Vous êtes sur la page 1sur 20

Le modèle de march

modè marchéé

Slide
Slide4-1
4-1 Copyright © Maher Kooli, Ph.D., 2005

Le modèle de marché

Š Le modèle de marché initialement proposé par William Sharpe


(1963) propose une approche plus affinée de l’analyse de risque

Š Idée de base: les fluctuations du rendement d’un titre peuvent


être attribuées d’une part à des facteurs communs qui affectent
l’ensemble du marché, et d’autre part, à des causes spécifiques à
la firme considérée.

Š Les fluctuations dues à des facteurs propres peuvent être


atténuées, voire complètement éliminées via la diversification

Slide
Slide4-2
4-2 Copyright © Maher Kooli, Ph.D., 2005

1
Le modèle de marché

Slide
Slide4-3
4-3 Copyright © Maher Kooli, Ph.D., 2005

Le modèle de marché
Š Le modèle de marché peut être présenté graphiquement d'une manière très simple. Si on
dispose d'une série chronologique de taux de rendement, par mensuels, pour le titre i et pour
le marché M, on peut représenter couple d'observations (Rit, RM,t) par un point dans un
graphique.
Š La technique de régression linéaire permet d'ajuster une droite à travers de points ainsi obtenu
de manière à minimiser la somme des carrés des écarts (noté eit) que les différentes
observations présentent verticalement par rapport à la droite.

Š C'est βˆ : la pente de la droite de régression, qui mesure la volatilité du titre i.


Š Le bêta indique de combien varie en moyenne le taux de rendement du titre i pour une
variation unitaire du taux de rendement du marché.
Š C'est ainsi qu'une pente de 1,5 indiquera qu'en moyenne on doit s'attendre à une
augmentation de 0,015 de Ri si RM s'accroît de 0,01 et à une baisse de 0,015 de Ri si RM
diminue de 0,01.
Š Si les facteurs qui affectent l'ensemble du marché expliquaient la totalité des fluctuations du
rendement du titre i, tous les couples de rendement (Ri,t, RM,t) se situeraient sur la droite de
régression.
Š → Les écarts verticaux ei,t entre les observations et la droite de régression matérialisent le
risque spécifique de la firme i et c'est leur variance qui en mesure l'importance.

Š α̂ sa signification est assez limitée dans le cadre du modèle de marché. On peut


l’interpréter comme étant le rendement espéré du titre i lorsque le rendement du marché est
nul

Slide
Slide4-4
4-4 Copyright © Maher Kooli, Ph.D., 2005

2
Une relation linéaire avec le
marché
Š Le modèle de marché établit donc une relation linéaire entre le
rendement d’une action i et le rendement du marché
Š l'équation de régression qui définit cette relation s'écrit :
Ri = αi + βiRM + ei
Š Ce modèle ne repose sur aucune construction théorique. Il s’agit d’une
formulation strictement empirique, proposée pour la première fois par
Sharpe (1963).
Š Sa validation est une question purement factuelle, c'est-à-dire
surbordonnée au succès de la mise en oeuvre de la régression linéaire
simple.

Š Le rendement Ri peut être décomposé de la manière suivante :


Š une composante dite « systématique » : βiRM
Š une composante dite « spécifique » : ei+ αi

Š Pour obtenir une estimation non biaisée des paramètres du modèle, le


terme d’erreur doit respecter six conditions, dont les cinq premières sont
communes à tous les modèles de régression linéaire:

Slide
Slide4-5
4-5 Copyright © Maher Kooli, Ph.D., 2005

Une relation linéaire avec le marché

Par construction
1. E(ei) = 0 pour i=1,…N
2. Cov(ei,t,ej,t-1)=0, aucune autocorrélation ou dependence sérielle
Par hypothèse
1. E[ei(RM-E(RM)]= 0; aucun autre facteur n’a une influence
systématique sur Ri
2. E(eiej)=0
Par définition
1. E(ei)2= σ2ei
2. E(RM-E(RM))2 = σ2M

Slide
Slide4-6
4-6 Copyright © Maher Kooli, Ph.D., 2005

3
Š Le rendement espéré d’un titre:
E(Ri) = E(αi + βiRM + ei) = αi + βiE(RM)

Š La variance de rendement d’un titre:


σ2i = E(Ri-E(Ri))2 = E(αi + βiRM + ei -(αi + βiE(RM )))2
= E[βi(RM - E(RM )) + ei ]2 = β2iσ2M + σ2ei
Š Le premier terme du membre de droite de l'équation constitue le risque
systématique du titre i, le second le risque non systématique.
Š Il est important d'apprécier l'importance relative de ces deux éléments. C'est le
coefficient de détermination de la régression de Ri sur RM qui nous permet de le
faire (R2).

Š Ce coefficient mesure en effet le pourcentage des fluctuations du return du titre i qui est
expliqué par les facteurs qui affectent l'ensemble du marché. Il varie entre zéro et un 1 et il est
d'autant plus élevé que les ei,t sont faibles, c'est-à-dire que les facteurs de risque spécifiques
à la firme sont peu importants par rapport à ceux qui affectent l'ensemble du marché.

Š La covariance entre deux titres:


σij = E(Ri-E(Ri)(Rj-E(Rj))
= E{(αi + βiRM + ei -(αi + βiE(RM )))(αj + βjRM + ej -(αj + βjE(RM )))}
= βijσ2M

Slide
Slide4-7
4-7 Copyright © Maher Kooli, Ph.D., 2005

Exemple

Š On suppose ici que β=1.5


Š E(Ri) = αi + βiE(RM)=2 + 1.5 (4) =8
Š σ2i = (1.5)2(8) + σ2ei = 20.8
Š σ2ei =14/5 =2.8

Slide
Slide4-8
4-8 Copyright © Maher Kooli, Ph.D., 2005

4
Une mesure relative du risque

Š La définition que nous avons donnée du coefficient de risque


systématique (coefficient bêta) fait apparaître qu'il s'agit d'une
mesure relative du risque.
Š C’est ainsi que les coefficients bêta des titres plus volatils, plus
spéculatifs que la moyenne du marché (exp: techno, bio, etc.)
seront supérieurs à 1, tandis que ceux des titres plus stables que
le marché (exp: banques, compagnies d’assurance, etc.) seront
inférieurs à l'unité.
Š Puisqu'il exprime l'interdépendance du rendement du titre i avec
celui du marché, il est naturel que le coefficient bêta soit lié au
concept de covariance.

cov(R i,t ,R M ,t )
β i.t =
σ 2 ( R M ,t )

Slide
Slide4-9
4-9 Copyright © Maher Kooli, Ph.D., 2005

Le modèle de marché et la diversification

Š Considérons un portefeuille composé de N titres et appelons X1, X1, X1,…, X1 proportions de


ce portefeuille investies dans les différents titres.
Š Le rendement de chacun des titres au cours d'un mois t quelconque peut s'écrire suivante :
Š R1,t = α1 +ß1RM,t + e1,t
Š ……
Š RN,t = αN +ßNRM,t + eN,t

Š Le rendement du portefeuille au cours du même mois, RP,t:


Š RP,,t = X1R1,t + XNRN,t
Š = X1α1 +…+ XNαN +X1ß1RM,t +…+ XNßNRM,t + X1 e1,t+…+ XN eN,t

Š Une variation de 0,01 de RM engendrera une fluctuation de RP de 0,01 (X1ß1+…+ XNßN).


Š L'expression (X1ß1+…+ XNßN) = ßP
Š Le coefficient bêta d'un portefeuille est égal à la somme pondérée des coefficients ß des titres
qui le composent.
Š Si X1 = XN=1/N

1 1 1
σ 2
(R )= β 2
Pf σ 2
(R ) + 2
σ 2
( e1 ) + σ 2 ( e 2 ) + ... + σ 2
(eN )
N 2 1 N 2 1
Pf M
1N 1
σ 2
(R Pf )= β 2
Pf σ 2
(R M ) + [ σ ( e1 ) +
2
σ ( e 2 ) + ... +
2
σ 2
(e N )]
N N N N
1
σ 2
(R Pf )= β 2
Pf σ 2
(R M ) + [σ 2 ( e ) ]
N

Slide
Slide4-10
4-10 Copyright © Maher Kooli, Ph.D., 2005

5
Le modèle de marché et la diversification

Š Si N augmente suffisamment, σ 2 ( R Pf )= β P2f σ 2 ( R M )

Š La composante non systématique de la variance du rendement


du portefeuille Pf peut donc être éliminée par diversification ; c'est
la raison pour laquelle le risque spécifique est également appelé
risque diversifiable.

Š Cette élimination du risque spécifique a notamment pour


conséquence que le pouvoir explicatif du modèle de marché est
beaucoup plus important au niveau d'un portefeuille bien diversifié
qu'au niveau d'un titre individuel. La précision de l'estimation des
paramètres α et ß s'en trouve améliorée.

Slide
Slide4-11
4-11 Copyright © Maher Kooli, Ph.D., 2005

Estimation du bêta
Š De nombreuses études ont traité de l'application du modèle de marché à
différents ensembles de titres.
Š Blume [1971] a analysé l'application du modèle de marché aux
rendements des actions du NYSE au cours de la période juillet 1926-juin
1968 qu’il a divisée en 6 sous-périodes égales d'une longueur de 7 ans.
Š Exemple: 7/54-6/61 et 7/61-6-68

Slide
Slide4-12
4-12 Copyright © Maher Kooli, Ph.D., 2005

6
Estimation du bêta

Š Ce tableau permet de constater que si les corrélations sont moyennes au niveau des titres
individuels, elles deviennent très élevées dès que la taille des portefeuilles constitués atteint
10 titres.
Š Rappelons qu'en élevant au carré les coefficients de corrélation, on obtient les coefficients de
détermination, c'est-à-dire le pouvoir explicatif des régressions qui tentent d'expliquer le
niveau de βt par celui de βt-1.
Š En moyenne, ce pouvoir explicatif n'est que de 36% pour les titres individuels mais il s'élève
déjà à 85 % pour des portefeuilles de 10 titres et atteint 95 % pour des portefeuilles de 20
titres, ce qui est considérable.
Š Les bêtas des portefeuilles composés par plusieurs titres renferment plus d’informations que
ceux des portefeuilles composés par un faible nombre de titres.
Š Pourquoi les bêtas d’une période différent-ils des bêtas des périodes suivantes ?
1. Le risque (bêta) d’un titre ou d’un portefeuille pourrait changer
2. Le bêta d’une période est mesuré avec un terme d’erreur. Plus le terme d’erreur est important
moins le bêta d’une période renferme de l’information sur le bêta de la période suivante.

Š Les bêtas individuels dépendent de la nature du titre : titre stable vs. spéculatif. Ces
changements ont tendance à s’annuler dans un portefeuille.
Š Les erreurs d’estimation du bêta ont tendance également de s’annuler dans le cas d’un
portefeuille par rapport au cas d’un titre.
Š Les bêtas historiques d’un portefeuille sont des meilleurs estimateurs des bêtas futurs que les
bêtas historiques de titres.

Slide
Slide4-13
4-13 Copyright © Maher Kooli, Ph.D., 2005

Comment estimer le bêta de demain?

Š Principe de base: En gestion de portefeuille ce qui importe c’est la


valeur du risque sur la période de détention du titre et pas la
valeur passée surtout si elle peut être différente.

Š Blume [1971] a mis en évidence la tendance des coefficients bêta


à se rapprocher de 1 au fil du temps tant au niveau des titres
individuels qu'à celui de portefeuilles.

Š Pour tenir compte de ce phénomène de régression vers la


moyenne et améliorer la qualité prévisionnelle des coefficients de
risque systématique, Blume [1971] et Vasicek [1973] ont proposé
des ajustements des bêtas estimés par les moindres ordinaires
(appelés les bêtas MCO).

Slide
Slide4-14
4-14 Copyright © Maher Kooli, Ph.D., 2005

7
Ajustement de Blume (1971)

1. Le bêta estimé d’un titre est fonction du “vrai” bêta du titre et d’un terme
d’erreur.
2. En moyenne, les bêtas tendent de converger vers 1 au cours des
périodes successives.
3. Les bêtas de la période prévisionnelles sont plus proches de 1 que les
bêtas historiques: voir tableau

Slide
Slide4-15
4-15 Copyright © Maher Kooli, Ph.D., 2005

Ajustement de Blume

Š Les bêtas de la période prévisionnelle sont plus proches de 1 que les


bêtas historiques → on doit donc modifier les bêtas historiques pour
capter cette tendance.
Š Blume corrige les bêtas historiques en mesurant directement l’ajustement
vers 1 et en supposant que l’ajustement pour une période donnée est un
bon estimateur d’ajustement pour la période suivante..
Š Exemple: calcul des bêtas pour la période de 1948-1954 puis pour la
période de 1955-1961.
Š On régresse les bêtas de 1955-1961 sur les bêtas de 1948-1954.

Slide
Slide4-16
4-16 Copyright © Maher Kooli, Ph.D., 2005

8
Ajustement de Blume

Š βi2 = 0.0343 + 0.067βi1

Slide
Slide4-17
4-17 Copyright © Maher Kooli, Ph.D., 2005

Ajustement de Blume
Š Supposons qu’on veut estimer le β d’un titre pour la période de
1962-1968. On calcule (via une analyse de régression) son β
pour la période de 1955-1961 et applique l’équation aux
coefficients de régression.
Š Si βi2 = 0.0343 + 0.067βi1
Pour βi1 =2 → βi2 = 1,697 < 2
Pour βi1 =0,5 → βi2 = 0,682 > 0,5

Š Si βi1 = 1 (1948-1954) → βi2 = 1.02 (1955-1961) et βi3 = 1,033


(1962-1968)
→ l’extrapolation du β selon la technique de Blume conduit à une
tendance à la hausse par rapport aux βs observés au cours des
périodes précédentes.

Slide
Slide4-18
4-18 Copyright © Maher Kooli, Ph.D., 2005

9
Ajustement de Vasiček
Š De manière générale, les coefficients bêta sont assez étroitement
groupés autour de 1 et Vasiček considère que cet état de fait
constitue une information a priori dont il est intéressant de tenir
compte dans l'estimation du coefficient bêta des titres considérés.
Š Il propose donc un ajustement de type bayesien des bêtas MCO.
Š Soient :
Š βi l'estimateur MCO du coefficient de risque systématique du titre i
Š σ2(βi) la variance de celui-ci.
Š la moyenneβ et σ2 β la variance calculées sur l'ensemble des
estimateurs des βi.
Š L'estimateur proposé par Vasiček est le suivant :

Slide
Slide4-19
4-19 Copyright © Maher Kooli, Ph.D., 2005

Ajustement de Vasiček

Š L'estimateur proposé par Vasiček est le suivant :


σ β i1 σ
βi 2 = β1 + 2 β i1 2 βi1
σ β 1 + σ β i1
2 2
σ β 1 + σ β i1

Š Plus il y’a de l’incertitude sur les estimations des β, plus faible


seront les poids choisis.
Bémol de l’ajustement de Vasiček:
Š Le poids d’un β d’un titre par rapport au poids du β moyen est
inversement relié à la variance du β.
Š Les titres à β élevés ont des variances élevés → un poids plus
faible accordés à leurs β
Š Le β futur estimé tendra vers la baisse par rapport au β moyen de
l’échantillon.
Š Il faut corriger ce β estimé vers la hausse !

Slide
Slide4-20
4-20 Copyright © Maher Kooli, Ph.D., 2005

10
Neutralisation des phénomènes de
désynchronisation

Š Lorsque des titres ne présentent que de faibles volumes moyens


de transactions, il arrive fréquemment qu'aucune transaction les
concernant ne soit enregistrée au cours d'une séance de bourse,
ce qui perturbe la série chronologique de leurs rendements.

Š Cette désynchronisation provoque, en effet, ce qu’on appelle en


économétrie des « erreurs sur les variables ».

Š Scholes et Williams [1977] et Dimson [1979] ont proposé des


techniques d'ajustement qui permettent sinon d'éliminer, du moins
d'atténuer fortement ce biais.

Slide
Slide4-21
4-21 Copyright © Maher Kooli, Ph.D., 2005

L'estimateur de Scholes et Williams

β −1 + β 0 + β +1
βi =
1 + 2 ρ0

Š où Cov( Ri ,t −1 , RM ,t −1 ) Cov( Ri ,t +1 , RM ,t +1 )
β −1 = β +1 =
σ 2 ( RM ,t −1 ) σ 2 ( RM ,t +1 )

Cov( Ri ,t , RM ,t )
β0 =
σ 2 ( RM ,t )

Š ρ0 = le coefficient d’autocorrélation du premier ordre de l’indice


(RM).

Slide
Slide4-22
4-22 Copyright © Maher Kooli, Ph.D., 2005

11
L'estimateur de Dimson

k =+ n
Ri ,t = α i + ∑β R
k =− n
k M ,t − k + ei ,t

k =+ n
Š où β= ∑β
k =− n
k

Š Selon Dimson, n ne devrait pas excéder 2.

Slide
Slide4-23
4-23 Copyright © Maher Kooli, Ph.D., 2005

Appréciation de la qualité prédictive


des coefficients bêta

Étude de Klemkovsky et Martin (1975)


Š Klemkovsky et Martin [1975] ont examiné la capacité prévisionnelle des
différents estimateurs du coefficient bêta, à partir des rendements
mensuels des titres cotés au NYSE sur 5 périodes successives de 5 ans
s’étalant de 1947 à 1972. Ils utilisent l'erreur quadratique moyenne de
prévision (EQM) pour apprécier cette qualité prévisionnelle :
1 N
EQ M =
N
∑ (β
i =1
i , estim é − β i , prévu ) 2

Š Les auteurs ont examiné la capacité prévisionnelle des estimateurs de


Blume et de Vasiček en se limitant à des portefeuilles de 1 et 10.

1. Ils ont observé que les techniques proposées par ces deux auteurs
réduisent l'erreur par rapport aux bêtas MCO.

2. Ils ont également observé que l'estimateur de Vasiček avait tendance à


se montrer meilleur que celui de Blume. Cependant, les deux techniques
donnaient des résultats fort proches et leur classement relatif variait peu
d'une sous-période à l'autre.

Slide
Slide4-24
4-24 Copyright © Maher Kooli, Ph.D., 2005

12
Appréciation de la qualité prédictive
des coefficients bêta
Étude de Elton, Grüber et Urich (1978)
Š Ils ont examiné quels sont les estimateurs systématiques qui permettent de
prévoir au mieux les corrélations implicites futures entre les titres.
Š Plus précisément, ils ont tenté d'estimer les corrélations existant entre 200 titres
cotés au NYSE au cours de deux périodes de 5 ans, à l'aide de différentes
techniques de prévision :
1. en utilisant les bêtas MCO estimés sur la période de 5 ans qui précède ;
2. en ajustant ces bêtas selon les techniques de Blume et de Vasiček ;
3. en attribuant une valeur de 1 à tous les bêtas ;
4. en considérant que les corrélations passées allaient se reproduire ;
5. en donnant aux corrélations futures la valeur de la corrélation moyenne
précédente.

Š Ils ont constaté que l'erreur absolue moyenne de prévision de la technique


« corrélation moyenne » était significativement inférieure à celle des autres
techniques.
Š La méthode de prévision qui venait en deuxième lieu était celle de Blume, et celle
de Vasiček arrivait en troisième position. Les moins bonnes techniques de
prévision étaient les bêtas MCO, les corrélations antérieures et les βs supposés
tous égaux à 1.

Slide
Slide4-25
4-25 Copyright © Maher Kooli, Ph.D., 2005

VARIABLES INFLUENÇANT
LE NIVEAU DES COEFFICIENTS BÊTA

Š Les analystes financiers avaient recours à différents ratios pour mesurer le risque
des entreprises bien avant que les coefficients β ne fassent leur apparition.
Š Il est donc intéressant d'examiner le rapport existant entre les caractéristiques
structurelles des entreprises et le niveau de leurs coefficients bêta.

Š Beaver, Kettler et Scholes [1970] ont analysé les corrélations existant entre les
bêtas de 307 sociétés cotées au NYSE et les variables suivantes :
z taux de distribution ;
z taux de croissance des actifs ;
z taux d'endettement ;
z ratio de liquidité ;
z taille des actifs ;
z variabilité de l' earnings-price ratio ;
z « bêta comptable » mesuré par la régression de l' earnings-price ratio de
la société suri' earnings-price ratio moyen du marché.

Slide
Slide4-26
4-26 Copyright © Maher Kooli, Ph.D., 2005

13
Beaver, Kettler et Scholes [1970]:
Hypothèses

Š Les sociétés n'adoptent un taux de distribution élevé que si elles sont confiantes
dans l'évolution de leurs résultats futurs. La corrélation entre le bêta et le taux de
distribution devrait donc être négative

Š Plus son endettement est important, plus le risque de la société concernée est
élevé, l'endettement devrait donc être positivement corrélé avec le risque
systématique.
Š Idem pour la variabilité des gains et le β comptable.

Š Ne serait-ce que parce que ses activités sont généralement plus diversifiées, une
firme de grande taille est perçue comme moins risquée qu'une firme de plus petite
taille; la corrélation entre le risque systématique et la taille devrait être négative.

Š Le ratio de liquidité devrait, lui aussi, être négativement corrélé avec le risque
systématique, puisqu'on considère généralement qu’une firme est moins risquée
si ses actifs sont plus liquides.

Š Un taux de croissance élevé est souvent associé à un risque élevé; on devrait


donc s'attendre à un lien positif entre le bêta et le taux de croissance.

Slide
Slide4-27
4-27 Copyright © Maher Kooli, Ph.D., 2005

Š Beaver, Kettler et Scholes ont travaillé avec des titres individuels ainsi que des
portefeuilles de 5 titres, sur une période s'étendant de 1947 à 1965 et divisée en
deux sous-périodes la première de 10 ans et la seconde de 9 ans.

β i = a0 + a1 X 1 + a2 X 2 ... + aN X N + e i

Slide
Slide4-28
4-28 Copyright © Maher Kooli, Ph.D., 2005

14
Exercice
A B C D

α 2 3 1 4
β 1.5 1.3 0.8 0.9
σei 3 1 2 4

Š E(RM) = 8 et σM = 5, calculez:
1. Le rendement moyen de chaque titre
2. La variance de rendement de chaque titre
3. La covariance des rendements entre chaque titre.

Š En supposant un portefeuille équi-pondéré, calculez:


Š Le βP, αP, σ2P et E(RP)

Slide
Slide4-29
4-29 Copyright © Maher Kooli, Ph.D., 2005

Réponse
Š The single-index model's formula for security i's mean return is Ri = α i + β i Rm
Š
Š Since equals 8%, then, e.g., for security A we have: R A = α A + β A Rm
Š = 2 + 1.5 x 8
= 2 + 12
= 14%
RB = 13.4% RC = 7.4% RD = 11.2%

2 2
Š The single-index model's formula for security i's own variance is: 2 2
σ i = β i σ m + σ ei .
Š Since σm = 5, then, e.g., for security A we have:
Š 2 2 2 2
σ A = β A σ m + σ eA
= (1.5) × (5) + (3 )
2 2 2

= 65.25
Š Similarly: σ2B = 43.25; σ2C = 20; σ2D = 36.25

Slide
Slide4-30
4-30 Copyright © Maher Kooli, Ph.D., 2005

15
Š The single-index model's formula for the covariance of security i with security j is

Š Since σ2m = 25, then, e.g., for securities A and B we have:


2
σ ij = σ ji = β i β j σ m
2
σ AB = β A β B σ m
= 1.5 × 1.3 × 25
= 48.75

Š Similarly: σAC = 30; σAD = 33.75; σBC = 26; σBD = 29.25; σCD = 18

N
Š Recall that the formula for a portfolio's beta is: β P = ∑ Xiβ i
Š The weight for each asset (Xi) in an equally weighted portfolio is
i =1
simply 1/N, where
N is the number of assets in the portfolio.
Š Since there are four assets in Problem 5, N = 4 and Xi equals 1/4 for each asset in
an equally weighted portfolio of those assets. So:
Š
1 1 1 1
βP= β + β + β + β
4 A 4 B 4 C 4 D
1
= (1.5 + 1.3 + 0.8 + 0.9)
4
1
= × 4.5
4
= 1.125
Slide
Slide4-31
4-31 Copyright © Maher Kooli, Ph.D., 2005

Š Recall that the definition of a portfolio's alpha is: α P = ∑ Xi α i


i =1

Š
Š Using 1/4 as the weight for each asset, we have: αP =
1 1 1 1
αA + αB + αC + αD
4 4 4 4
1
= (2 + 3 + 1 + 4 )
4
1
= × 10
4
= 2.5

Š Recall that a formula for a portfolio’s variance using the single-index model is:
N
σ P2 = β P2σ m
2
+ ∑ Xi2σ e2i
i =1

2 2 2 2
⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞
σ P2 = (1.25) (5) + ⎜ ⎟ (3 ) + ⎜ ⎟ (1) + ⎜ ⎟ (2 ) + ⎜ ⎟ (4 )
2 2 2 2 2 2
Š ⎝4⎠ ⎝4⎠ ⎝4⎠ ⎝4⎠
1
= (1.25) × 25 + (9 + 1 + 4 + 16)
2

16
= 33.52

Slide
Slide4-32
4-32 Copyright © Maher Kooli, Ph.D., 2005

16
Exercice 2
Mois TITRE A TITRE B INDICE
janvier 0.054 0.02 0.045
février 0.035 0.025 0.032
mars 0.05 0.018 0.025
avril 0.004 0.001 0
mai 0.052 0.039 0.048
juin -0.027 -0.028 -0.029
juillet -0.016 0.01 -0.01
août 0.01 0.007 0.008
septembre 0.008 0.002 0.005
octobre -0.019 -0.016 -0.021
novembre 0.008 -0.001 0.003
décembre 0.015 0.008 0.011

Š Estimer les paramètres du modèle de marché pour chaque titre par une régression avec la
méthode des MCO.
Š Décomposer le risque total en risque systématique et spécifique. Donner la part de chacun
des risques dans le risque total, en % et en valeur.
Š Calculer la rentabilité moyennes des titres A et B et leur matrice de variances-covariances en
utilisant:
1. Les données historiques
2. Le modèle de marché pour les covariances, les donnés historiques pour les variances.
Š Qu’observez-vous et pourquoi?
Š Quel avantage représente l’utilisation du modèle de marché pour estimer la matrice de
variances-covariances lorsqu’on a n titres?
Slide
Slide4-33
4-33 Copyright © Maher Kooli, Ph.D., 2005

Solution

TITRE A TITRE B INDICE Régression du modèle de marché pour


0.054 0.02 0.045 β α
0.035 0.025 0.032 Paramètres 1.01957054 0.00080919
0.005 0.018 0.025 Ecart-types 0.09698072 0.00243725
2
0.004 0.001 0 R 0.91703023 0.00778161
0.052 0.039 0.048 110.525828 10
-0.027 -0.028 -0.029 0.00669272 0.00060553
-0.016 0.01 -0.01
0.01 0.007 0.008
0.008 0.002 0.005 Régression du modèle de marché pour
-0.019 -0.016 -0.021 β α
0.008 -0.001 0.003 Paramètres 0.68221178 0.00043177
0.015 0.008 0.011 Ecart-types 0.09077104 0.0022812
2
Espérances 0.01075 0.00708333 0.00975 R 0.84959328 0.00728335
Variances 0.000608188 0.00029391 0.00053652 56.4863906 10
Cov(RA,RB) 0.000355104 0.00299644 0.00053047
β Aβ BVar(RM) 0.000373184

Slide
Slide4-34
4-34 Copyright © Maher Kooli, Ph.D., 2005

17
Š R2 →risque systématique
Š Risque total = risque systématique +risque non systématique
Š Exemple:
Š Tire A: 100% = 91.70% + 8.30%
Š Titre B: 100% = 84.95% + 5.05%

Slide
Slide4-35
4-35 Copyright © Maher Kooli, Ph.D., 2005

Š Avec les données historiques: matrice var-cov:

⎛ 6.0892.10−4 3.551.10−4 ⎞
⎜ −4 ⎟
⎝ 3.551.10 2.939.10−4 ⎠

Slide
Slide4-36
4-36 Copyright © Maher Kooli, Ph.D., 2005

18
Š Si on utilise le modèle de marché
Š σAB = βABσ2M = 0,0003732 valeur différente de la valeur historique
en raison du non respect de l’hypothèse
cov(eA,eB)=cov(eA,RM)=cov(eB,RM)=0
Š cov(eA,eB)= -0,000181

Calcul des résidus des régressions


εA εB
0.007310139 -0.0111313
0.001564556 0.00273745
-0.021298451 0.00051294
0.003190813 0.00056823
0.002251427 0.00582207
0.001758358 -0.0086476
-0.006613482 0.01639035
0.001034248 0.00111054
0.00209296 -0.0018428
0.001601794 -0.0021053
0.004132101 -0.0034784
0.002975537 6.3902E-05

Covariance
entre les
résidus -1.80799E-05

Slide
Slide4-37
4-37 Copyright © Maher Kooli, Ph.D., 2005

Š 4- Cov(RA,RB) = βABσ2M à condition que


cov(eA,eB)=cov(eA,RM)=cov(eB,RM)=0
Š avec le modèle de marché, le nombre de données nécessaires
pour construire la matrice var-cov est réduit. Avec n titres, il suffit
d’estimer Var(RM) et Cov(Ri,RM) pour tout titre i au lieu d’estimer
n(n-1)/ 2 covariances. Avec 20 titres, il faut donc 21 données pour
estimer les covariances au lieu de 190.

Š 5- Si l’on admet que αi et βi du modèle de marché sont


relativement stables, il est possible d’estimer E(Ri) par αi + βi
E(RM).
Š Au lieu de prévoir individuellement les n espérances de rentabilité
des titres, il suffit alors d’anticiper l’évolution du marché E(RM).

Slide
Slide4-38
4-38 Copyright © Maher Kooli, Ph.D., 2005

19
Le modèle de marché

Š Le modèle de marché
Š Lecture: BKMPR chap. 8
Š Articles :
1. Pogue, G and B. Solnik, 1974, “The market model applied to
European common stocks: some empirical results”, Journal of
Financial and Quantitative Analysis 9(6), pp. 917-944.
2. Elton, E, M, Gruber and T, Urich, 1978, “Are betas best”, Journal
of Finance 33(5), pp. 1375-1384.
3. Blume, M, 1975, “Betas and their regression tendencies”, Journal
of Finance 30(3), pp. 785-795.

Slide
Slide4-39
4-39 Copyright © Maher Kooli, Ph.D., 2005

20