6. RÉSULTATS EMPIRIQUES
6.5. CAPM-ACS
Les résultats pour l’évaluation en coupe transversale du modèle CAPM-ACS sur l’ensemble des 85 portefeuilles sont présentés au tableau 14. Plus spécifiquement, les modèles présentés dans cette section sont numérotés selon l’ordre suivant : 1) Le CAPM-ACS avec alpha inconditionnel, 2) le CAPM-ACS avec bêta inconditionnel, 3) le CAPM-ACS, 4) le CAPM-ACS augmenté du facteur de défaut, 5) le CAPM-ACS augmenté des facteurs d’anomalie empirique de Fama et French (1993) et 6) le CAPM-ACS augmenté des facteurs d’anomalie empirique de Carhart (1997). À titre de rappel, l’hypothèse 2 concernant le modèle CAPM-ACS implique que seules les primes λrm, λLabor, λSkew, λKurtosis, λZss, λZsl, λZssrm, λZslrm, λZssLabor, λZslLabor, λZssS, λZslS, λZssK et λZslK sont significatives (i). Selon les résultats du tableau 14, le conditionnement des bêtas semble être l’apport principal à la performance du CAPM-ACS, ce qui est similaire aux résultats des modèles conditionnels à moments supérieurs de la section précédente. Par rapport aux estimateurs des primes de risque, les estimateurs conditionnés semblent être les plus significatifs lorsque le CAPM-ACS est estimé sur l’ensemble des portefeuilles (14A3). Similairement aux résultats du tableau 13, les primes conditionnées par la variable instrumentale de la pente à court terme sont plus significatives, soit λZssrm, λZssLabor , λZssS 𝑒𝑡 λZssK , mais la présence d’une forte corrélation entre la variable instrumentale Zss et les facteurs conditionnés70 pourrait biaiser la force du pouvoir explicatif de ces facteurs conditionnés. L’ajout d’une constante (14B3) fait perdre une grande majorité du pouvoir explicatif des facteurs conditionnés à l’exception de la prime λZssLabor. Par contre, la prime du capital humain devient significative au niveau de confiance de 99%. Plus spécifiquement, lorsque l’on compare les résultats du CAPM conditionnel à quatre moments et du CAPM-ACS augmenté des facteurs d’anomalie empirique face aux 25 portefeuilles classés par taille et par ratio BE/ME (18A9, 19A6), on remarque que les facteurs d’anomalie empirique de Carhart (1997) perdent de leur pouvoir explicatif lorsque l’on ajoute le capital humain et sa forme conditionnelle. Ces résultats semblent supportés l’importance du capital humain pour capturer l’effet de taille et du ratio BE/ME.
Lorsque l’on ajoute les facteurs d’anomalie empirique de Fama et French (1993) au CAPM-ACS (14A5), il est possible de remarquer que le facteur de l’effet du ratio BE/ME est significatif au niveau de confiance de 95%. Il en est de même pour le facteur de momentum de Cahart (1997), celui-ci étant significatif au niveau de confiance de 99%. Le lien entre les facteurs de l’asymétrie et de momentum est persistant dans le modèle du CAPM-ACS, il semblerait donc que ce lien n’est pas expliqué par l’omission du capital humain au portefeuille de marché. En comparant les résultats du CAPM-ACS aux CAPM-ACS augmentés du facteur de défaut, on remarque que l’amélioration de la performance face aux portefeuilles classés par industrie est principalement liée au facteur de capital humain. Ainsi, les résultats obtenus à la section précédente sur le capital humain sont robustes au conditionnement du capital humain.
Sommairement, les résultats présentés au tableau 14 supportent partiellement le modèle CAPM- ACS. Les résultats supportent l’importance du conditionnement des bêtas plutôt que les alphas et confirment le lien existant entre le capital humain et les rendements des portefeuilles classés par industrie. De plus, le lien entre le facteur d’asymétrie et de momentum est robuste à la présence aux facteurs conditionnels du capital humain. Finalement, le facteur du ratio BE/ME et du momentum restent significatifs en présence des facteurs du CAPM-ACS, ce qui implique un rejet de l’hypothèse 2, celle-ci stipulant que seul les estimateursλrm, λLabor, λSkew, λKurtosis, λZss, λZsl , λZssrm, λZslrm, λZssLabor, λZslLabor, λZssS, λZslS, λZssK et λZslK sont significatives.
©Philippe-Olivier Blanchet, 2016
Tableau 14 : Estimation des primes de risque – CAPM-ACS (tous les portefeuilles)
Ce tableau présente les estimateurs de la coupe transversale pour le modèle CAPM-ACS selon l’équation (127). Les bêtas de l’équation (127) sont obtenus par régression en séries chronologiques des rendements excédentaires mensuels sur les facteurs de risque selon l’équation (126) estimée sur l’ensemble de la période à l’étude, soit du 1er Janvier 1972 au 1er Décembre 2014 (516 observations). Les rendements excédentaires
proviennent de 25 portefeuilles classés par taille et ratio BE/ME, 25 portefeuilles classés par taille et par momentum et 30 portefeuilles classés par industrie (total de 85). Ce tableau présente les estimateurs de primes de risque et leur statistique t de Fama-Macbeth (1973), leur statistique t corrigée par l’approche de Shanken (1992) et leur statistique t estimé par GMM utilisant la matrice de covariance Newey-West (1987). Les statistiques R2 et R2 ajustés sont également présentés, suivis des statistiques de Wald et leur valeur-p selon l’hypothèse nulle que les erreurs d’évaluation sont conjointement et statistiquement égale à zéro. Les astérisques ***, ** et *
représentent un niveau de confiance de 99%, 95%, et 90% respectivement.
𝜆0 𝜆𝑟𝑚 𝜆𝐿𝑎𝑏𝑜𝑟 𝜆𝑆𝑘𝑒𝑤 𝜆𝐾𝑢𝑟𝑡𝑜𝑠𝑖𝑠 𝜆𝑍𝑠𝑠 𝜆𝑍𝑠𝑙 𝜆𝑍𝑠𝑠𝑟𝑚 𝜆𝑍𝑠𝑙𝑟𝑚 𝜆𝑍𝑠𝑠𝐿𝑎𝑏𝑜𝑟 𝜆𝑍𝑠𝑙𝐿𝑎𝑏𝑜𝑟 𝜆𝑍𝑠𝑠𝑆 𝜆𝑍𝑠𝑙𝑆 𝜆𝑍𝑠𝑠𝐾 𝜆𝑍𝑠𝑙𝐾 𝜆𝑃𝑟𝑒𝑚 𝜆𝑆𝑀𝐵 𝜆𝐻𝑀𝐿 𝜆𝑀𝑂𝑀
R2 R2 adj
TestWald (valeur-p)
Section A. Sans constante
1.CAPMACS alpha inc
Estimateur 0,6108% -0,0039% 0,0168% -0,0009% 0,0199% -0,0065% 0,0010% -0,0034% -0,0024% -0,0009% 0,0003% 0,0002% 31,96% 19,78%
Fama-Macbeth t-stats 2,9691*** -0,0586 0,3648 -0,1197 2,1756** -0,9009 0,7151 -2,9239*** -3,2921*** -1,3544 2,9905*** 1,6895* -357,69 (0,0000)
Shanken t-stats 2,8713*** -0,0369 0,2377 -0,0785 1,3695 -0,5674 0,4486 -1,8332* -2,0892** -0,8543 1,9197* 1,0681 136,58 (0,0000)
GMM t-stats 2,7300*** -0,0368 0,2062 -0,0918 1,4452 -0,6407 0,4549 -1,6687* -1,7816* -0,9054 1,7440* 1,2791 482,93 (0,0000) 2. CAPMACS beta inc
Estimateur 0,6219% 0,1799% 0,1636% 0,0055% -0,4818% 0,4930% -10,18% -19,24% Fama-Macbeth t-stats 2,9816*** 2,5328** 4,1127*** 0,8022 -2,8108*** 2,8635*** 380,24 (0,0000) Shanken t-stats 2,8896*** 1,8443* 3,1222*** 0,6130 -2,0547** 2,0818** 196,17 (0,0000) GMM t-stats 2,9329*** 1,5325 3,3948*** 0,6293 -2,0459** 2,3131** 584,92 (0,0000) 3. CAPMACS Estimateur 0,5767% -0,0141% 0,0343% -0,0030% -0,0603% 0,0180% 0,0278% -0,0117% 0,0003% -0,0019% -0,0016% -0,0009% 0,0003% 0,00004% 48,38% 37,27% Fama-Macbeth t-stats 2,8218*** -0,2110 0,8178 -0,4357 -0,3508 0,1167 3,1800*** -1,6868* 0,2044 -1,8108* -2,0827** -1,3740 3,4430*** 0,4542 319,05 (0,0000) Shanken t-stats 2,7561*** -0,1336 0,5413 -0,2927 -0,2227 0,0739 2,0143** -1,0687 0,1294 -1,1450 -1,3254 -0,8707 2,2090** 0,2895 122,99 (0,0000) GMM t-stats 2,6722*** -0,1355 0,4161 -0,3538 -0,2336 0,0822 2,5831** -1,2945 0,1587 -1,3714 -1,2019 -0,9675 2,3431** 0,3301 397,73 (0,0000) 4. CAPMACS-PLMODEL Estimateur 0,5709% 0,0064% 0,0351% -0,0016% -0,0560% 0,0398% 0,0278% -0,0113% 0,0003% -0,0017% -0,0015% -0,0009% 0,0004% 0,0001% 0,0141% 48,49% 36,41% Fama-Macbeth t-stats 2,8122*** 0,0770 0,8405 -0,2616 -0,3301 0,2444 3,1767*** -1,6590* 0,2175 -1,6576* -1,9511* -1,3724 3,6207*** 0,6632 0,1123 319,01 (0,0000) Shanken t-stats 2,7751*** 0,0486 0,5582 -0,1799 -0,2104 0,1548 2,0187** -1,0555 0,1381 -1,0516 -1,2435 -0,8724 2,3325** 0,4277 0,0706 123,78 (0,0000) GMM t-stats 2,7200*** 0,0526 0,4289 -0,2210 -0,2277 0,1548 2,5582** -1,2366 0,1740 -1,0848 -1,1972 -0,9847 2,5633** 0,5208 0,0645 386,31 (0,0000)
Tableau 14 (suite) : Estimation des primes de risque – CAPM-ACS (tous les portefeuilles) 𝜆0 𝜆𝑟𝑚 𝜆𝐿𝑎𝑏𝑜𝑟 𝜆𝑆𝑘𝑒𝑤 𝜆𝐾𝑢𝑟𝑡𝑜𝑠𝑖𝑠 𝜆𝑍𝑠𝑠 𝜆𝑍𝑠𝑙 𝜆𝑍𝑠𝑠𝑟𝑚 𝜆𝑍𝑠𝑙𝑟𝑚 𝜆𝑍𝑠𝑠𝐿𝑎𝑏𝑜𝑟 𝜆𝑍𝑠𝑙𝐿𝑎𝑏𝑜𝑟 𝜆𝑍𝑠𝑠𝑆 𝜆𝑍𝑠𝑙𝑆 𝜆𝑍𝑠𝑠𝐾 𝜆𝑍𝑠𝑙𝐾 𝜆𝑃𝑟𝑒𝑚 𝜆𝑆𝑀𝐵 𝜆𝐻𝑀𝐿 𝜆𝑀𝑂𝑀 R2 R2 adj TestWald (valeur-p) 5. CAPMACS-FFMODEL Estimateur 0,5753% 0,0291% 0,1250% -0,0006% -0,3991% 0,4260% 0,0196% -0,0131% -0,0006% 0,0011% -0,0021% 0,0009% 0,0003% 0,00005% -0,2142% 0,5737% 60,94% 51,01% Fama-Macbeth t-stats 2,8362*** 0,4514 2,7793*** -0,0905 -2,0368** 2,2831** 2,3218** -1,9821** -0,4507 0,8397 -2,8398*** 1,2616 3,5884*** -0,5740 -1,0763 3,4023*** 293,85 (0,0000) Shanken t-stats 2,8045*** 0,2939 1,8693* -0,0633 -1,3209 1,4749 1,5121 -1,2919 -0,2924 0,5420 -1,8571* 0,8172 2,3697** -0,3792 -0,8111 2,7070** 119,57 (0,0000) GMM t-stats 2,5986*** 0,3614 1,5595 -0,0780 -1,7229* 2,0057** 1,6565* -1,4655 -0,3831 0,6838 -1,6938* 0,7824 3,0397*** -0,4562 -0,5914 2,0305** 425,49 (0,0000) 6.CAPMACS-CAMODEL Estimateur 0,5963% -0,0308% 0,1621% -0,0052% -0,1710% 0,2134% -0,0028% -0,0017% 0,0004% 0,0002% -0,0015% 0,0010% 0,0001% -0,0001% -0,1229% 0,5179% 0,8158% 68,97% 60,46% Fama-Macbeth t-stats 2,9402*** -0,4576 3,6056*** -0,8132 -0,8468 1,1183 -0,3619 -0,2779 0,2595 0,1775 -1,9642** 1,3809 1,5094 -1,2494 -0,6132 3,0564*** 4,0972*** 269,60 (0,0000) Shanken t-stats 2,9219*** -0,3430 2,7728*** -0,6432 -0,6331 0,8339 -0,2725 -0,2091 0,1942 0,1323 -1,4791 1,0322 1,1499 -0,9473 -0,5109 2,6446*** 4,0226*** 147,15 (0,0000) GMM t-stats 2,7613*** -0,4140 2,7042*** -0,6816 -0,7919 1,0136 -0,2859 -0,2546 0,2398 0,1632 -1,4239 1,0593 1,1488 -1,1157 -0,3494 1,8350* 3,9194*** 489,78 (0,0000)
Section B. Avec constante
1.CAPMACS alpha inc
Estimateur 1,1731% -0,4886% 0,0746% 0,0271% -0,0104% 0,0110% -0,0029% 0,0018% -0,0008% -0,0014% 0,0000% 0,0001% 0,00004% 55,95% 48,06%
Fama-Macbeth t-stats 4,5120*** -1,4606 1,0094 0,5819 -1,4298 1,1224 -0,3923 1,1568 -0,7226 -2,1156** -0,0651 1,2908 0,4393 298,62 (0,0000)
Shanken t-stats 3,5029*** -1,2255 0,7918 0,4666 -1,1612 0,8804 -0,3082 0,9059 -0,5677 -1,6782* -0,0511 1,0299 0,3470 179,98 (0,0000)
GMM t-stats 3,2380*** -1,2363 0,7474 0,3678 -1,2077 0,9666 -0,3698 0,8802 -0,5548 -1,4251 -0,0530 0,8598 0,4676 530,89 (0,0000) 2. CAPMACS beta inc
Estimateur 1,4628% -0,7379% 0,1431% 0,0564% -0,0127% -0,3577% 0,5717% 51,86% 47,91% Fama-Macbeth t-stats 6,3307*** -2,3705** 2,0046** 1,4124 -1,8772* -2,0749** 3,2770*** 312,09 (0,0000) Shanken t-stats 4,8924*** -2,0088** 1,5667 1,1420 -1,5307 -1,6268 2,5573** 186,39 (0,0000) GMM t-stats 3,7587*** -1,7591* 1,2619 1,1057 -1,4802 -1,6976* 2,4373** 660,66 (0,0000) 3. CAPMACS Estimateur 1,3158% -0,6893% 0,2299% 0,0973% -0,0055% 0,0797% 0,2189% 0,0060% -0,0034% 0,0038% -0,0014% -0,0001% 0,00003% 0,0001% -0,00002% 71,60% 65,48% Fama-Macbeth t-stats 5,3644*** -2,1424** 3,3230*** 2,2799** -0,7914 0,4488 1,3990 0,6502 -0,4844 2,7247*** -1,3125 -0,0927 -0,0357 1,0048 -0,2192 258,94 (0,0000) Shanken t-stats 3,2558*** -1,4986 2,0553** 1,4741 -0,5216 0,2783 0,8655 0,4019 -0,2999 1,6823* -0,8115 -0,0584 -0,0220 0,6371 -0,1369 95,38 (0,0105) GMM t-stats 2,9189*** -1,5141 2,1757** 1,4719 -0,6922 0,3040 1,0694 0,4479 -0,3678 1,9130* -1,0651 -0,0619 -0,0246 0,7041 -0,1829 320,93 (0,0000)
©Philippe-Olivier Blanchet, 2016
Tableau 14 (suite) : Estimation des primes de risque – CAPM-ACS (tous les portefeuilles)
𝜆0 𝜆𝑟𝑚 𝜆𝐿𝑎𝑏𝑜𝑟 𝜆𝑆𝑘𝑒𝑤 𝜆𝐾𝑢𝑟𝑡𝑜𝑠𝑖𝑠 𝜆𝑍𝑠𝑠 𝜆𝑍𝑠𝑙 𝜆𝑍𝑠𝑠𝑟𝑚 𝜆𝑍𝑠𝑙𝑟𝑚 𝜆𝑍𝑠𝑠𝐿𝑎𝑏𝑜𝑟 𝜆𝑍𝑠𝑙𝐿𝑎𝑏𝑜𝑟 𝜆𝑍𝑠𝑠𝑆 𝜆𝑍𝑠𝑙𝑆 𝜆𝑍𝑠𝑠𝐾 𝜆𝑍𝑠𝑙𝐾 𝜆𝑃𝑟𝑒𝑚 𝜆𝑆𝑀𝐵 𝜆𝐻𝑀𝐿 𝜆𝑀𝑂𝑀 R2 R2 adj TestWald (valeur-p) 4. CAPMACS-PLMODEL Estimateur 1,3145% -0,6901% 0,2369% 0,0975% -0,0050% 0,0811% 0,2264% 0,0060% -0,0033% 0,0038% -0,0013% 0,00004% -0,00003% 0,0001% -0,00002% 0,1394% 71,61% 64,96% Fama-Macbeth t-stats 5,2902*** -2,1553** 3,1313*** 2,2984** -0,7893 0,4637 1,4021 0,6502 -0,4780 2,7311*** -1,2734 -0,0664 -0,0365 1,0162 -0,1962 1,1577 258,17 (0,0000) Shanken t-stats 3,1928*** -1,5032 1,9201* 1,4796 -0,5274 0,2862 0,8617 0,3997 -0,2948 1,6771* -0,7834 -0,0416 -0,0224 0,6387 -0,1229 0,7052 94,04 (0,0107) GMM t-stats 2,8663*** -1,5260 2,3027** 1,4608 -0,6134 0,3135 1,0208 0,4457 -0,3573 1,9119* -1,0046 -0,0462 -0,0251 0,6490 -0,1712 0,6715 311,60 (0,0000) 5. CAPMACS-FFMODEL Estimateur 1,2992% -0,7148% 0,2602% 0,1619% 0,0000% -0,0031% 0,4357% 0,0000% -0,0020% 0,0035% 0,0007% -0,0006% 0,0011% 0,0001% -0,00001% -0,1456% 0,5345% 78,83% 73,45% Fama-Macbeth t-stats 5,4971*** -2,3145** 3,9398*** 3,6279*** -0,0017 -0,0150 2,3360** -0,0006 -0,3181 2,3297** 0,5494 -0,9338 1,4992 1,5056 -0,1231 -0,7273 3,1580*** 246,17 (0,0000) Shanken t-stats 2,9833*** -1,5009 2,1886** 2,1006** -0,0010 -0,0083 1,2870 -0,0004 -0,1775 1,2851 0,3023 -0,5258 0,8283 0,8553 -0,0697 -0,4833 2,2540** 72,51 (0,2179) GMM t-stats 3,1766*** -1,7455* 2,9457*** 1,8485* -0,0012 -0,0096 1,4948 -0,0004 -0,2115 1,5029 0,3529 -0,5436 0,8377 0,9984 -0,0941 -0,3876 1,9255* 239,41 (0,0000) 6.CAPMACS-CAMODEL Estimateur 1,1543% -0,5570% 0,1943% 0,1826% -0,0032% 0,1055% 0,2922% -0,0128% 0,0044% 0,0037% 0,0002% -0,0004% 0,0012% 0,00002% -0,0001% -0,0921% 0,5015% 0,7206% 82,23% 77,36% Fama-Macbeth t-stats 4,7412*** -1,7721* 2,7398*** 4,0828*** -0,5023 0,5035 1,5366 -1,6456 0,7067 2,4524** 0,1410 -0,5200 1,5523 0,2326 -0,6389 -0,4583 2,9549*** 3,6285*** 230,27 (0,0000) Shanken t-stats 2,8272*** -1,2320 1,6640* 2,5813** -0,3319 0,3050 0,9284 -1,0078 0,4330 1,4842 0,0851 -0,3204 0,9409 0,1453 -0,3961 -0,3270 2,2435** 3,5041*** 81,88 (0,0552) GMM t-stats 3,0091*** -1,3713 2,1966** 2,4108** -0,3688 0,3370 1,0473 -0,9268 0,4883 1,6368 0,0973 -0,3436 0,9604 0,1396 -0,5375 -0,2547 1,8226* 3,2225*** 303,31 (0,0000)
7. LIMITES
Afin de tester la performance et la validité des modèles d’évaluation d’actifs, nous avons recourrus à l’utilisation de rendements de portefeuilles d’actions. Ainsi, le cadre de l’analyse est limité à un seul type d’actif. Or, d’un point de vue théorique, un modèle devrait être en mesure d’évaluer l’ensemble des types d’actifs offerts aux investisseurs. L’ajout des rendements provenant d’obligations et de commodités pourrait donc influencer les résultats obtenus dans ce mémoire. Toujours en lien avec la spécification des données utilisées, le choix d’une seule fréquence analysée (mensuel) pour le calcul de rendements excédentaires limite la robustesse de nos conclusions. De plus, il est probable que les modèles à moments supérieurs auraient bénéficiés d’une estimation avec rendements journaliers en raison du caractère plus leptokurtique des distributions empiriques des rendements journaliers comparativement aux rendements mensuels. Finalement, l’analyse effectuée dans ce mémoire est limitée à une seule période d’étude, couvrant les rendements mensuels du 1er Janvier 1972 au 1er Décembre 2014. Il est donc difficile de percevoir clairement l’influence d’un changement du cycle économique sur les primes de risque, notamment la sensibilité de la prime de l’asymétrie comme reporté par Smith (2007). Par contre, la subdivision de la période à l’étude implique une segmentation de l’échantillon, et ainsi une diminution de la force de l’inférence statistique. En considérent du nombre de facteurs étudiés dans ce mémoire, nous considérons que le choix d’une seule période d’étude est adéquat.
©Philippe-Olivier Blanchet, 2016
8. CONCLUSION
Le présent mémoire comporte deux objectifs. À cet effet, nous avons utilisé un échantillon composé de 85 portefeuilles de titres américains dont 25 sont classés par taille et par ratio BE/ME, 25 sont classés par taille et par momentum et 30 sont classés par industrie. L’étude de ses portefeuilles couvre la période débutant au 1er janvier 1972 et se terminant au 1er décembre 2014. Le premier objectif vise à tester cinq modèles importants de la littérature sur l’évaluation d’actif, soit le CAPM traditionnel de Sharpe (1964), le CAPM à moments supérieurs de Kraus et Litzenberger (1976), le modèle PL de Jagannathan et Wang (1996), le modèle empirique de Carhart (1997) et le CAPM conditionnel de Ferson et Harvey (1999). Cette révision des résultats empiriques de ces modèles est motivée par le nombre élevé de facteurs de risque suggérés par la communauté académique au cours des 60 dernières années, tel que reporté par Harvey, Liu et Zhu (2014). Ainsi, nous avons élaboré un cadre multifactoriel d’estimation en deux étapes des primes de risque pour déterminer conjointement la robustesse des facteurs de risque proposés dans ces cinq modèles. De plus, en raison de l’évolution importante des outils économétriques offerts aux chercheurs, nous avons utilisé trois approches à l’estimation des mesures du pouvoir explicatif des facteurs, soit l’approche par Fama et Macbeth (1973) avec et sans corrigé de Shanken (1992) et l’approche du GMM proposé par Hansen (1982). Nous vérifions ainsi l’impact sur l’inférence statistique de ces outils et donc indirectement la contribution de la sophistication des outils économétrique.
Le second objectif vise à tester un modèle incorporant les principaux facteurs des cinq modèles étudiés au premier objectif, nommé CAPM-ACS. Ce modèle conditionnel à moments supérieurs incorpore une mesure du capital humain et utilise l’approche de conditionnement de Ferson et Schadt (1996) et Ferson et Harvey (1999) pour conditionner les bêtas des facteurs de risque. L’innovation de ce modèle se retrouve principalement dans le conditionnement du capital humain et dans la méthode du conditionnement des mesures de moments supérieurs.
Nos résultats supportent les modèles conditionnels par rapport à leur forme inconditionnelle. Contrairement aux travaux de Ferson et Harvey (1999), le conditionnement des alphas ne semble pas améliorer la performance des modèles conditionnels et les facteurs des alphas sont
majoritairement non significatifs. Pour ce qui est des modèles à moments supérieurs, nos résultats supportent plutôt la forme à trois moments, l’asymétrie étant plus significative que le kurtosis, ce phénomène étant robuste aux regroupements de portefeuilles. Nos résultats semblent supporter le conditionnement de ces mesures de moments supérieurs, plus particulièrement pour l’asymétrie, ce qui concorde avec les travaux de Harvey et Siddique (2000) et Smith (2007) sur la sensibilité de l’asymétrie au mouvement du cycle économique.
Les hypothèses concernant la validité des modèles sont cependant rejetées lorsque les facteurs d’anomalie empirique de Carhart (1997) sont introduits dans l’estimation. Plus spécifiquement, les facteurs réplicateurs de l’effet du ratio BE/ME et de l’effet du momentum sont particulièrement significatifs en présence des autres facteurs de risque, le facteur de l’effet de taille étant majoritairement non significatif dans l’ensemble des résultats. Nos résultats ne permettent pas d’expliquer pourquoi ces facteurs d’anomalie empirique sont persistants, mais nous remarquons par contre un lien intéressant entre le facteur d’asymétrie et le facteur de momentum. Une explication possible de ce phénomène est la présence d’asymétrie plus positive dans les portefeuilles perdants que les portefeuilles gagnants, une étude plus poussée à ce sujet sur l’interaction serait donc pertinente.
Nos résultats par rapport au CAPM-ACS supportent le conditionnement des bêtas des facteurs de marché, de moments supérieurs et de capital humain. Notamment, l’ajout du capital humain semble améliorer significativement la performance du modèle à capturer la variation des rendements des portefeuilles classés par industrie. Ce lien entre le capital humain et les rendements d’industrie n’est que rarement étudié dans la littérature, à l’exception des travaux récents de Eiling (2013) qui remarque un lien entre des mesures du capital humain spécifiques et les rendements des industries. Cependant, la robustesse des facteurs d’anomalie empirique de Carhart (1997) nous pousse à rejeter particiellement la validité du modèle proposé.
D’un point de vue global, nous remarquons que les mesures d’inférences obtenues par l’approche du GMM sont plus conservatrices que celles obtenues par l’approche de Fama et Macbeth et celles corrigées par l’approche de Shanken (1992), dans le sens où l’approche du GMM semble produire des mesures de statistique t plus faible et des mesures Wald plus élevé. Dans ce même ordre d’idée, nos résultats montrent que les rendements des portefeuilles par industrie constituent un obstacle
©Philippe-Olivier Blanchet, 2016
plus difficile à surmonter que les portefeuilles de classement par anomalies, la performance des modèles en termes de R2 ajusté étant majoritairement plus faible pour l’estimation avec portefeuilles classés par industrie, ce qui concorde avec les critiques de Lewellen, Nagel et Shanken (2010). Dans ce cas, seul le facteur de marché semble être significatif, et ce phénomène pourrait être expliqué par la faible variabilité des bêtas de marché.
À titre de rappel, les limites principales de ce mémoire sont l’évaluation d’un seul type d’actif (action) sur une seule période d’étude pour une seule fréquence de calcul des rendements excédentaires. De plus, nous devons mettre un bémol aux résultats obtenus avec constante dans la coupe transversale. Ces résultats étant économiquement contre-intuitifs, notamment la prime négative du marché et la valeur élevée de la constante, pourraient être expliqués par l’effet combiné de l’invariabilité des bêtas de marché et de la présence de multicolinéarité forte dans les facteurs de risque tel qu’étudié par Ahn, Gadarowski et Perez (2013). Dans une étude ultérieure, il serait intéressant d’ajouter des produits comme les obligations et les commodités aux actifs à évaluer. De plus, il serait pertinent d’évaluer ces modèles sous diverses périodes du cycle économique pour diverse fréquences de rendements. Finalement, d’autres approches aux conditionnements pourraient être utilisées, notamment l’utilisation de fenêtre roulante à diverses amplitudes ou par le conditionnement de la matrice de covariance.
9. Bibliographie
Ahn, Seung C., Gadarowksi, Christopher, Perez, M Fabricio, 2013, “Two-Pass Estimation
of Risk Premiums with Multicollinear and Near-Invariant Betas”, Journal of Empirical
Finance 20, p.1-17
Andrews, Donald W.K., 1993,”Tests for Parameter Instability and Structural Change With
Unknown Change Point”, Econometrica 61, p.821-856
Ang, Andrew, Hodrick, Robert J., Xing, Yuhang and Zhang, Xiaoyan, 2006,”The Cross-
Section of Volatility and Expected Returns, Journal of Finance 51, p.259-299
Ang, Andrew, Hodrick, Robert J., Xing, Yuhang and Zhang, Xiaoyan, 2009,”High
Idiosyncratic Volatility and Low Returns: International and Further U.S. Evidence”, Journal of Financial Economics 91, p.1-23
Arditti, Fred D., 1967, “Risk and the Required Return on Equity”, Journal of Finance 22,
p.19-36
Bali, G. Turan and Cakici, Nusret, 2008, “Idiosyncratic Volatility and the Cross-Section
Expected Returns”, Journal of Financial and Quantitative Analysis 43, p.29-58
Ball, Ray, 1978, “Anomalies in Relationships Between Securities’ Yields and Yields-
Surrogates”, Journal of Financial Economics 6, p.103-126
Ball, Ray and Brown, Philip, 1968, “An Empirical Evaluation of Accounting Income
Numbers“, Journal of Accounting Research 6, p.159-178
Bandhari, Laxmi Chand, 1988, “Debt/Equity ratio and expected common stock returns:
Empirical evidence “, Journal of Finance 43, p. 507-528
Banz, Rolf W., 1981, “The Relationship Between Return and Market Value of Common
Stocks“, Journal of Financial Economics 9, p. 3-18
Basu, Sanjoy, 1983, “The Relationship Between Earning Yield, Market Value, and Return for
NYSE Common Stocks: Further Evidence “, Journal of Financial Economics 12, p. 129-156
Black, Fisher, 1972, “Capital Market Equilibrium with Restricted Borrowing“, Journal of Business 45, p. 444-455.
Black, Fisher, Jensen, Michael C., and Scholes, Myron, 1972, “The Capital Asset Pricing
©Philippe-Olivier Blanchet, 2016
Black, Fisher and Scholes, Myron, 1974, “The effects of dividend yield on common stock
prices and returns”, Journal of Financial Economics, May, p.1-22
Blume, Marshall E., 1970, “Portfolio Theory: a Step Toward Its Practical Application“, The Journal of Business 43, p. 152-173.
Blume, Marshall E., and Friend, Irwin, 1970, “Measurement of Portfolio Performance
Under Uncertainty“, The American Economic Review 60, p. 561-575.
Bollerslev, Tim, 1986 “Generalized Autoregressive Conditional Heteroskedasticity”, Journal of Econometrics 31, p.307-327
Bollerslev, Tim, 2008 “Glossary to Arch (GARCH)”, Working Paper, University of Aarhus Bollerslev,Tim, Engle, Robert F., and Wooldridge, Jeffrey M., 1988, “A Capital Asset
Pricing Model Pricing Model with Time-Varying Covariances“, Journal of Political Economy 96, p. 116-131
Bodurtha, James N. and Nelson, Mark C., 1991,”Testing the CAPM with Time-Varying
Risks and Returns”, The Journal of Finance 4, p.1485-1505
Brown, Stephen J. and Warner, Jerold B., 1986,”Using Daily Stock Returns – The Case of
Event Studies”, Journal of Financial Economics 14, p.3-31
Burmeister, Edwin, and McElroy, Marjorie B., 1988, “Joint Estimation of Factor
Sensitivities and Risk Premia for the Arbitrage Pricing Theory“, Journal of Finance 43, p.721- 735
Campbell, John Y., 1987, “Stock Returns and the Term Structure”, Journal of Financial Economics 18, p. 373-399
Carhart, Mark M., 1997, “On Persistence in Mutual Fund Performance“, Journal of Finance
52, p. 57-82
Chan, K.C., Chen, Nai-fu, Hsieh, David A., 1985, “An exploratory investigation of the firm
size effect”, Journal of Financial Economics 14, p.451-471
Chen Fu-Nai, Roll, Richard and Ross, Stephen A, 1986, “Economic Forces and the Stock
Market”, Journal of Business 59, p.383-403
Clare, A., R. Priestley, and S. Thomas, 1997, “Is beta dead? The role of alternative estimation
methods“, Applied Economic Letters 4, 559–562.
Clare, A., R. Priestley, and S. Thomas, 1998, “Reports of beta’s death are premature:
Cochrane, John H., 2005, “Asset Pricing“, Princeton University Press
Dickey, David A. and Fuller, Wayne A., 1979, “Distribution of the Estimators for
Autoregressive Time Series With a Unit Root“, Journal of the American Statistical Association 74, p. 427-431
Dittmar, Robert F, 2002 “Nonlinear Pricing Kernels, Kurtosis Preference, and Evidence from
the Cross Section of Equity Returns” Journal of Finance 57, p. 91-119
Douglas, George W., 1969 “Risk in the Equity Markets: an Empirical Appraisal of Market
Efficiency” Yale Economic Essays 9, p. 3-48
Eiling, Esther, 2013, “Industry-Specific Human Capital, Idiosyncratic Risk, and the Cross-
Section of Expected Stock Returns“, The Journal of Finance 68, p.43-84
Engle, Robert F., 1982, “Autoregressive Conditional Heteroscedasticity with Estimates of the
Variance of United Kingdom Inflation”, Econometrica 50, p. 987-1007.
Fama, Eugene F., 1965, “The Behavior of Stock-Market Prices“, Journal of Business 38,
p.34-105
Fama, Eugene F., 1970, “Efficient Capital Markets: a Review of Theory and Empirical
Work“, Journal of Finance 49, p. 655-679
Fama, Eugene F., 1991, “Efficient Capital Markets : II“, The Journal of Finance 46, p.1575-
1617
Fama, Eugene F., Fisher, Lawrence, Jensen, Michael C. and Roll, Richard, 1969, “The
Adjustment of Stock Prices to New information“, International Economic Review 10, p.1-21
Fama, Eugene F., and French, Kenneth R., 1988, “Permanent and Temporary Components
of Stock Prices“, Journal of Political Economy 96, p. 246-273
Fama, Eugene F., and French, Kenneth R., 1989, “Business Conditions and Expected
Returns on Stocks and Bonds“, Journal of Financial Economics 25, p. 23-49
Fama, Eugene F., and French, Kenneth R., 1992, “The Cross-Section of Expected Stock
Returns“, Journal of Finance 47, p. 425-467
Fama, Eugene F., and French, Kenneth R., 1993, “Common Risk Factors in the Return on
Bonds and Stocks“, Journal of Financial Economics 33, p. 3-53
Fama, Eugene F., and French, Kenneth R., 1996a,“The CAPM is wanted, dead or alive“, The Journal of Finance 51, p. 1947-1958
©Philippe-Olivier Blanchet, 2016
Fama, Eugene F., and French, Kenneth R., 1996b, “Multifactor Explanations of Asset
Pricing Anomalies“, Journal of Finance 51, p. 55-84
Fama, Eugene F., and French, Kenneth R., 1997, “Industry cost of equity“, Journal of Financial Economics 43, p. 153-193
Fama, Eugene F., and French, Kenneth R., 2012, “Size, value, and momentum in
international stock returns“, Journal of Financial Economics 105, p. 457-472
Fama, Eugene F., and MacBeth , James D., 1973, “Risk, Return and Equilibrium: Empirical
Tests“, Journal of Political Economy 81, p. 607-636
Fang, Hsing and Lai, Tsong-Yue, 1997, “Co-Kurtosis and Capital Asset Pricing“, The Financial Review 32, p. 293-307
Ferson, Wayne E., 1989, “Changes in Expected Security Returns, Risk, and the Level of
Interest Rates“, The Journal of Finance 44, p. 1191-1217
Ferson, Wayne E., and Foerster, Stephen R., 1994, “Finite Sample Properties of the
Generalized Method of Moments in tests of Conditional Asset Pricing Models“, Journal of
Financial Economics 36, p. 29-55
Ferson, Wayne E., and Harvey, Campbell R., 1991, “The Variation of Economic Risk
Premiums“, The Journal of Political Economy 99, p. 385-415
Ferson, Wayne E., and Harvey, Campbell R., 1999, “Conditioning Variables and the Cross-
Section of Stock Returns“, The Journal of Finance 54, p. 1325-1360
Ferson, Wayne E., Sarkissian, Sergei, and Simin, Timothy T., 2003, “Spurious Regressions
in Financial Economics“, The Journal of Finance 57, p. 1393-1414
Ferson, Wayne E., Sarkissian, Sergei, and Simin, Timothy T., 2003, “Is Stock Return
Predictability Spurious“, Journal of Investment Management 1, p. 1-10
Ferson, Wayne E., Sarkissian, Sergei, and Simin, Timothy T., 2008, “Asset Pricing Models
with Conditional Betas and Alphas: The Effects of Data Snooping and Spurious Regression“
Journal of Financial and Quantitative Analysis 43, p. 331-353
Ferson, Wayne E., and Schadt, Rudi, 1996, “Measuring Fund Strategy and Performance in
Changing Economic Conditions“, The Journal of Finance 51, p. 425-462
Fletcher, Jonathan, Kihanda, Joseph , 2005, “An Examination of Alternative CAPM-based
Friend, Irwin, and Westerfield, Randolph, 1980, “Co-Skewness and Capital Asset Pricing“, The Journal of Finance 35, p. 897-913
Gibbons, M.R., Ross, S.A., Shanken, J., 1989, “A test of the efficiency of a given portfolio.” Econometrica 57, p.1121–1152
Ghysels, Eric, 1998,” On Stable Factor Structures in the Pricing of Risk: Do Time-Varying
Betas Help or Hurt?”, The Journal of Finance 53, p. 549-573