentaux de BARRA (hors les facteurs de taille et de trading). (source : site web de Barra) et considérablement plus importantes ; — leurs expositions aux risques économiques (EARNING YIELD, EARNING VARIABILITY, LEVERAGE) sont (qualitativement) similaires à celles des valeurs de rendement ; — mais que leurs expositions au risque de rendement les rapprochent par contre des valeurs de croissance. Comme pour les modèles macroéconomiques, cette décomposition des risques systématiques permet de mieux gérer les risques systématiques de portefeuilles. Il faut cependant noter que cette gestion suppose un suivi des évolutions des expositions. Ces dernières, en effet, sont susceptibles de connaître des évolutions fortes et rapides, comme l’illustrent celles de l’année 2003 (figures 23, 24, 25 et 26). A plus long terme, les expositions aux facteurs sont susceptibles d’être caractérisées par des évolutions tendancielles ou des retournements durables comme l’illustre par exemple 42 -1,352 -2,535 S& P SmallCap 600 -0,335 S& P M idCap 400 -1,654 0,149 S& P 500/B arra Growth 0,102 0,096 0,125 0,41 S& P 500/B arra Value S& P 500 -3 -2 -1 Size 0,727 0 1 Size N onlinearity Fig. 21 — La sensibilité des différentes catégories de titres aux facteurs de taille en novembre 2003. (source : site web de BARRA) l’exposition au risque de volatilité des petites capitalisations (figure 27), ou encore l’exposition au risque de bénéfice sur cours (EARNING YIELD) pour les valeurs de croissance et pour les petites capitalisations (figure 28). Comme l’étude de Connor [1995] [Con95a] l’a notamment montré, les modèles à facteurs fondamentaux sont en général parmi les plus performants des modèles factoriels. Une des raisons de cette efficacité semble notamment que la prise en compte des facteurs d’activité permet de capturer les risques sectoriels que des variables trop macroéconomiques sont incapables de saisir. L’étude de Engerman [1993] [Eng93] (de BARRA) illustre en particulier ce point. Son échantillon est relativement similaire à celui de Connor [1995] [Con95a] puisqu’il comprend les rendements mensuels des 1200-1400 capitalisations importantes de la base Hicap de BARRA sur la période allant de janvier 1980 à décembre 1992. Prenant en compte les valeurs fondamentaux et macroéconomiques du tableau 11, il estime différents modèles factoriels comprenant en plus des variables sectoriels. Comme l’illustrent les résultats du tableau 12, le pouvoir explicatif des seuls facteurs sectoriels est de 32%. Rajouter soit 7 facteurs fondamentaux (market variability, success, size, trading activity, growth, earnings-to-price, and book-value-to-price), soit les 7 facteurs macroé43 0,6 0,4 0,2 -0,4 Yi eld Le ve rag e Di vid en d Ea rni ng s Va ria bil ity Va lue Yi eld Ea rni ng s Gr ow th -0,2 M om en tum Vo lat ility 0 -0,6 S&P 500 S&P 500/Barra Value S&P MidCap 400 S&P SmallCap 600 S&P 500/Barra Growth Fig. 22 — L’exposition du S&P 500, des actions de rendement, des actions de croissance, des capitalisations moyennes et petites aux risques factoriels fondamentaux de BARRA (hors les facteurs de taille et de trading). (source : site web de Barra) 44 Fig. 23 — L’évolution au cours de l’année 2003 des expositions au risque de croissance (GROWTH) du S&P500, du S&P500 / BARRA GROWTH, du S&P500 / BARRA VALUE, du S&P SmallCap 600. (source : site web de BARRA) Fig. 24 — L’évolution au cours de l’année 2003 des expositions au risque de mouvement (MOMENTUM) du S&P500, du S&P500 / BARRA GROWTH, du S&P500 / BARRA VALUE, du S&P SmallCap 600. (source : site web de BARRA) 45 Fig. 25 — L’évolution au cours de l’année 2003 des expositions au risque de transaction (TRANSACTION) du S&P500, du S&P500 / BARRA GROWTH, du S&P500 / BARRA VALUE, du S&P SmallCap 600. (source : site web de BARRA) Fig. 26 — L’évolution au cours de l’année 2003 des expositions au risque de volatilité (VOLATILITY) du S&P500, du S&P500 / BARRA GROWTH, du S&P500 / BARRA VALUE, du S&P SmallCap 600. (source : site web de BARRA) 46 Fig. 27 — L’évolution de l’exposition au risque de volatilité (VOLATILITY) pour le S&P 500, le S&P500 / BARRA GROWTH, le S&P500 / BARRA VALUE et le S&P SmallCap 600. (source : site web de BARRA) Fig. 28 — L’évolution de l’exposition au risque de bénéfice sur cours (EARNING YIELD) pour le S&P 500, le S&P500 / BARRA GROWTH, le S&P500 / BARRA VALUE et le S&P SmallCap 600. (source : site web de BARRA) 47 Fig. 29 — Tab. 11 — Les facteurs dans les modéles économiques et fondamentaux de Engerman [1993]. Fondamentaux Market Variability Success (Price Momentum) Size Consumer Cyclicals Finance Consumer Non-Cyclicals Industrials Utilities Energy Economique : variation non anticipée dans : Interest Rates BAA Spreads Oil Price Gold Price Dollar's Value Industrial Growth Inflation Rate source : Engerman [1993] 48 Tab. 12 — Comparaison des performances des modèles à facteurs fondamentaux et macroéconomiques avec les mêmes variables sectorielles - 1980-1992 Modèle R2 moyen 6 secteurs uniquement 32.8% 6 secteurs and 7 facteurs fondamentaux 38.5% 6 secteurs and 7 facteurs économiques 35.9% source : Engerman [1993] Tab. 13 — Pourcentage des mois où les prix des facteurs sont statistiquement significativement différent de 0 (sans variable sectorielle) - 1980-1992 Facteurs fondamentaux Facteurs économiques Market Variability 63% Interest Rates 58% Success 64% BAA Bond Spread 54% Size 60% Industrial Growth 51% Trading Activity 52% Inflation 36% Growth 51% Oil Price 44% Earnings-to-price 51% Gold Price 44% Book value-to-price 43% Dollar's Value 49% source : Engerman [1993] 49 conomiques déjà utilisées, augmente légèrement et quasi-similairement la performance du modèle (tableau 12). Une dernière raison de la performance des modèles fondamentaux semble également résider dans la plus grande stabilité de la significativité des prix des facteurs fondamentaux (tableau 13).22 Une des limites de la modélisation à la BARRA est de nécessiter une importante information sur les entreprises et de conduire à la prise en compte d’un nombre conséquent de facteurs. De ce point de vue, les modèles macroéconomiques apparaissent plus compacts. Une autre alternative, qui a été au centre des recherches académiques depuis une dizaine d’années, est le modèle de Fama & French, modèle qui est présenté dans un autre document. Références [BRR03] E. Burmeister, R. Roll, and S.A. Ross, (2003). Using macroeconomic factors to control portfolio risk. working paper, BIRR, March 2003. [Bur03] E. Burmeister, (2003). The BIRR equity risk model. BIRR Portfolio Analysis Inc., 2003. [CCH85] K.C. Chan, N. Chen, and D. Hsieh, (1985). An exploratory investigation of the firm size effect. Journal of Financial Economics, 14 :451—571, 1985. [Che83] N. Chen, (1983). Some empirical tests of the theory of arbitrage pricing. Journal of Finance, 38 :1393—1414, 1983. [Che91] N.F. Chen, (1991). Financial investment opportunities and the macroeconomy. Journal of Finance, 46 :529—54, 1991. [CK88] G. Connor and R.A. Korajczyk, (1988). Risk and return in a equilibrium apt - application of a new test methodology. Journal of Financial Economics, 21 :255—89, 1988. 22 On pourrait cependant argumenter que le fait dominant du tableau 12 est que dans la plupart des cas, une période sur deux, le prix de chaque facteur (fondamental ou macroéconomique) n’est pas statistiquement significativement de 0. 50 [CK93] G. Connor and R. Korajczyk, (1983). A test for the number of factors in an approximate factor model. Journal of Finance, 48(4), 1993. [Con84] G. Connor, (1984). A unified beta pricing theory. Journal of Economic Theory, 34 :13—31, 1984. [Con95a] G. Connor, (1995). The three types of factor models : a comaprison of their explanatory power. Financial Analysts Journal, pages 42— 46, May-June 1995. [Con95b] G. Connor, (1995). The three types of factor models : a comparison of their explanatory power. mimeo, BARRA, 1995. Paru dans le Financial Analysts Journal. [CR83] G. Chamberlain and M. Rotschild, (1983). Arbitrage, factor structure and mean-variance analysis on large asset markets. Econometrica, 51 :1281—1304, 1983. [CRR86] N. Chen, R. Roll, and S.A. Ross, (1986). Economic forces and the stock market. Journal of Business, 59, 1986. [DR85] P. Dybvig and S.A. Ross, (1985). Yes, the apt is testable. Journal of Finance, 40 :1173—88, 1985. [Eng93] M. Engerman, (1993). Using fundamental and economic factors to explain stock returns. BARRA Newsletter, Fall 1993. [Fam91] E. Fama, (1991). Efficient capital markets : Ii. Journal of Finance, 46 :1575—1617, 1991. [FF89] E. Fama and K. French, (1989). Business conditions and expected returns on stocks and bonds. Journal of Financial Economics, 25 :23—49, 1989. [FM73] E. Fama and J. MacBeth, (1993). Risk, return and equilibrium : empirical tests. Journal of Political Economy, 81 :606—36, 1973. [Hub87] G. Huberman, (1987). Arbitrage pricing theory. In M. Milgate & P. Newman J. Eatwell, editor, The New Palgrave Dictionary of Economics. MacMillan, Londres, 1987. 51 [LM88] B.N. Lehman and D.N. Modest, (1988). The empirical foundations of the arbitrage pricing theory. Journal of Financial Economics, 21 :213—254, 1988. [Mat03] J. Mathis, (2003). Gestion d’actions quantitative. Economica, Paris, 2003. [Ros74] B. Rosenberg, (1974). Extra-market components of covariance in security returns. Journal of Financial and Quantitative Analysis, 9 :263—74, March 1974. [RR80] R. Roll and S.A. Ross, (1980). An empirical investigation of the arbitrage pricing theory. Journal of Finance, 35 :1073—1103, 1980. [Sha82] J. Shanken, (1982). The arbitrage theory : is it testable ? Journal of Finance, 37 :1129—40, 1982. [Sha85] J. Shanken, (1985). Multi-beta capm or equilibrium apt. Journal of Finance, 40 :1189—96, 1985. [SW90] J. Shanken and M. Weinstein, (1990). Macroeconomic variables and asset pricing : estimation and tests. document de travail, University of Rochester, 1990. 52