Principes de Finance Série d’Exercices 10 : Correction

Prof Michael Rockinger

Problème 1 : On a deux actifs et on considère un modèle à 5 facteurs (marché, SML, HML, momentum, inflation).
D’après l’APT, le rendement attendu est donné par

µ = rf + βM (µM − rf ) + βSM L (µSM L − rf ) + βHM L (µHM L − rf ) + βM oment (µM oment − rf ) + βπ (µπ − rf ).

Pour les deux actifs A et B, on a finalement

µA = rf + βM,A (µM − rf ) + βSM L,A (µSM L − rf ) + βHM L,A (µHM L − rf ) + βM oment,A (µM oment − rf )
+βπ,A (µπ − rf )
= 12.98%.
µB = rf + βM,B (µM − rf ) + βSM L,B (µSM L − rf ) + βHM L,B (µHM L − rf ) + βM oment,B (µM oment − rf )
+βπ,B (µπ − rf )
= 10.04%.

Problème 2 :
Question 1 : On trouve les grandeurs exprimées dans le tableau suivant.

Nom α s.e. β s.e. R2

ABB -0.0030 0.0059 1.4698 0.1240 0.2866
ADECCO -0.0084 0.0051 1.2572 0.1068 0.2838
Credit Suisse -0.0077 0.0035 1.5285 0.0723 0.5609
Nestle 0.0054 0.0021 0.6102 0.0439 0.3555
Novartis 0.0043 0.0022 0.7684 0.0462 0.4420
Roche Holdings 0.0043 0.0023 0.8224 0.0476 0.4607
Swiss Re -0.0020 0.0039 1.3429 0.0807 0.4416
UBS -0.0051 0.0033 1.3838 0.0690 0.5347
Logitech 0.0037 0.0059 0.8722 0.1224 0.1270

On constate que le plus petit bêta correspond à Nestlé. Cela correspond à l’intuition économique. Même en crise il
faut manger. Les entreprises alimentaires sont donc des bonnes valeurs refuge. Ces entreprises sont suivies par Roche
et Novartis qui sont des entreprises pharmaceutiques relativement abritées des mouvements du marché. En effet,
même en cas de récession il faut se soigner. En cas de récession, on pourrait même s’imaginer que la consommation
de pharmaceutiques augmente. Cependant, on peut penser que ces entreprises sont également actives dans le domaine
de la chimie et que par conséquent elles sont un peu plus exposées aux variations du marché que les entreprises dans
l’alimentaire (qui évidemment font aussi de la chimie mais de nature un peu différente :-)). Finalement, on trouve
UBS, Swiss-Re et Credit-Suisse avec des bêtas dans les environ de 1.3 à 1.4 et ABB avec 1.5. Il s’agit d’entreprises
très cycliques, très affectées par les effondrements éventuels du marché et pour les quels on s’attend à une forte
demande de prime de risque.
Question 2 : On rappelle que les valeurs des rentabilités moyennes ont été établies lors de la série 6. Si on trace
les espérances attendues versus les bêtas on obtient le graphique suivant :
 SML
12.00%

10.00%

8.00%
Rentabilite attendue

6.00%

4.00%

2.00%

0.00%
-0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
-2.00%

-4.00%
Beta

Notez la position de l’actif sans risque et du marché. Le MEDAF implique que plus le beta est grand plus
l’espérance de rendement de l’actif devrait être grande. Or, dans la figure nous n’observons pas cela. En effet on
remarque l’absence de relation linéaire entre les bêtas et l’espérance de rendement des actifs. La raison est que nous
avons utilisé des données historiques correspondant a une période donnée dans les régressions linéaires, or le MEDAF
est un modèle global de prévision. En supposant la validité du MEDAF et en prenant une fenêtre temporelle beaucoup
plus large on devrait retrouver la relation linéaire entre les bêtas et les espérances de rendement, sinon on rejette le
MEDAF. Notez que les actifs au-dessus de la droite ont été sous-évalué pendant la période considérée, alors que les
actifs en-dessous ont été sur-évalué par les investisseurs.
Question 3 : On rappelle que pour une régression

rit = ai + bi rM t + eit,

le R2 mesure la partie de la variance de la variable dépendante expliquée par la variable explicative, soit
PT 2
t=1 (âi + b̂i rM t − r̄i )
PT .
2
t=1 (rit − r̄i )

Si R2 = 1 alors le modèle explique parfaitement les variables dépendantes. L’ordre de grandeur de cette mesure
varie entre 28% pour ABB et 58% pour Zurich Fin. Comme la plupart des R2 se trouvent dans la zone 0.5, on conclut
que le risque macroéconomique, donc non-diversifiable, également capté par le marché, représente une grande fraction
de la rentabilité individuelle des titres.
Question 4 : Si on a deux actifs, le modèle du marché indique que

r̃i = ai + bi r̃M + ẽi ,

r̃j = aj + bj r̃M + ẽj .

On note les estimateurs de bi et bj par β̂i et β̂j . L’une des hypothèses de la régression linéaire est que les erreurs
ne sont pas corrélées avec variables explicatives. C’est à dire E[ẽi r̃M ] = E[ẽj r̃M ] = 0. On a alors

Cov(r̃i , r̃j ) = bi bj V ar[r̃M ] + Cov(ẽi , ẽj ).

 Si les risques idiosyncratiques sont indépendants alors on s’attend à ce que Cov(ẽi , ẽj ) = 0. Pour la paire UBS-
Swiss-Re on obtient
Cov(r̃
di , r̃j ) = β̂i β̂j V ar[r̃
dM ] = 0.0042

Cela se compare avec la covariance exacte, déterminée dans la série d’exercices 6, soit 0.0021. Attention ! les cova-
riances que nous avons sont calculés avec les données mensuelles, il faut donc prendre l’estimateur de la variance
mensuelle du marché. La différence entre les deux peut s’expliquer par le fait que les résidus ne sont pas parfaitement
indépendants. Il y a surtout des facteurs manquants qui créent de la corrélation parmi les résidus.
Il y a à peine quelques décennies, la puissance des ordinateurs était très faible. Il fallait dés lors optimiser les
estimations intervenant dans le choix de portefeuille. Il y a de nombreux papiers, remontant aux années 70 et 80, se
penchant sur ce problème, voir par exemple les travaux de Elton et Gruber. Si on calcule les covariances directement,
pour N actifs, il faut faire (N − 1)N/2 calculs faisant à chaque fois intervenir T observations. En utilisant le modèle
du marché, on doit faire simplement N régressions et finalement on doit calculer les termes de β̂i β̂j V ar[r̃
dM ]. Le calcul
de cette dernière expression n’est pas très coûteux.
Pour se fixer les idées, si on a N = 10 000 actifs financiers, une fois il faut calculer 499500 covariances contre
environ 1000 régressions. Cela réduit le temps de calcul d’un facteur 1’000. De nos jours, le temps de calcul n’est
plus un problème sauf dans les problèmes vraiment importants.