La Finance Comportementale:

“Le Trading et le piège de ses émotions”

Jury : Mémoire présenté par

Promoteur : Karim ANTONOPOULOS
Danielle SOUGNE En vue de l’obtention
Lecteurs : du diplôme de
Laurent BODSON Master en Science de Gestion à
Jean-Michel BOURDOUX finalité spécialisée
Année académique 2009/2010

1
1
Remerciements

J’exprime toute ma gratitude à Mme SOUGNE pour son encadrement

et je remercie particulièrement Mr BODSON et Mr BOURDOUX pour
leurs conseils lucides et avisés.

Mes remerciements se tournent ensuite vers Abdelkader Bouattou,

trader en bourse à la HSBC Bank de Londres et à Yasser également
trader en bourse à la Barclays Bank de Londres. Tous deux pour leurs
conseils précieux sur le déroulement d’une analyse de fonds.

Egalement un grand merci à Mr Lejeune et Mr Cavenaile pour leur

grande disponibilité.

Je dirige par la même occasion mes sincères remerciements à toute

l’équipe enseignante pour la qualité de l’enseignement qui nous a été
donnée durant ces 5 belles années.

Bien sûr, je remercie ma famille, mes amis et ma femme qui m’ont

épaulé et encouragé.

Et enfin je remercie toute personne qui de près ou de loin a participé à

l’élaboration de ce modeste travail.

1
1
Résumé

« La Finance Comportementale ??? »… c’est ainsi que réagit la majorité des investisseurs
lorsqu’on l’évoque.

« La Behavioral Finance », autre appellation, semble encore inconnue dans le monde de la

finance. Très peu d’adeptes s’y intéressent. Pourtant, cette théorie semble mettre le point sur
quelque chose d’essentiel : la remise en question des modèles classiques d’investissements. La
rationalité des investisseurs, base même de l’efficience des marchés, est donc décortiquée par
les théoriciens. Certains d’entres eux reçoivent une reconnaissance officielle pour leur apport
avec le prix Nobel d’économie. Cette théorie n’est sans nul doute plus à vendre. Les résultats
qu’elle apporte sont surprenants. Dès lors, cet ouvrage propose une attention particulière à ce
que remettait en cause le MEDAF il y a déjà de ça plus d’une trentaine d’années.

Nous expliquerons son origine et la parcourrons jusqu’à ses apports et limites. Nous
développerons également une étude de cas sur des fonds de placement communs européens
qui ont pour stratégie la « Behavioral Finance ». Le but est très certainement de faire ressortir
leur performance face au marché.

Abstract

“Behavioral Finance? What that means…? ” Few people know about the topic. This unknown
theory is questioning the most widely-accepted financial model market: CAPM.
It is all about rationality. We cannot deny the obvious anymore. Noise traders are taken into
consideration and inefficient market is analyzed.
This dissertation provides an overview of the theme and illustrates a case study on “European
Behavioral Funds”. The main objective is to compare performance to European Market.

1
1
 Table des matières

REMERCIEMENTS 3
RÉSUMÉ 5
ABSTRACT 5
TABLE DES MATIÈRES 7

1
1
 Introduction
Le contexte économique nous fait croire que les marchés financiers se régulent par eux-
mêmes. Tel un robot “new technology“, notre système économique représente une théorie
infaillible. La base de ce système ? Un marché financier. Les mathématiciens nous présentent
un marché absent de toute tentation spéculatrice. Il n’en est rien. Les psychologues nous
signalent un marché rempli d’émotions. La raison de ces émotions pourrait sûrement se
résumer par une seule question : « Comment battre le marché ? ».

Au fil de ces décennies, nous avons pu relever toute une série d’acteurs qui n’avaient que
pour objectif de surpasser les rendements des marchés, parfois même au gré de toutes bonnes
mœurs. Jérôme Kerviel (La société Générale) est très probablement le cas le plus éloquent de
ces dernières années. Suivait-il un modèle d’investissement bien particulier lors de ces
transactions suicidaires ? Ne faisait-il que suivre les consignes de son supérieur hiérarchique ?
Nous ne le saurons probablement jamais. Quoi qu’il en soit, il apparaît clairement que sa
technique d’approche sur le marché ne provenait très certainement pas d’un modèle
d’investissement. D’autres facteurs l’ont poussé à agir de façon exagérée : les biais
émotionnels. Là où les premières générations ont totalement oublié d’introduire ce facteur, il
ressort aujourd’hui une remise en question de la théorie d’efficience des marchés.

Cette théorie suggère une rationalité des investisseurs dans la mesure où ils réalisent des choix
optimaux qui se font sur une information provenant directement du marché. Par conséquent le
marché semble imbattable.

Les recherches de ces dernières décennies dans le domaine de la finance offrent un exemple
alternatif où les investisseurs dévoilent certaines erreurs cognitives durant l’analyse de
l’information. Ces erreurs cognitives sont reprises dans ce qui est définit comme la science
des comportements et qui s’inscrit dans le cadre de la finance comportementale.

Cette nouvelle théorie propose un nouveau cadre. Celui d’un modèle mathématique assimilé à
une théorie comportementale. Ainsi, les investisseurs n’interviennent pas que de façon
rationnelle sur le marché mais peuvent également faire intervenir des jugements. Ces derniers
proviennent d’une incapacité à traiter l’information.

1
Shiller (1981), précurseur en la matière, a fait intervenir les anomalies de l’efficience dans ses
ouvrages. Malgré cela, cette théorie reste encore très méconnue de la plupart des intervenants
sur les marchés.

A l’heure où les marchés sont volatiles, où les modèles d’investissements sont totalement
remis en question, devons-nous proposer des modèles alternatifs ? Nous tenterons pour cela
de faire découvrir au lecteur ce qu’est cette théorie de la finance comportementale, née assez
récemment.

Nous nous forcerons de présenter dans cet ouvrage les principes mêmes de la finance
comportementale. Ses origines, ses éléments fondamentaux, sa naissance et les limites de
cette théorie.

Nous ne prétendons pas donner une lecture exhaustive de la matière, mais voulons surtout
donner un aperçu du domaine.

Pour ce faire, nous aurons la méthodologie suivante :

Le premier chapitre de la partie I sera dédicacé à l’explication de l’efficience des marchés.

Cette théorie, base même de la finance comportementale, nous montrera assez rapidement ses
erreurs et l’évolution qu’elle a subie. Nous tenterons d’éclaircir le lecteur sur les intervenants
lors de l’investissement et mettrons en avant ses limites.

Ensuite, dans le second chapitre, nous mettrons en évidence les différentes prises de décision
d’un investisseur sur le marché. A partir de la théorie des perspectives, développée par
Kahneman et Tversky (1979), nous l’opposerons directement à la théorie de la valeur attendue
et la théorie de l’utilité attendue. Nous tenterons de mettre en avant les manquements à ces
deux théories. Par cet apport, nous verrons que même si cette théorie vient complémenter les
autres, une incompréhension reste présente et l’origine des phénomènes irrationnels est
toujours méconnue.

Dès lors dans le troisième chapitre apparaîtront les biais psychologiques d’un investisseur lors
d’une transaction. Nous énumérerons les principaux biais des investisseurs et nous en
expliquerons certains. Une meilleure compréhension de la cognition des agents pourra ainsi
mieux être observée.

3
Après avoir retracé le parcours de la « Behavioral Finance » et avoir compris sa raison d’être,
nous nous focaliserons dans ce quatrième chapitre sur la théorie de la finance
comportementale en soi. Nous verrons sa naissance et quelques-uns de ses apports. La FC
étant encore assez jeune, nous ferons état de son avancement ainsi que les limites qu’elle
rencontre.

De la théorie à la pratique.

L’approche de ce mémoire pourrait faire penser que le sujet s’oriente plutôt vers des étudiants
en psychologie qu’en finance. Il n’en est rien. Après avoir dirigé mon mémoire sur un aspect
assez théorique, un cas pratique sera mis en application. Alors que l’on sait que la théorie est
parfois bien différente du monde réel, nous tenterons de démontrer si les modèles actuels de la
finance comportementale sont des solutions pour un meilleur rendement sur les marchés
financiers. L’approche quantitative tentera de répondre à l’hypothèse suivante : « La théorie
de la finance comportementale apporte une approche plus performante que la stratégie des
modèles classiques ».

Notre deuxième partie suivra donc le schéma suivant :

Nous débuterons cette seconde partie du travail par les définitions et interprétations des
différentes mesures de performances utiles à notre analyse. Le but de ce mémoire est,
rappelons-le, de rendre au maximum la matière accessible et compréhensible au lecteur. Nous
passerons donc par différentes explications de ces indicateurs qui, plus tard, serviront de base
à la conclusion de notre travail.

Ensuite, après les différents aspects statistiques mis en avant, nous expliquerons la
méthodologie suivie pour notre étude de cas. Nous détaillerons également la façon dont ont
été récoltées les données.

Le troisième chapitre sera surtout consacré au résultat obtenu durant notre analyse et le
quatrième chapitre proposera une interprétation même de ces résultats. Nous finirons par une
conclusion qui clôturera notre travail. L’hypothèse de départ sera confirmée ou infirmée.

5
1
 Première partie : Finance Comportementale
Chapitre 1: l’efficience des marchés
Avant d'entamer cette première partie, je me dois de préciser que la finance comportementale
se base sur deux hypothèses. Celles-ci se démarquent des hypothèses qui sont à la base de
l'efficience de marché.
La première est que certains investisseurs ne sont pas rationnels et qu'ils sont influencés par
leurs croyances ou émotions. Leurs demandes affectées par ces dernières ne sont pas justifiées
par les fondamentaux économiques. Ils sont également appelés « Noise traders ».
La seconde hypothèse est que les investisseurs faisant partie de la seconde catégorie, c'est-à-
dire, ceux qui réagissent de façon pleinement rationnelle, vont se livrer à des activités
d'arbitrage qui ne sont en réalité pas dénuées de risque et où, dès lors, l’efficacité est par
conséquent limitée (Shleifer & Summers 1990).

1. L’efficience des marchés financiers

Fama, au départ d’une définition de l’efficience a pu au cours des différents travaux

empiriques être remis en question. Un ensemble de réflexions apportent toute une série de
contradictions sur la théorie primaire. L’efficience des marchés devient alors une théorie
simple au premier abord mais dont les développements sont complexes.
On peut malgré tout apporter la première définition de l’efficience déposé par Fama :

« Un marché financier est dit efficient si et seulement si l’ensemble des informations

disponibles concernant chaque actif financier coté sur ce marché est immédiatement intégré
dans le prix de cet actif. »(Fama, 1965)

A cette définition, une formule mathématique peut lui être associée :

Epj, t+1Φt=pj, t 1+ERj, t+1Φt

• Φ= information disponible à la période t afin d’estimer la valeur pj, t+1 du titre j à la

période t+1.
• E(X)= l’espérance mathématique de la variable aléatoire X et Rj la rentabilité du titre
j.

3
 • Pour un modèle d’équilibre du marché permettant de déterminer le taux de rentabilité
espéré de j en t+1
• Si le prix du titre reflète toute l’information disponible, si l’équation est vérifiée pour
tous les titres j cotés sur le marché, le marché est réputé efficient.
Il existe également l’hypothèse de l’efficience des marchés qui dit : « that actual prices reflect
fundamental values ». (Barberis & Thaler, 2001)

Donc, ce qu’il faut retenir de cette définition, c’est : sur un marché efficient, dès qu’une
information concernant un actif existe, le prix de cet actif est instantanément modifié.

De l’hypothèse d’efficience, on peut déduire plusieurs conséquences :

De départ, il faut savoir qu’une information peut affecter simultanément plusieurs marchés.
En effet, un évènement peut affecter le résultat d’une société cotée, cet évènement risque
également d’affecter sa solvabilité. L’information en relation avec l’évènement va donc
affecter le cours des actions mais aussi le cours des obligations émises par la même société, et
donc de façon mécanique, le marché des options.
Il s’en suit que si l’information est liée à un évènement de plus grande ampleur tel qu’un
évènement économique ou politique, plusieurs entreprises seront affectées.

Une seconde conséquence est que l’information soit intégrée dans les cours de façon
instantanée. C’est une nécessité pour la bonne application de cette hypothèse.
A cette conséquence, il peut en être déduit qu’à l’apparition de la nouvelle information sur le
marché, aucun investisseur ne pourra tirer profit de cette information. Cela signifie qu’aucun
investisseur ou analyste ne soient capable de prévoir l’évolution des cours d’un actif financier.
La meilleure prévision d’un prix futur demeure dans le dernier cours connu.

1. Les conditions nécessaires à l’efficience des marchés

Cinq conditions sont d’application pour une hypothèse d’efficience des marchés financiers :

1. la rationalité des investisseurs. Pour cela, deux conditions :

- il faut une cohérence par rapport aux informations qu’ils reçoivent. (Un
évènement positif susceptible de faire augmenter le cours implique d’acheter
une action ou de la conserver. Inversement pour un évènement négatif).

1
 - la maximisation du gain et la minimisation des pertes doit primer dans les actes
d’achat et de vente.
2. la libre circulation de l’information et la réaction instantanée des investisseurs. Il est
primordial que l’information soit diffusée simultanément auprès de tous les
investisseurs, il ne doit pas exister de décalage temporel entre la réception de la même
information par deux agents économiques. De plus, les agents économiques doivent
traiter l’information en temps réel. Conditions plus délicates à remplir lorsque l’on sait
la masse d’information diffusée quotidiennement. Si pour un professionnel cela reste
envisageable, pour le non professionnel, elle est plus difficilement vérifiée.
3. l’information doit impérativement être gratuite. Elle ne peut générer des coûts
supplémentaires de gestion. Dans le cas contraire, une spéculation sur l’utilisation des
coûts serait faite. Par moments, certains penseraient pouvoir s’exonérer du suivi des
informations financières, elles ne pourraient alors pas être intégrées dans le prix des
titres.
4. l’absence de coûts de transaction et d’impôt de bourse. Dans le cas contraire, des
hésitations peuvent empêcher l’agent d’investir si le coût de la transaction annule le
gain potentiel.
5. l’atomicité des investisseurs et la liquidité.

2. Nouvelle théorie de l’efficience

13 ans après la définition proposée ci-dessus, une seconde définition apparaît et tente de
réagir sur les incohérences que la définition de Fama propose. Elle n’est qu’une référence à la
définition de Fama et met l’accent sur une impossibilité de réaliser un profit, et non sur
l’information elle-même.

« Sont maintenant réputés efficients les marchés sur lesquels les prix des actifs intègrent les
informations les concernant de telle manière qu’un investisseur ne peut, en achetant ou en
vendant cet actif, en tirer un profit supérieur aux coûts de transaction engendrés par cet
action » (Jensen, 1978).

Cette définition ne reprend pas une des conditions stipulée par Fama, à savoir « l’absence des
coûts de transactions ». Jensen utilise l’existence de coûts de transactions pour démontrer la
réalité de l’efficience. Il s’avère que l’ensemble des vérifications empiriques s’accorde avec
cette nouvelle définition.

3
Il reste à noter, pour être aussi clair que précis, que pour chaque information divulguée, il peut
en résulter une anticipation. Du coup, une information rendue publique n’aura aucun impact
sur le marché puisque cette information avait déjà été anticipée. On peut l’illustrer par
l’exemple d’une réunion organisée par le conseil de la Politique Monétaire de la Banque de
France pendant une période de tension économique importante. Celle-ci annonce
généralement une hausse des taux d’intérêt directeurs. L’annonce officielle du taux ne sera
donc pas une nouvelle information puisqu’elle avait déjà été anticipée par les investisseurs.
Il arrive malgré tout que les investisseurs émettent une légère erreur d’anticipation. Dès lors,
le marché peut réagir différemment de ce qui était attendu pour telle ou telle situation. Tel sera
le cas pour une entreprise qui annonce un bénéfice et qui voit le cours de son action chuter.
Une telle information aurait dû faire grimper le montant de l’action. Mais il en fut autrement.
Cela provient tout simplement du fait que l’action a fait face à des anticipations beaucoup trop
élevées par rapport à la réalité.

Le contenu informatif d’une information sera alors défini comme la différence entre une
information et son anticipation.

Il apparaît donc clairement que les tests d’efficience des marchés financiers sont tenus de
prendre en considération le phénomène d’anticipation. Les variations du prix d’un actif ne
sont plus imputables à la seule publication d’une information, mais à la différence entre cette
dernière et son anticipation.

3. Les différentes formes d’efficience

Fama, dans le but de réaliser des tests statistiques plus fins, a réparti l’efficience en trois
formes. Celles-ci se basent sur l’ancienneté de l’information dont le prix des actifs est censé
intégrer.

• Les informations passées, donnent naissance à la forme faible de l’efficience. Cette

théorie prétend qu’il n’est pas possible de tirer parti des informations passées pour
prévoir l’évolution future du prix d’un actif et en tirer un profit anormal.

• Les informations présentes, à l’instant même où celles-ci sont rendues publiques.

Ces dernières sont la base de la forme semi-forte. Selon cette théorie, dès
l’apparition de cette information sur la place publique, elle va directement modifier

3
 le cours de l’action. Il n’est donc pas possible de tirer parti des informations
concernant un actif financier au moment même où ces informations sont rendues
publiques pour prévoir l’évolution future du prix de cet actif.

• Les informations non encore publiées mais connues par des personnes privilégiées,
donnent accès à la forme forte d’efficience. Ici, Fama affirme qu’il n’est pas
possible de tirer parti des informations non publiques concernant un actif financier
pour prévoir l’évolution future du prix de cet actif. En effet, celles-ci vont s’intégrer
presque automatiquement dans le prix d’équilibre.

1. Les principaux biais à la théorie d’inefficience des marchés financiers

Comme cité ci-dessus, la théorie d’efficience des marchés nécessite plusieurs conditions à son
bon fonctionnement. Hors, ces conditions sont rarement réunies et on parvient à retrouver
quelques formes d’arbitrage sur l’ensemble des marchés.
Ces arbitrages proviennent des biais à l’efficience des marchés ou appelés d’une autre façon
« poche d’inefficience ». Elles permettent ainsi de réaliser une meilleure rentabilité sans
prendre de risque supplémentaire, ce qui est en parfaite contradiction avec la théorie de
l’efficience.
Les poches d’inefficience sont assez nombreuses, on peut cependant les regrouper selon six
grandes catégories :

• les effets liés au temps

• les effets liés à la taille des actifs
• l’appréciation des holdings et des sociétés d’investissement
• les relations existant entre le prix des titres et certaines caractéristiques
intrinsèques
• problème des bulles spéculatives
• rationalité des investisseurs
• les biais ne pouvant pas être regroupés dans les catégories citées.

Avant de passer à un autre chapitre, spécifions malgré tout que c’est dans la catégorie des
biais liés aux bulles spéculatives que l’on va retrouver les aspects : mimétisme (l’acteur
individuel va recopier l’action de l’institution, le considérant mieux informé. Le problème est

2
que l’information se trouve déjà dans le marché, dès lors le prix en a été influencé), sur-
réaction, autoréalisation,…
Sur le marché, il existe trois types de bulles (écart important entre la valeur fondamentale et
prix observé qui va conduire à un retour brutal à l’équilibre) :

• les rationnelles : qui trouvent leur point de départ dans une anticipation du prix du
cours, plutôt que celui de la valeur fondamentale. Sa particularité ? Une fois que tout
le monde y adhère, elle se réalise.
• les irrationnelles : qui ont pour origine les actions irrationnelles des « Noise traders »
provoquées par des croyances non fondées au départ d’une information imparfaite
(voir ci-dessous).
• les informationnelles : celles qui proviennent d’un flux d’information mal interprété.

1. L’arbitrage et ses limites

Afin de directement identifier les acteurs, il est important de dire que le « Noise trader » est
repris comme un trader irrationnel tandis que l’ « arbitrageur » est un trader rationnel.

Définition

«The simultaneous purchase and sale of the same, or essentially similar, security in two
different markets for advantageously different prices » (Sharpe & Alexander, 1990).

L’arbitrage est au sens propre du terme, une stratégie d’investissement qui offre, sans risque,
un profit sans coût. Elle est en réalité le résultat d’une imperfection temporaire du marché. Le
trader tente de détecter des anomalies sur le marché afin d’en tirer un gain. Cette opération va,
par la même occasion, réguler le marché. C’est pourquoi l’arbitrage est une technique qui
demande d’énormes connaissances en techniques financières mais également un œil attentif
sur l’ensemble des marchés. Les anomalies sont généralement très rapidement détectées et par
la même occasion réparées. C'est ce qu'il en est en tout les cas de la théorie.

Seulement, il s'avère, selon Shleifer (2000), que: « The central argument of behavioural
finance states that, in contrast to the efficient markets theory, real world arbitrage is risky
and therefore limited »

2
En d'autres termes, l'arbitrage réel tel que pratiqué sur les marchés semble totalement différer
de l'arbitrage théorique. Dans le sens où il est risqué.
La base de cet arbitrage théorique, brièvement explicité ci-dessus, suppose des titres ou des
portefeuilles de titres parfaitement substituables, c'est-à-dire des portefeuilles capables de
donner un même rendement pour tous les états du monde futur. Chose qui est dans la réalité
quasiment impossible. En effet, il existe bon nombre de portefeuilles qui ne trouvent pas de
parfaits substituts, ou pire encore, il existe des portefeuilles qui ne trouvent pas de substituts
tout simplement.
C'est pourquoi, dans de telles situations, il existera toujours un risque fondamental pour
l'arbitrageur.

De plus, et c'est ici que la finance comportementaliste va plus loin, même dans un cas de
substitution parfaite, il existerait toujours un risque. Ce risque serait celui d'une erreur
d'évaluation au sens où Shleifer l'a décrite: « There is a further important source of risk for an
arbitrageur, which he faces even when securities do have perfect substitutes. This risk comes
from the unpredictability of the future resale price or, put differently, from the possibility that
mispricing becomes worse before it disappears ». Puisque le cours des actions ne peut pas
toujours être ramené à sa valeur fondamentale en raison du risque du prix, l'arbitrage devient,
en plus d'être risqué, limité. (Shleifer, 2000, p.14, cité par Orlean, 2007, p.6)

Une autre limitation à l'arbitrage est l'apparition d'une volatilité artificielle (Brian & Walter,
2007). Selon De Long, le risque d'une action est défini par sa volatilité. Du coup, il met en
avant deux types de volatilité susceptibles de limiter l'arbitrage.
Le premier type est appelée « fundamental risk », ce qui correspond à la fluctuation des
facteurs fondamentaux déterminant la valeur de l'entreprise, résumé dans le dividende
distribué. Toute variation des dividendes se traduit par une variation sur la valeur
fondamentale, et donc sur le cours de bourse.
Cette limitation à l'arbitrage provient donc d'une incertitude liée aux dividendes futurs. Bien
que cette volatilité ne représente pas un risque en soit, il permet à De Long de mieux
comprendre la spécificité du second.

Le second type de volatilité est appelée « Noise trader risk » et correspond au cours futur de
l'action. Cette volatilité provient de l'impossibilité de prévoir avec certitude le cours futur de
l'action, en raison des caractères changeants des opinions des trouble-fête.

1
Si on veut résumer la situation, les limitations à l'arbitrage sont dues à une imprévisibilité du
comportement des non professionnels. Elle-même, est provoquée par une incertitude qui
touche leurs opinions futures et qui rend risqué tout achat d'action qui ne comportait à priori
pas de risque. Ces incertitudes perturbatrices peuvent mener à un risque de fluctuation des
cours, c'est-à-dire que l'écart entre le cours de bourse et la valeur fondamentale s'accentue
d'avantage. Paradoxalement, ces perturbateurs (ou parasites) peuvent profiter de leur
incohérence sur le marché et l'influencer afin d'obtenir un gain sans fondement économique,
contrairement aux investisseurs rationnels (Brian & Walter, 2007).

2. Noise traders

Les « Noise traders » ou les « bruiteurs » désignent des investisseurs qui forment leurs
anticipations, ou suivent des règles stratégiques de manière irrationnelle. Ils sont les agents
perturbateurs d’un marché financier. On peut les illustrer par l’exemple de « suiveurs de
tendance » qui achètent ou vendent lorsqu’une tendance haussière ou baissière sur les prix
s’est formée.
Ce qui est étonnant et mis en avant par Shleifer (cité par Orelan, 2007) c’est que, les analyses
empiriques prouvent que les gens ne dévient pas de la rationalité de façon aléatoire, mais
plutôt de façon identique. Dès lors, les « Noise traders » agissant en grand nombre (effet de
corrélation) ont un impact réel sur le prix.
De par leurs anticipations systématiquement fausses, au niveau de la valeur de revente de
leurs titres, les « bruiteurs » créent une volatilité sur le marché suffisamment manifeste pour
dissuader les spéculateurs rationnels de se saisir des chances de gains engendrées par ces
écarts (Summers, 1986). Cette tendance vient barrer l’hypothèse d’efficacité des marchés.

Selon De Long et al. quatre effets affectent les rendements des « Noise traders » par rapport
aux investisseurs rationnels. Ces types d’effets ont été perçus sur base d’une interprétation
d’une équation (Voir Hyme, 2005 pour plus de détails) :

EΔRn-1)=ρ*1+r2ρ*2+(1+r)²σρ2(2γ)μσρ2
Avec :

ΔR = différence des rendements globaux

ρt= Prix d’équilibre de l’actif risqué
ρ*= Erreur moyenne commise par l’ensemble des « Noise traders »
µ = Moyenne

3
r = Dividende de l’actif
�² = Variance
γ = Paramètre d’aversion au risque

1. l’effet « hold more », sur base du premier terme de l’équation, l’obtention de

rendements supérieurs des « Noise traders » à ceux des investisseurs rationnels
demande que l’erreur moyenne relative aux rendements de l’actif risqué (p*) soit
positive. Plus p* est élevé, plus les rendements espérés des bruiteurs augmentent,
puisqu’ils sont en possession de plus d’unités d’actif risqué que la moyenne des
investisseurs sur le marchés.
2. l’effet « price pressure » qui fait référence au premier terme du numérateur. Plus les
bruiteurs deviennent haussiers, plus leur demande d’actif risqué tend à s’élever, ce qui
augmente le prix de l’actif risqué. Le rendement global de l’actif risqué diminue et la
différence entre les rendements des bruiteurs et ceux des investisseurs rationnels
diminue par la même occasion.
3. l’effet « Friedman » qui provient du second terme du numérateur. En fonction du
caractère aléatoire de leurs erreurs, les « Noise traders » interviennent sur le marché au
moment où ils sont le plus susceptibles de subir une perte en capital.
4. et l’effet « create space » qui est fonction du dénominateur. Le risque de prix s’éloigne
davantage de sa valeur fondamentale à mesure que la variabilité des croyances des
« Noise traders » s’élève. L’investisseur rationnel, pour palier cet obstacle doit faire
face à un plus grand risque. Ils limiteront alors leurs positions contre les « Noise
traders. »
3. Conclusion du chapitre

L’efficience des marchés au sens où Fama l’entend a pu être remise en question au départ des
deux hypothèses :

• l’arbitrage est risqué et par conséquent, limité.

• les investisseurs ne sont pas pleinement rationnels.
(Shleifer & Summers, 1990)

Par l’intervention d’investisseurs peu informés, les prix peuvent s’écarter de manière durable
de la valeur fondamentale sans que les investisseurs rationnels ne puissent ramener l’équilibre
du cours de l’action vers sa valeur fondamentale. Ce fait modifie en profondeur la rationalité
financière. En effet, il semble que la rationalité financière ne peut plus faire l’objet d’une

3
simple rationalité fondamentaliste. La maximisation de la richesse boursière ne peut plus être
l’objectif principal, mais il doit être accompagné d’une prise en compte de l’opinion des
ignorants. Cette dernière devient même une variable très importante pour l’anticipation d’un
cours boursier.

Ceci peut être illustré par les écrits de keynes : « (Les investisseurs professionnels) se
préoccupent, non pas de la valeur véritable d’un investissement pour un homme qui
l’acquiert afin de le mettre en portefeuille, mais de la valeur que le marché, sous l’influence
de la psychologie de masse, lui attribuera trois mois ou un an plus tard. » Il conforte son idée
par cet exemple : « Il ne serait pas raisonnable en effet de payer 25 pour un investissement
dont on croit que la valeur justifiée par le rendement escompté est 30, si l’on croit aussi que
trois mois plus tard le marché l’évaluera à 20». (Keynes, 1971, p.167, cité par Orléan, 2007)

L’efficience des marchés doit alors laisser place à une nouvelle théorie, celle de la finance
comportementale.

2
Chapitre 2: La prise de décision sous incertitude
Avant de découvrir la finance comportementale en soi, il serait judicieux de faire une
investigation sur la prise de décision.

Tandis que les marchés d’efficience sont totalement remis en cause, la science économique
doit s’interpeller sur la rationalité de l’homo oeconomicus. Pour cela, deux psychologues
Daniel Kahneman et Amos Tversky. Ils nous rapportent des approches théoriques alternatives
du comportement économique. Ils vont se servir de la psychologie expérimentale pour le
comprendre.

Kahneman gagne le prix Nobel d’économie en 2002 (Tversky meurt en 1996) pour une
théorie qu’il développe avec son collègue sur « la théorie des perspectives » (1979).
L’ensemble des travaux proposés par les deux psychologues vont porter leur attention sur les
processus cognitifs qui sous-tendent la prise de décision économique.

Leur article (Kahneman & Tversky, 1979) publié dans la revue Econometrica a eu un impact
considérable sur différents domaines d’application. On peut citer en exemple l’économie
publique ou encore la macroéconomie, et bien entendu la théorie de la finance.

Nous allons donc tenter de comprendre le processus décisionnel d’un investisseur sur le
marché au travers de la théorie des perspectives.

1. La théorie des perspectives ou la prise de décision en situation d'incertitude

Après trente années de recherches sur les anomalies et les contradictions apparentes dans le
comportement humain, ils en sont arrivés à la conclusion que les attitudes des personnes
envers des risques au sujet des gains peuvent être tout à fait différentes de leurs attitudes
envers des risques au sujet des pertes (Bernstein, 1996). Intéressant lorsque l'on sait que les
premières théories sur les prises de décision sous incertitude prenaient comme référence la
théorie de l'utilité attendue. Dès lors, le sens de l'homo oeconomicus rationnel, comme
considéré auparavant, s'est vu prendre un tout autre tournant. Ainsi, l'homme ne réagit pas
seulement par un calcul simple entre probabilités et niveaux de satisfaction comme le prescrit
la théorie de l'utilité attendue.

Nous nous retrouvons par conséquent face à une double émergence de comportement chez
l'Humain.

1
La première est l'aversion au risque qui est un comportement qui tente d'éviter toute situation
dangereuse. L'investisseur est tel qu'il ne supporte pas la pression induite par la possession
d'un tel ou tel actif. Soucieux du risque encouru, il n'est pas disposer à investir son argent pour
une certaine rentabilité.

La seconde approche est la recherche de réalisation du potentiel. Celle-ci, à l'opposé de l'autre

se base sur la décision d'une prise de risque.

Pendant longtemps, la science économique a été considérée comme non expérimentale. En

1979, Kahneman et Tversky développent une théorie qui apporte des éléments nouveaux à
l'économie. Ils établissent un lien entre la psychologie cognitive et le monde de la statistique.
Selon eux, l'individu, en plus des incitations monétaires, est influencé par des motivations
personnelles, des schémas mentaux et des émotions. Du coup, l'anticipation ne se forme plus
uniquement sur des croyances statistiques. Ils viennent rompre le pouvoir absolu de la
mathématique dans la prise de décision.

La théorie des perspectives est à l'encontre de la théorie de la valeur attendue et la théorie de

l'utilité attendue.

Pour faire court, la théorie de la valeur attendue peut être perçue comme: l'analyse des
différentes alternatives proposées avec l'évaluation des issues potentielles par rapport à leur
probabilité d'occurrence. Parfois, si les probabilités d'occurrence sont incertaines, il est
impossible de prendre une décision opportune. Il semble que cette théorie ne tient pas en
considération les cas réels. En effet, la valeur attendue des gens qui jouent au Lotto est
beaucoup moins inférieure à la valeur de ne pas y jouer. Cette théorie est en fait incomplète
car ne considère pas l'utilité que les choix représentent.

La théorie de l'utilité attendue, comme déjà brièvement expliqué ci-dessus fait référence à 6
principes axiomatiques (Susskind, 2005) :

• principe de l'ordonnance des alternatives: capacité à pouvoir comparer des résultats

d'alternatives et d'en préférer une à l'autre, ou de ne pas en tenir compte;

• principe de la dominance: l'agent économique doit prendre la stratégie où les résultats

sont dominants;

• principe de l'annulation ou de la mise certaine: il ne faut pas tenir compte des résultats
identiques et mêmes probabilités pour la prise de décision;

• principe de la transitivité: si A est préféré à B et B à C, alors A doit être préféré à C;

3
 • principe de la continuité: l'agent économique doit préférer une option risquée allant
d'un résultat maximum à un résultat minimum;

• principe de l'invariance: un agent économique ne doit pas être influencé par la manière
dont les propositions sont formulées.

Pour une prise de décision rationnelle, il faut que tous les principes soient respectés. Dans le
cas contraire, l'utilité attendue ne sera plus maximale.

La théorie des perspectives apparaît suite à une violation constante de ces principes, elle tente
donc de répondre à une théorie qui tient en compte d'autres facteurs.

En quoi la théorie des perspectives est-elle différente?

La théorie des perspectives est décrite comme une théorie subjective de l'utilité qui enrichit
l'approche classique. Elle semble différée de son prédécesseur sur plusieurs grands points.

Tout d'abord, « L’évolution émane d’un jugement porté par les agents non pas sur les
données elles-mêmes, mais sur leur reformulation en termes de connaissance (cadrage, «
coding, framing »... (Gollier, Hilton & Raufaste, 2003, p.298) ».

Aussi, « l'évaluation des décideurs ne porte pas sur les états finaux mais sur les changements
en termes de richesse ou de bien-être par rapport à une position initiale conventionnellement
définie (Gollier et al., 2003, p.298)». Du coup, une modification des points de référence
débouche sur des comportements différents. L'exemple d'un courtier est souvent repris. De
façon générale, il tend à éviter le risque s’il a gagné la veille, mais prend d'avantage de risque
si la veille, il a occasionné des pertes. Cette représentation a été confirmée à de nombreuses
reprises par des études empiriques (Kahneman & Tversky, 2000, cité par Gollier et al. 2003).

Dans la théorie des perspectives, le contexte n'est plus une spécificité. Il ne l'était déjà plus
dans l'approche classique d'un point de vue statique, mais était toujours un élément clé dans la
dynamique. Ceci implique au niveau de la fonction de valeur « U (·, c) » qu'elle devienne une
fonction convexe dans la région des pertes et concave dans la région des gains. Avec cette
allure de S, et comme déjà cité précédemment, la fonction traduit une aversion des choix
risqués dans la zone des gains et une recherche des choix risqués dans la zone des pertes voir
graphique.

Face à une discontinuité dans la dérivée première de la fonction, il apparaît qu'au niveau de
son état une perte provoque une réaction négative d'intensité plus forte que celle de la réaction
positive provoquée par le gain correspondant (Gollier et al., 2003).

1
 (Kahneman, 1979)

Elle entraine un effet d’ « aversion aux pertes ». On peut en déduire dès lors l'importance du
risque dans la prise de décision.

Bien que la théorie approche des aspects supplémentaires à celle de la fonction utilité, elle ne
permet cependant pas de vérifier la provenance des différents phénomènes. La prise de
décision est parfois dissociée du risque considéré. Ainsi, le choix de prendre sa voiture au
détriment de l'avion lors d'un voyage est un cas incompris par la TP alors que le risque
d'accident est nettement plus élevé en voiture. Il y aurait donc d'autres paramètres à tenir en
considération.

Notion de renversement de préférence

Une situation qui s'écarte de la rationalité des acteurs est la notion de renversement de
préférence (certains éléments de cette notion n'ont pas été repris par la théorie des
perspectives). Afin d'illustrer le concept, nous pouvons reprendre l'exemple suivant : « Une
nouvelle maladie se répand dans votre ville. Deux vaccins sont
disponibles. L'un est certain de sauver 200 vies, mais pas une de plus,
tandis que l'autre a une chance sur trois de sauver 600 vies et deux
chances sur trois de n'en sauver aucune. Vous êtes responsable du choix
du vaccin qui sera appliqué. Lequel choisissez-vous ?
Imaginez maintenant l'arrivée d'une nouvelle maladie. Deux autres
vaccins sont disponibles. Avec le premier, il est certain que 400 personnes
mourront. Avec le second, il y a une chance sur trois que personne ne
meure et deux chances sur trois que 600 personnes meurent » (Raufaste &
Hilton, 1999). Ces situations sont, d'un point de vue logique, équivalentes. Cependant, sur
base de résultats expérimentaux, il apparaît que, dans le premier cas, c'est la forme la moins
3
incertaine qui est choisie tandis que dans le deuxième cas, c'est la forme la plus incertaine.
Paul Slovic et Sarah Lichtenstein démontrent que des caractéristiques non pertinentes d'un
point de vue rationnel ont un impact sur la décision finale (CHU, 2004). Le renversement de
préférence s'observe dans des options rationnelles équivalentes. Au point de départ, il n'existe
pas forcément de préférences dans l'esprit de l'individu, mais au cours de la présentation du
problème, des connaissances, des idées, de l'information perçue par ce dernier,... ou en
d'autres termes du faisceau attentionnel, il se construit un processus décisionnel qui dirigera sa
préférence. La représentation concrète ou non du problème (et du risque) que pourra se faire
l'individu au moment de la décision semble aussi être un facteur primordial.

De même, la dimension inter temporelle joue son rôle, des études montrent que des
investissements offrant une rentabilité plus rapide est souvent l'option choisie.

On peut également remarquer que l'information reçue peut être interprétée sous forme de
valeur. Du coup, le fait de pouvoir évaluer un pari, influencera plus facilement vers le choix
d'une valeur impressionnante au détriment d'une bonne probabilité.

Sans entrer dans le détail, le rôle de l'affect est important dans le processus décisionnel. Dans
le cas où les sensations émotionnelles s'avèrent déficientes, des décisions acceptables ne sont
pas toujours prises dans des temps raisonnables, quand bien même le QI soit élevé.
Cette nouvelle approche apporte un plus à la théorie des perspectives. En effet, elle peut
combler le manquement de la théorie là où elle a ignoré l'insertion sociale du participant.

1. Conclusion du chapitre

La théorie des perspectives se construit sur une incompréhension des marchés. Elle tente de
faire appel à la cognition pour mieux comprendre les intervenants du secteur financier. Il en
découle que deux grands styles de prise de décision se démarquent :

• aversion au risque ;

• recherche de prise de risque.

Bien qu’elle apporte une complémentarité à la théorie de valeur attendue et à la théorie de

l’utilité. Elle ne permet toujours pas de comprendre l’origine des phénomènes.

Le prochain chapitre sera alors consacré à celui des biais psychologiques. Celui-là même qui
tente une explication des modèles de décision making.

2
2
Chapitre 3 : Les anomalies de raisonnement et de
comportement de l’investisseur

Les simplifications heuristiques correspondent à des méthodes de jugement acquises

généralement depuis la naissance qui ne se basent pas toujours sur la rationalité. Souvent
associé à des croyances, des raccourcis mentaux se forment dans le cerveau humain et
transforment des situations complexes à une banalité des plus équivoques. La réussite de ce
domaine n’est pas à démontrer. L’exemple du joueur de billard permet parfois ainsi de
démontrer le succès de ces simplifications heuristiques. En effet, un joueur de billard qui, au
moment de tirer sur sa bille, ne tiendra pas en considération toutes les lois trigonométriques et
physiques se référant à l’impact porté sur la bille, au moment où il décide de tirer. De toute
évidence, tout adepte du billard n’est pas disposé à fournir les informations nécessaires pour
déterminer ces ordres physiques. Il empruntera donc un raccourci mental qui lui permettra de
jouer et parfois même, d’accomplir sa tâche avec succès.
Par moments, on peut être amené à commettre des simplifications heuristiques de façons
erronées. On les appellera dans ce cas : des biais heuristiques. L’exemple de l’illusion
d’optique est souvent repris.

(Les deux droites sont de mêmes longueurs)

L’œil ne cesse de capter d’innombrables informations qui doivent être interprétées par le
cerveau pour donner du sens à l’image. De manière générale et répétitive, le cerveau se sert
des raccourcis mentaux pour interpréter l’information. Seulement par moments, l’information
est mal perçue, le raccourci est mal utilisé et on a à faire à des biais heuristiques qui, ici, sont
appelés illusions d’optiques. Ce phénomène est bien sur différent de cerveau en cerveau
puisqu’on ne perçoit pas tous l’information de la même façon.
« La simplification heuristique est donc un processus mental qui tend à simplifier la
résolution d’un problème. » (Susskind, 2005)

1
Dans le cas des biais heuristiques (ce qui ici nous intéresse), on peut classer les biais
psychologiques en deux grandes catégories : les biais cognitifs et les biais émotionnels.
Les premiers sont majoritairement liés aux connaissances et aux croyances de l’individu.
Kahneman et Tversky démontrent que les investisseurs s’attachent de façon générale à des
raisonnements simplistes quand bien même ils ne les estimeraient pas fiables.
Les seconds soulignent l’importance des émotions dans la prise de décision. Contrairement
aux premiers, où il faut des pertes extrêmes pour modifier le comportement de l’individu, les
biais peuvent évoluer en fonction de l’environnement, de la situation financière, ou encore de
son état d’esprit.
Attention à ne pas dissocier les deux catégories, elles sont liées entre elles. Et bien souvent,
un biais engendre un autre. Le biais cognitif engendrera le biais émotionnel et vice versa.
Sans vouloir les classer, on peut ressortir majoritairement :

• ancrage mentale
• comptabilité mentale
• représentativité
• aversion à la perte
• confiance excessive
• mimétisme
• overreaction
• superstition
• neuroscience
• impulsivité
• les humeurs
• biais psychologique : frustration, paralysie, personnalité cachée, panique, euphorie,
peur
• comportement de groupe
• croyances
• …
Nous tenterons de développer les principaux biais.

1. Ancrage mental

3
L’ancrage mental est défini comme le fait de percevoir, se rappeler, analyser et prendre des
décisions sur la base de références anciennes fortement ancrées dans l’esprit.
Il s'agit d'idées, paradigmes, explications, évènements, nombres, valeurs ou autres données.
Ces fixations conduisent à ignorer les autres aspects de la situation, en négligeant en
particulier les nouveaux évènements et les nouvelles données qui font que cette situation soit
différente du passé. (Greenfinch, 2000)
Ce phénomène permet de prendre des décisions plus rapidement dans des situations qui
semblent similaires. Il existe donc des comportements similaires dans des situations
remarquables (lors d’une crise, comparaison avec les crises précédentes.). Le problème est
que, dans le cas d’ancrage mental, il y a une négligence des informations présentes au profit
des informations passées.
Une caractéristique importante à signaler dans le biais d’ancrage mentale est la sélection de
point de référence lors de la prise de décision. Cela peut être lié à une mémoire sélective telle
que la tendance d’un cours précédent.
L’ancrage mental connaît plusieurs déclinaisons : la représentativité et le biais de
confirmation. On retrouve également la sous-réaction ou la sur-réaction. Ceux-ci
interviennent suite aux croyances que chacun se fait. Cela provient de la négligence de
certaines informations. Pensant que l’information n’influencera pas, elle est totalement
négligée. A contre sens, une fois que l’on s’est rendu compte de l’importance de l’information
en la mettant au premier plan, on modifie nos actions de façon excessive.
L’ancrage mental peut donc être résumé comme l’extrapolation des expériences passées aux
dépens et à la négligence des nouvelles informations.

2. Représentativité

Kahneman et Tversky nous apportent un autre biais psychologique, celui de la représentativité

(representativeness). Ce phénomène correspond à l’évaluation de la probabilité d’évènement
futur et incertain sur base d’une ressemblance d’évènements déjà observés dans le passé. Ils
démontrent ainsi que la formation des jugements subjectifs tend à ne pas considérer des
rations de probabilité de manière rationnelle. Comme tout moyen heuristique, il est souvent
efficace mais entraine à de nombreux moments des erreurs.

Exemple :

• La négligence de la taille de l’échantillon : conclusion parfois tirée sur un trop petit

nombre d’informations pertinentes.

3
 • Trop d’importance donnée à des similitudes pensant que la situation future sera
semblable. L’exemple du krach boursier de 1929 est souvent repris. A chaque krach
boursier, on fait référence à celui de 1929 alors que les faits prouvent qu’il y a bien eu
plusieurs krachs boursiers, mais qu’une seule grande dépression.

1. Overreaction ou sur-réaction

Debondt et Thaler montrent que la majorité des analystes anticipent de façon systématique des
variations de résultats trop excessives en comparaison avec la variation réelle. Ceci se traduit
par une sur-réaction. Il s’agit en fait d’un optimisme excessif d’actions vedettes et d’un
pessimisme trop grand pour des actions dites en croissance.
A l’inverse, les résultats de Bernard (1992) et Elliot (1995) (cité par Bessiere & Kaestner,
2006) présentent un phénomène de sous-réaction. Les analystes sous-estiment l’information
véhiculée par une annonce de résultat et ne modifient qu’insuffisamment les prévisions
ultérieures. Easterwood et Nutt (1999) (cité par Bessiere et al., 2006) ajoutent que les
analystes sous-réagissent aux mauvaises nouvelles et sur-réagissent aux bonnes nouvelles.

2. La comptabilité mentale

Une composante importante des biais psychologiques est la comptabilité mentale. Elle trouve
sa source dans la théorie des perspectives, mais le premier a popularisé le terme est Richard
THALER en 1980.

A quoi correspond la comptabilité mentale ?

Elle « rassemble tous les trucs qui permettent de simplifier la prise des décisions
économiques quotidiennes. Ces règles de bon sens qui ont trait aux différentes étapes du
processus de prise de décision ont en commun de nous orienter vers des solutions qui ne sont
jamais optimales » (Mangot, 2004 cité par Boujilida, 2006).

Elle peut dès lors être utilisée pour mieux comprendre les points de référence (voir supra).
Shefrin et Statman nous éclaircissent par le réajustement des points de référence des actions.
Lorsque l’on achète des actions, le point de référence naturel est le prix d’achat des actifs.
Pour chaque achat, on estime des pertes et des gains. Dès lors, pour chaque achat un nouveau
calcul se présentera.
Mais pour mieux comprendre la comptabilité mentale, il convient de passer par ces
composantes. Thaler prétend qu’elle en contient trois :
1
 • l’utilité de transaction
• la compartimentation budgétaire
• la comptabilité temporelle
L’utilité de transaction fait référence à la valeur obtenue de l’affaire. Elle est la différence
entre le prix payé et le prix auquel le consommateur s’attend à payer. Ainsi, les conditions de
l’acquisition d’un bien joue un rôle plus qu’important puisqu’une personne sera prête à payer
un montant supérieur à sa moyenne et à en être satisfait car il estimera que les conditions
d’achat étaient bonnes (Thaler, 1985).

L’humain a tendance à compartimenter intellectuellement ses recettes et ses dépenses afin de

faciliter sa gestion, c’est ce que l’on appelle la compartimentation budgétaire. On a tendance à
les classer selon : les besoins quotidiens, l’argent de poche, les activités extérieurs,
l’éducation,… Sur les marchés financiers, en générale, il y a une distinction entre deux
parties : une partie sûre avec un risque limité et une partie risquée.

La comptabilité temporelle démontre qu’on regroupe nos décisions dans le temps avant de
décider. Ainsi, selon que l’on tient une comptabilité à long terme ou à court terme, on va
prendre des décisions plus ou moins risquées.

1. La confiance excessive

La confiance excessive, un des biais les plus traités par la littérature, intervient comme une
croyance de supériorité face au marché. Chacun croit pouvoir battre le marché, certains même
imaginent pouvoir influencer le marché. Des études empiriques prouvent que, de manière
générale, l’individu surestime sa capacité dans différents contextes. (Fiske & Taylor, 1991)
Lors de la réception de différentes informations, il s’avère que les investisseurs lui donnent
confiance sans pour autant avoir vérifié sa source ou sa fiabilité.

Il existe plusieurs caractéristiques à ce comportement (Susskind, 2005)

Tout d’abord, ce comportement peut apparaître sous la forme d’une surestimation de ses
propres capacités en comparaison avec celle des autres. Selon Susskind encore, avoir une
vision trop positive de sa propre personne conduit à développer un optimisme exagéré sur ses
chances de dégager un résultat positif.

3
Il arrive aussi que l’excès de confiance se déclare comme la prise de contrôle que l’individu
croît avoir sur son environnement.
Une autre caractéristique déjà citée plus haut est la surévaluation de la précision de
l’information que l’analyste détient (Fiske & Taylor, 1991). Le fait de prétendre détenir une
meilleure information que les autres, va amener l’investisseur à négliger la recherche d’info
supplémentaire. De même, il va négliger les signaux provenant du marché et par conséquent
n’ajustera pas sa stratégie au moment propice. Dans la même optique, l’investisseur, en
ignorant l’information qui diminuerait sa propre estimation, se refuse en quelques sortes à
reconnaître une erreur commise. Ceci engendrerait une perte de confiance ce que l’individu se
refuse à tout prix.
Si l’excès de confiance se retrouve sous différents aspects, on peut constater que souvent,
l’investisseur fait une très mauvaise comptabilité de ses succès et échecs. L’investisseur a
tendance à se remémorer ses coups gagnants et à oublier ses échecs. De même, il remet ses
succès à son propre compte et ses facultés, tandis qu’il porte ses échecs sur le compte du
marché (Mangot, 2004).

Où mène cet excès de confiance ?

Il semblerait que des études récentes apportent comme conclusion que l’excès de confiance
pousse à effectuer un nombre exagéré de transactions financières. De même, il mène à un
élan d’optimisme.

2. Le mimétisme

Le mimétisme peut vulgairement être traduit par un comportement moutonnier des

investisseurs dans leur intervention sur le marché. Il est défini par « le Larousse » comme une
reproduction machinale inconsciente de gestes et d’attitudes des gens de l’entourage. La
notion de mimétisme, pour la partie qui nous concerne, suppose un choix pris de façon
automatique et erronée de la part d’un groupe (Susskind, 2005). Ce comportement intervient
intuitivement lorsque l’investisseur est prêt à effectuer une action sur le marché. A ce moment
là, il ignore les décisions des autres investisseurs mais dès qu’il apprend que ses compatriotes
du métier se sont refusé à effectuer le placement en question, il s’y renonce aussi.
Il existe selon les auteurs plusieurs formes de mimétisme. Nous retiendrons celle d’Odean
(1989) (cité par Susskind, 2005) qui en distingue trois. Sans entrer dans le détail, nous
pouvons les retrouver comme suit :

3
 • le mimétisme normatif : rôle financier limité, s’associe à un certain conformisme.
• mimétisme informationnel : on suppose l’autre mieux informé que nous.
• mimétisme autoréférentiel : on tente de prévoir le comportement majoritaire afin de
l’imiter.
Le mimétisme est une source importante de forte volatilité (Spieser, 2000). Il fait basculer le
marché d’une demande excessive à un tarissement de la demande relative. Sur le long terme,
ces comportements de suivisme seraient même une explication à l’apparition de bulles
spéculatives. Ils autoalimentent des flux continus d’achat qui progressivement font vaciller la
valeur des prix du marché.
De plus, les « Noise traders » comme déjà expliqué auparavant, ne basent pas leur jugement
sur une information fiable mais plutôt sur des signaux cognitifs. Avec une corrélation de ces
signaux, les cours se mettent à varier. Shleifer et Summers (1990) démontrent dans une de
leur expérience sur la psychologie qu’avec l’apparition de ces « Noise traders » suivi de près
par ces « moutons », nous nous retrouvons face à une nouvelle influence sur le marché. La
rationalité n’est plus la clé pour contrer ces anomalies de marché, il faut faire intervenir
d’autres critères. C’est pourquoi ce biais psychologique est un biais très important sur le
marché qui mérite d’être pris en considération.

1. Les émotions

Les émotions interviennent de façon certaine dans les expériences d’un investisseur. On en
distingue tout une panoplie qui se manifeste et agit sur les décisions d’un trader. Nous
n’allons pas faire une liste exhaustive, mais n’en citerons que quelques-uns.
Après avoir subit une perte latente sur certains avoirs, il arrive que l’investisseur soit victime
d’un choc émotionnel. Il est alors atteint d’une paralysie et au lieu de limiter les dégâts en
stoppant sa position, il reste en position d’attente et préfère oublier l’information du marché.
Il tentera de faire appel à sa pensée magique pour faire évoluer le marché en sa faveur.
La cupidité, l’enthousiasme, la haine, l’amour, la peur vont également avoir un effet néfaste
ou pas sur le marché. Ils peuvent mener à un élan de pessimisme ou tout du contraire à un
élan d’optimisme. La frustration agit comme un sentiment d’incapacité à résoudre un
problème, vouloir remédier cela entraine généralement des actions irrationnelles qui
conduisent à une accentuation du problème. L’euphorie également joue son rôle. Elle mène
parfois à une chute des prix ou à une agitation des cours. Cela s’accentue quand on retrouve
des émotions collectives. Le problème des émotions collectives, c’est que l’on va perdre tout

1
point de référence et valeurs. Ils vont partager une même émotion et vont se laisser entraîner à
agir comme le groupe.
L’impulsivité liée aux autres sentiments est de même une émotion non négligeable. Elle est
assimilée à une précipitation provoquée par une impatience de l’investisseur.
Rapprochées aux émotions, les humeurs passagères sont à signaler, une personne sereine ou
joyeuse, accomplira de façon plus optimale sa tâche.
Indépendamment de cela, l’état du marché va lui-même influencer nos émotions. Une
tendance haussière ou baissière va affecter l’optimisme, la panique ou encore l’espérance des
candidats. Par ailleurs, un autre facteur externe est celui du temps : pluie, soleil, pleine lune,
… il a un impact direct sur le marché.

2. Croyances

L’humain n’est qu’un ensemble d’expériences et de connaissances rassemblées. Depuis notre

plus jeune âge, nous avons été confrontés à tout un tas de douleurs que nous voulons à tout
prix ne pas revivre. C’est pourquoi on adopte toute une série de croyances qui vont tenter de
nous rassurer au maximum. Du coup, les expressions « la prudence est de rigueur »,
« accepter l’ordre établi » vont être les mots d’ordre lors de nos interventions. Ils donnent en
effet l’impression de gérer une situation complexe et la turbulence du monde. Si ce n’est pas
si vrai que cela, il permet en tous les cas une protection contre la douleur émotionnelle.
La connaissance, qui est de pair avec la croyance, va faciliter une analyse rapide d’une
situation afin de prendre une décision. Un inconvénient direct, déjà cité auparavant, est que
l’on va se focaliser sur ce que l’on connaît et délaissé le reste de l’information. Notre
perception de l’info est bien plus grande que l’information en elle-même. L’assimilation à une
période heureuse ou douloureuse prendra le dessus sur l’utilisation qui pourra en être faite.
Dès lors, la perception du risque va dépendre fortement des résultats enregistrés lors des
opérations précédentes.
3. Conclusion du chapitre

Au terme de ce chapitre, il apparaît plus clairement l’importance de comprendre la

psychologie de l’investisseur. Afin de dégager une bonne intervention faite sur le marché ou
encore, de bien comprendre le marché en soi, il est crucial de comprendre celui qui le
manipule.

Au gré de cette analyse sur les biais psychologiques, on a pu en ressortir que le trader aime
prendre des risques quand il perd, et refuse de couper ses pertes en position gagnante. Il place

2
alors toute sa confiance en l’espoir et attend impatiemment une meilleure évolution.
Inversement, dès qu’une position génère un gain, il devient anxieux et se précipite vers la
sortie pour en prendre son bénéfice. Le comportement du trader est tout l’inverse de ce qui est
attendu de lui. Il donne plus l’impression de s’apparenter à un joueur de poker sous pression
que d’un homme formé selon des modèles convaincants. Pourtant, les modèles de trading sont
désireux de maintenir une certaine rationalité. C’est alors ici que la Finance Comportementale
prend place. Là où il est nécessaire de rappeler à l’ordre le trader émotif.

2
1
Chapitre 4 : La finance comportementale : nouvelle approche
d’investissement

Tandis que la mathématique semblait être l’atout principal de la finance, on a pu constater la

fausse idée qui s’en émanait. La performance des marchés s’explique par ses intervenants.
C’est maintenant très clair. Après une description de la source de notre thème principale, nous
proposons dans ce chapitre de parler plus directement de la finance comportementale.

Définition

« Le principe de la finance comportementale est l’utilisation de la psychologie pour tenter de

comprendre certains phénomènes observés en finance. La finance comportementale remet en
question le postulat de base de la finance moderne qu’est la rationalité des investisseurs dont
découle la théorie des marchés efficients. La finance comportementale va donc chercher à
mettre en lumière des situations où les marchés ne sont pas efficients (comme par exemple les
situations de volatilités excessives ou les anomalies calendaires) et essayera de les expliquer
par la psychologie des investisseurs. Elle cherchera ensuite à mettre en place des stratégies
visant à tirer profit de ces situations. » (www.vernimmen.net)
Elle peut donc vulgairement être définie comme : une analyse de l’influence des
comportements individuels ou collectifs liés à la finance.

1. Naissance de la finance comportementale

La finance comportementale trouve son émergence dans la découverte des biais

psychologiques. On pourrait prétendre que les précurseurs se sont débattus au lendemain du
krach boursier de 1987 sur le sujet. Pas du tout. C’est Adam Smith qui introduit la notion de
comportement dans le monde de la finance avec son ouvrage : « la Théorie des sentiments
moraux » (Smith, 1759 cité par Felder, 2008). A l’époque, il faisait déjà entrer en ligne de
cause des principes psychologiques, philosophiques et méthodologiques auxquels la finance
comportementale actuelle fait allusion.
Pourtant, ce n’est que deux siècles plus tard, après ce fameux krach boursier qu’apparaît
ombrageusement cette nouvelle théorie. De bondt et Thaler interviennent directement avec un
article : Does the stock market overreact ? ». Les auteurs discutent d’une remise en cause de
l’informationnel au sein de l’hypothèse d’efficience des marchés.

3
Dès lors, c’est tout le monde universitaire qui commence à se poser des questions avec une
série d’ouvrages qui prend le jour. Cependant, c’est sûrement celui d’Andrei Shleifer qui en
2000 va publier l’ouvrage le plus parlant du domaine : « Ineffcient markets : an introduction
to Behavioral Finance ». C’est donc à partir de ce moment que se manifeste un nouveau
programme de recherche, celui de la finance comportementale.

Rappelons tout de même que peu de temps avant le 19 octobre 1987, on observait des Bêtas
munis d’une différence considérable entre les rendements des sociétés à faibles capitalisations
et les sociétés de plus grandes tailles. Certains économistes tentent à l’époque d’expliquer ce
phénomène et concluent que les petites sociétés présentent un simple risque de liquidité.
Malheureusement, le doute s’installe et bon nombres d’anomalies persistent. Le facteur risque
devient alors la base des interrogations du moment. Les grands intervenants de l’époque se
refusent à le remettre en cause jusqu’au moment du fameux lundi noir. (Aktas, 2004)

2. Apports et actions de la finance comportementale

Pierre Balley nous illumine par ses propos en disant : « Peu importe la qualité du
raisonnement s’il doit être démenti par la bourse, c’est-à-dire, par l’opinion collective qui y
prédomine. Pas plus qu’un homme politique, le gestionnaire ou l’analyste ne peut avoir
raison contre l’opinion majoritaire de ses électeurs : c’est le marché qui vote. C’est pourquoi
il importe, par-delà l’étude des entreprises, de prendre conscience des courants d’opinion qui
peuvent agiter la Bourse et l’amener, à divers moments de son existence, à porter sur les
mêmes affaires et parfois sur la même conjoncture des appréciations radicalement différentes
» (Balley, 1987, p. 137 cité par Orléan, 2007).

La finance comportementale est donc une réponse aux anomalies du marché aux travers des
biais psychologiques. Elle va faciliter la compréhension de l’environnement dans lequel
travaille un investisseur.

Après une telle compréhension, la finance comportementale s’attarde sur le développement de

nouveaux modèles régissant les marchés. Ils prendraient alors en compte la psychologie de
l’investisseur. Je citerai celui d’Odean (1998), celui de Daniel, Hirshleifer et Subrahmaniam
(2001) ou bien celui de Barberis, Shleifer et Vishny. Ces modèles ne sont encore qu’alternatifs
aux modèles de bases. Bons nombres de chercheurs se tuent à la tâche, mais aucuns modèles
existants ne forment la norme.

3
Effet momentum

L’effet momentum est l’une des anomalies les plus rudes de la finance. Ce phénomène tend à
expliquer que les actions sur-performantes durant les 3 à 12 mois passés vont continuer à sur
performer durant les 12 mois qui suivent. Il correspond plus précisément à des stratégies de
rendement long terme et montrent que les profits momentum se renversent pour un horizon
allant de 3 à 5 ans. (Lee & Swaminatha, 2000 ; Jegadeesh & Titman, 2001). Difficilement
explicable par des modèles basés sur le risque, une tentative d’explication par les modèles
comportementaux s’installe.

Sur base de ces modèles, l’effet momentum est expliqué par la corrélation périodique des
rendements individuels. Malheureusement, les investigateurs ont du mal à trouver la source de
cette corrélation périodique. Deux choix de figures s’imposent :

• Si elle provient d’une sous-réaction, alors des rendements anormaux positifs doivent
se générer la période suivante.
• Si on parle d’une sur-réaction retardée, les rendements momentum anormaux seront
suivis pas des rendements négatifs puisque la sur-réaction doit être renversée.

Comme déjà dit précédemment, la majorité des modèles classiques n’atteint pas l’explication
de ce phénomène. C’est pourquoi, certains chercheurs ont tenté de développer des modèles
orientés vers la rationalité limitée et la mauvaise réaction des investisseurs.

On pourrait se poser la question suivante : pourquoi l’effet momentum est-il présent à ce

niveau du chapitre ? Il est tout simplement la base du nouveau modèle alternatif développée
par Hirshleifer et Subrahmaniam en 1998. Ils se lancent dans la description d’un modèle au
départ de deux biais psychologiques. A savoir : l’excès de confiance et l’auto-attribution.
Barberis, Shleifer et Vishny vont également proposer leur modèle (1998), mais eux, le feront à
partir de deux autres biais psychologiques : le conservatisme et la représentativité heuristique.

Bien qu’ils soient des modèles abordant une meilleure approche, ils correspondent à des
modèles généralement très ciblés et ne proposent toujours pas une modélisation avec une
explication plus générale.

Au-delà des modèles standards d’évaluation d’entreprise, qui sont à l’heure d’aujourd’hui à
utiliser de façon plus prudente qu’auparavant, la finance comportementale offre une approche
différente à l’intérieur de ces schémas classiques. Dans une méthode d’évaluation des plus
utilisée (l’estimation des résultats futurs), il y a lieu de percevoir le niveau de risque. Le

1
MEDAF définit un taux d’actualisation sur base du risque mesuré par la volatilité relative en
fonction de la volatilité du marché. La finance comportementale en décide tout autrement. Du
fait de l’irrationalité du marché, la volatilité est devenue fonction de biais psychologiques
plutôt que des risques économiques fondamentaux. Il faut dès lors utiliser des taux
d’actualisation sans risque mais en y affectant un coefficient de probabilité pour un scénario
prévisionnelle. Pour ce faire, l’analyste doit (Pansard, 2007):

• identifier les principaux risques pouvant affecter la firme.

• déterminer un niveau de probabilité pour ces principaux risques ainsi que leur
impact.
• définir l'espérance mathématique des cash-flows compte tenu des éléments qui
précèdent.
• il peut ensuite actualiser ce calcul en utilisant un taux sans risque.

1. Le « BPT1 » : exemple de modèle d’investissement en Finance Comportementale

Le Behavioral Portfolio Theory nous renvoie à une des tentatives de modèle développé en
finance comportementale. Nous pouvons l’expliquer de la manière suivante.
La maximisation de la rentabilité du modèle est :

Max Er
P(r<r*)≤α

r = rentabilité du portefeuille.
r* = seuil de sécurité ou niveau de subsistance.
α = seuil de faillite ou tolérance face au risque de ne pas atteindre le seuil de sécurité

Ce modèle proposé par Shefrin et Statman (2000) a pour base la théorie SP/A développée par
Lopes. Cette théorie (Sécurité*Potentiel/Aspiration) propose deux sentiments à mettre en
évidence pour le choix d’un actif. La crainte et l’espoir.

La crainte pousse l’agent à maximiser la probabilité d’obtenir un certain seuil de rentabilité.

Tandis que l’espoir, lui, va influencer l’agent à imaginer toute une série d’évènements qui le
rendra optimiste.

1Behavioral Portfolio Theory, ou la théorie comportementale du portefeuille

2
Sa fonction2 sera alors transformée pour obtenir celle présentée ci-plus haut. Pour cela, on y
intégrera le paramètre de la comptabilité mentale présenté par Kahneman et Tversky dans leur
ouvrage sur la « Prospect Theory » (1979).
Ainsi, pour en donner une explication concrète, on obtiendra un modèle tout à fait différent du
MEDAF dans le sens où l’on va d’abord couvrir son seuil de sécurité en investissant dans des
actifs sans risque. C’est seulement après cette étape que le surplus de richesse sera investi,
selon l’aspiration élevée ou non de l’investisseur dans des actifs risqués.

Ce modèle, très intéressant, sans nulle doute, mais qui génère un nombre inconsidérable de
combinaisons, peut rendre son application parfois pénible.

2. Limite de la finance comportementale

La présence d’investisseurs ignorants sur les marchés inefficients n’est plus à rappeler. Mais
un facteur que néglige sûrement la théorie de la finance comportementale est la présence
d’investisseurs ignorants corrélés autour d’une même erreur. Cela est un fait.

Comme le fait remarquer la théorie de l’efficience, dans le cas d’apparition d’investisseurs

ignorants non corrélés, il n’y a nullement inefficience. Il semblerait que les estimations
ignorantes se compensent et maintiennent l’efficience (Shleifer, 2000). Pourtant l’inefficience
est bien présente. Kahneman et Tversky s’opposent formellement à cette thèse et laissent
supposer au travers de leurs analyses empiriques qu’il y a une corrélation entre les
investisseurs et donc, qu’ils tendent tous vers les mêmes erreurs.

De plus, il ne faut pas oublier que les agissements irrationnels des investisseurs ne sont pas
unanimes. La théorie, face à une telle dissymétrie, se doit d’être des plus méfiantes. La
solution de la théorie de la finance comportementale en réponse aux anomalies n’est donc
toujours pas complète.

Au-delà de ce premier doute, on retrouve dans des travaux de Smith, Suchanek et Williams
(1988), sous le thème de l’économie comportementale, des bulles spéculatives qui peuvent se
former sans pour autant que l’on puisse les distinguer. Cela provoque un aveuglement
généralisé sur le marché qui perturbe l’évaluation des actions faites par des investisseurs. Ceci
est un frein et une remise en question à l’idée que seule l’imagination des investisseurs faisant
dévier la valeur fondamentale entraine les bulles spéculatives.

2 Voir (Shefrin et Statman, 2000, p.6) pour plus de détails

2
Dans l’expérimentation réalisée en 1988, la collectivité n’intervient même pas puisque les
sujets n’avaient aucun contact entre eux, si ce n’est l’observation des prix. Bien que
l’expérience soit basée sur des hypothèses très exigeantes (Smith et al., 1988), peut-on parler
d’une remise en question des concepts de la finance comportementale et de l’efficience des
marchés ? L’expérience, très persuasive a été effectuée sur base d’un cas théorique et non sur
un marché en tant que tel. Elle ne reflète pas forcément la réalité. L’expérience permet
néanmoins de refaire le questionnement quant à l’existence des bulles spéculatives et ce qu’il
en découle.

3. Conclusion du chapitre

Il a fallut longtemps avant que l’on accepte que la terre est ronde. Il en sera de même pour la
finance comportementale. Il faudra encore beaucoup de travail avant que cette théorie puisse
véritablement intégrer le monde financier.

Comme on vient de le démontrer dans les chapitres précédents, la Finance Comportementale

permet de mieux comprendre la réalité dans laquelle baignent nos investisseurs. La théorie
n’est plus à refaire et le temps des remises en question n’est plus à l’heure. Une approche
différente doit prendre forme. Mais bizarrement, la rationalité des investisseurs semble donner
beaucoup de mal aux théoriciens. La transformer par une expression de valeur n’est pas de
tout repos. La mathématique, très avare, a toujours eu beaucoup de mal à partager avec les
sciences sociales. Les modèles proposées par nos différents théoriciens ne sont pas encore
capables de détrôner la place de l’univers Gaussien. Celui-ci nous donne, suite à son approche
bi-dimensionnel (espérance/variance), une représentation graphique très confortable.

De plus, à l’heure actuelle, le modèle traditionnel constitue un point de repère que nos agents
ne sont pas encore prêt à abandonner. Toute une série d’excuses qui laisse prédominer le
MEDAF comme seule modèle théorique pour l’évaluation de titre. La Finance
Comportementale peut-elle réellement prendre sa place ? C’est ce que prétendent en tout les
cas ceux qui utilisent les concepts « Behavioral Finance »…

3
 Deuxième partie : Etude de cas

Introduction

Après avoir éclairci le lecteur sur l’étendue de la matière, nous allons essayer maintenant
d’apporter un plus au domaine en développant un cas pratique. Cet apport tentera de
démontrer si les fonds utilisant la finance comportementale comme stratégie d’investissement,
atteignent un meilleur rendement que leur indice de référence. Cette investigation aura pour
but d’apporter une valeur ajoutée au domaine. Cela, bien entendu, afin de ne pas rendre le
thème abordé redondant mais au contraire intéressant.

Par ce nouvel apport à la littérature, nous tenterons de répondre à un besoin, celui de

démontrer que les modèles de la finance comportementale sont, à l’heure actuelle, plus
adéquats que les modèles traditionnels.

Pour effectuer notre analyse, nous ciblerons uniquement les « Mutual funds » : « fonds qui
permettent aux particuliers de placer une somme d’argent et ainsi de participer aux
investissements généralement diversifiés d’un fonds ». 3

Etant les plus connus sur le marché, les plus accessibles à tout adepte qui ne connaît pas
forcément les subtilités de la bourse, l’étude apportera donc une information accessible à tout
intéressé.

Afin de déterminer quels sont les fonds qui ont pour stratégie la finance comportementale,
nous traiteront les données référencées dans le logiciel Bloomberg. Notre objectif n’est bien
entendu pas de recenser tous les fonds qui incorporent une certaine forme de finance
comportementale dans sa stratégie d’investissement, mais plutôt de traiter uniquement de
fonds qui sont le plus clairement associés à la « Behavioral Finance ». Nous y reviendrons
plus tard, il semble tout d’abord judicieux de déterminer quelles sont les différentes méthodes
de mesure de fonds qui seront employées pour cette étude.

3 http://www.alabourse.com/formation_bourse/placements/fonds_de_placement.htm

3
1
Chapitre 1 : Les mesures de performances
Avant de démarrer ce chapitre, il faut rappeler qu’il existe 4 grandes catégories d’indicateurs :
rentabilité, risque, performance ajustée du risque et régularité (Paraire & Connault, 2005).

• Pour la première catégorie, il s’agit de calculer la performance absolue du fonds et la

performance relative à un benchmark : l’alpha de Jensen.
• Ensuite, le risque se divise en deux types : risque absolu et risque relatif à un
benchmark. Pour cela, il existe un autre indicateur que l’on nomme le drawdown.
• Les performances ajustées sont dérivées des ratios rendement-risque. Ainsi le ratio de
Sharpe trouve son lien entre la rentabilité d’un portefeuille et son risque, Treynor nous
donne une indication de la volatilité par rapport au marché et Sortino calcule
l’information relative divisée par le risque relatif.
• Les derniers sont le ratio de succès et l’exposant de Hurst qui indique la persistance
d’un comportement.
Il existe également d’autres indicateurs qui peuvent être intégrer à ces classes et ainsi,
nous permettre d’effectuer une analyse de fonds. Kurtosis, Skewness, la corrélation, le
Bêta, la volatilité, la moyenne de rendement, l’écart-type, Value at Risk … font tous partie
de ces indicateurs.

Vu l’étendue de la matière, nous ne pouvons évidemment pas tout analyser, nous nous
focaliserons seulement sur ceux qui nous seront utiles.

1. Présentation des indicateurs retenus

Après une première définition, nous apporterons une brève explication afin d’interpréter au
mieux ces différentes mesures. Les sources des définitions sont à chaque fois retrouvées en
bas de page.

1.1. La volatilité

« La volatilité d'un actif mesure l'importance des variations de son cours sur une période
donnée. »4

Comme sa définition l’indique, la volatilité consiste à mesurer l’importance des variations du

cours d’un actif. En sachant que chaque actif augmente ou diminue durant la période
4 http://definition.actufinance.fr/volatilite-659/

3
d’évaluation du cours, on remarquera que plus la variation s’avère importante sur une courte
période, plus la volatilité sera élevée. Il faut bien entendu faire attention entre l’évolution du
prix de l’actif et sa variation. Il se peut que, sur une longue période, le fonds ait fortement
évolué, mais que sa volatilité reste assez faible. La volatilité nous indique seulement des
mouvements du cours de l’actif.

Il se peut donc qu’en J l’action X ait gagné 3%, en J+1 ait perdu 3%. Le cours de X n’aura
donc pas évolué mais sa volatilité sera forte. Ce paramètre est très intéressant pour les
investisseurs qui aiment spéculer pour obtenir des gains rapides.

Il est prudent de rappeler pour l’investisseur qu’une forte volatilité indique un risque fort.
Voici le graphe d’un fonds à volatilité élevée.

1.2. Kurtosis

Le Kurtosis, perceptible via l’histogramme, fait référence à une distribution normale qui vaut
3. Il correspond en fait au coefficient d’aplatissement de la courbe ou à contrario de la
pointicité, de la distribution d'une variable aléatoire réelle. C'est la seconde des
caractéristiques de forme, avec le coefficient de dissymétrie.5

5 http://www.statelem.com/Kurtosis.php

2
 700

600

500

400

300

200

100

0
-8 -6 -4 -2 0 2 4 6 8
-3
x10

Kurtosis de 7,13 avec 10 000 simulations

Le Kurtosis nous donne une indication sur la quantité d’évènements extrêmes de la variable
aléatoire. Lorsque le Kurtosis est plus grand que 3 (réf. Loi normale), cela signifiera qu’il a
des évènements extrêmes assez fréquents. Que ce soit de gros rendements, ou pas mal de
fortes pertes, ce sera à la Skewness de le démontrer.

Les études empiriques démontrent que le prix de l’action a tendance à s’accroître lorsque
l’aplatissement de la distribution se réduit, son pic devenant plus marqué et ses queues plus
épaisses. (Honoré & Dossou, 2009)

La littérature nous indique aussi que, du fait d’une forte fréquence dans la même zone de
pourcentage du rendement, un actif financier avec un Kurtosis élevé a de fortes chances
d’atteindre sa rentabilité moyenne.

Sa formule : K=( xi-x)4σ²

1.3. Skewness

Le Skewness, associé au Kurtosis est une mesure d’asymétrie. Si on considère une loi
normale, le Skewness vaudra 0. Cela correspond à autant d’observation à gauche qu’à droite
de la moyenne. Donc, lorsque l’indicateur est positif, il correspondra à un étalement à droite
plus important qu’à gauche. Inversement lorsqu’il est négatif.

1
Ceci dit, s’il y a plus d'événements supérieurs que d'événements inférieurs, ces derniers sont
forcément plus extrêmes. En effet étant pondérés par leur valeur ils sont aussi "forts" que les
événements de droite.

1
000

9
00

8
00

7
00

6
00

5
00

4
00

3
00

2
00

1
00

0
-0
.0
3 -0
.0
25 -0
.0
2 -0
.0
15 -0
.0
1 -0
.0
05 0 0
.0
05 0
.0
1

Skewness de -4 avec 10000 simulations

Ici, encore une fois, d’après la littérature, on peut comprendre qu’un actif financier, bien qu’il
ait un Skewness négatif, a de fortes probabilités d’atteindre la rentabilité espérée, puisqu’il a
peu de fréquences étalées à gauche et une forte fréquence dans la même zone de rendement.

Sa formule : K=( xi-x)3σ3/2

1.4. Bêta

« Le Bêta, coefficient de corrélation entre un titre et un indice, mesure la sensibilité de ce

titre par rapport aux variations du marché »6.

Un Bêta de 1 signifie que le titre a la même volatilité que son indice. On induit donc qu’ils ont
un risque similaire. Attention cependant à ne pas tirer des conclusions hâtives. Le titre
comporte toujours un risque qui lui est propre. Celui qui est spécifique à son activité.
On résume en disant qu’il représente le risque systématique par rapport au marché.
On peut traduire la formule par : ß = Covariance (Fonds,Indice)Variance (Fonds)
1.5. L’alpha de Jensen

6 http://definition.actufinance.fr/beta-808/

3
« L’alpha est un indicateur de sur/sous performance d'un fonds par rapport à son indice de
référence »7.

Il est intéressant dans le sens où il va nous indiquer directement l’écart obtenu par le fonds par
rapport à son indice. Un alpha de 0,03 signifie que le fonds surperforme de 3% son indice de
référence.

On peut traduire la formule par:

rendement du fonds-taux sans risque-β*rendement du fonds de réf.-taux sans risque=α

On peut également ajouter que cet indicateur nous informe de la capacité d’un gestionnaire de
fonds à créer de la valeur pour ses clients. En effet, il va nous indiquer comment le gérant va
détecter les fonds qui ont un rendement plus élevé compte tenu du risque.

1.6. Le ratio de Sharpe

« Le ratio de Sharpe est un indicateur de la rentabilité (marginale) obtenue par la gestion du

portefeuille par rapport au risque total pris dans cette gestion. »8

Ainsi, pour interpréter ce ratio, plus le fonds est performant, plus le ratio sera élevé. Il nous
indiquera clairement que le fonds rapporte plus par rapport à son niveau de risque. Dans le cas
contraire, un ratio négatif nous fait comprendre que le fonds fait moins bien que le taux sans
risque.
Il indique la qualité du rendement face au risque pris. Nous pouvons à l’aide de ce ratio
classer les fonds selon leur performance. Il est intéressant d’utiliser cet indicateur car on
pourra le comparer directement à un indice de référence et donc regarder s’il bat le marché ou
non.

Encore une fois, il ne faut pas tirer des conclusions trop hâtives, la diversification d’un gros
fonds de référence est souvent beaucoup plus difficile à vaincre (puisque son risque est mieux
réparti).

On peut traduire la formule par : rentabilité fonds-taux sans risqueécart-type des rendements

1.7. Le ratio de Treynor

7 http://www.sicavonline.fr/index.cfm?action=u_ensavoirplus.alpha
8 http://www.sicavonline.fr/index.cfm?action=u_ensavoirplus.ratiosharpe

3
« Le ratio de Treynor mesure l’excès de rendement d’un portefeuille par rapport à celui d'un
investissement sans risque, par unité de risque de marché ».9

On l’Interprète de la manière suivante: plus le ratio est élevé, meilleur est le fonds. Donc plus
il est élevé plus le fonds optimise son rapport rendement risque.

On traduit la formule par: rentabilité d’un fonds –taux de rendement sans risqueBêta

Ici, le risque est mesuré par le Bêta du fonds. Cet indice facilite l’interprétation d’un fonds
plus diversifié. Le choix de ce ratio ou du ratio de Sharpe dépendra alors de la diversification
du fonds.

1.8. Le ratio de Sortino

Quasi identique au ratio de Sharpe, ce ratio ne tiendra en compte que la volatilité négative
d’un fonds. Ici, cet indicateur nous informe, en cas d’un ratio élevé, d’un grand rendement par
unité de risque négatif. Pour utiliser cette mesure, l’investisseur devra fixer une rentabilité
minimum attendue et la comparer à la rentabilité moyenne.

Sa formule est la suivante : S = R-TDR

Avec :

R = taux de rendement du fonds

T = rentabilité minimum fixée par l’investisseur (souvent égale au taux sans risque)
DR = Downside risk

Parfois, il est préférable de tenir compte de ce ratio lorsque le Skewness est loin de zéro.
L’écart-type et le Bêta ne tiennent pas compte de l’asymétrie. Dès lors, le résultat pourrait
être faussé.

1.9. Value at risk

La VaR est devenu un standard d’évaluation de risque. Il fait référence à un montant de perte
maximale de portefeuille lorsque l’on émet la probabilité de toute une série d’évènements
défavorables qui pourraient arriver (peu de probabilité). Racicot et Théoret, dans leur working
paper (2006) sur le modèle de la Value at Risk nous donnent une explication plus approfondie.
Selon eux, elle semble très utile dans le sens où elle n’est pas assimilée à une distribution

9 http://www.gespriv.com/le-ratio-de-treynor.html

3
normale contrairement au Bêta. Souvent les rendements ne suivent pas cette distribution. Dès
lors, elle apporte des résultats plus adéquats en tant que mesure de risque.

Il existe plusieurs méthodes de calcul. Nous utiliserons la méthode paramétrique

(Gaussienne) : VaRα%=zασ -µ

Avec :
α = degré de certitude
z = aire de la loi normale centrée réduite
� = l’écart-type
µ= la moyenne

Il reste à noter que cette « Value at Risk » est absolue et non relative. La valeur relative
correspond au calcul ci-dessus auquel il ne faut pas soustraire la moyenne de rendement.
Cependant, pour vérifier directement l’écart avec la Modified Value at Risk, il est préférable
de l’intégrer.

1.10.Modified Value at Risk

MVaR=μ-zc+16zc2-1S+124zc3-3zcK-1362zc3-5zcS²σ

La MVaR beaucoup plus utilisée encore, donne une meilleure précision que son prédécesseur.
L’analyse remonte ici jusqu’au quatrième moment, ce qui permet un meilleur ajustement.
Attention, une remarque importante est à signaler. Cavenaile et Lejeune, dans leur note sur
l’utilisation de la MVar, nous informent qu’il faut au minimum un degré de certitude de
95,84% pour obtenir des résultats pertinents. De plus, selon le Skewness, il faut l’ajuster.

96,00 99,90
Confidence level % 97,50% 99,00% 99,50% %
Minimum
Skewness -3,13 -1,62 -0,98 -0,79 -0,59
(Cavenaile & Lejeune, 2010)

1
Chapitre 2 : Données et Méthodologie

1. Données

Afin de réaliser notre étude, le premier critère de données s’est orienté vers des fonds dits
« Mutual Funds », focalisés en Europe. Cela a permis de mieux cibler ma recherche et de
déterminer une ligne directrice.

Le deuxième choix requis pour sélectionner des fonds, est que l’on puisse retrouver dans sa
description les termes « behavioural finance » ou encore Behavioral Finance ». Comme déjà
énoncé, le but n’est bien entendu pas de recenser tous les fonds qui incorporent une certaine
forme de finance comportementale dans sa stratégie, mais bien évidemment de traiter
uniquement des fonds qui y sont le plus clairement associés.

La période étudiée débute le 08 avril 2010 et remonte sur une durée d’environ 6 mois. Mon
premier choix était de déterminer une période de 400 jours et de constater leur réaction face à
la liquidation de Lehmann. Ainsi, nous aurions pu voir comment nos fonds réagissaient dans
une période d’incertitude, où la cognition commence par moments à prendre le dessus.
Malheureusement, les fonds finance comportementale sont encore assez jeunes, j’ai donc du
rétrécir ma période à 6 mois pour obtenir un nombre de données minimum qui puissent me
permettre d’effectuer une analyse pertinente.

Le taux sans risque utilisé lors de mes différents calculs est le taux EONIA (Euro OverNight
Index Average). « Il est le taux de référence quotidien des dépôts interbancaires effectués au
jour-le-jour dans la zone euro »10. Il semble être le plus judicieux vu que nos données sont
journalières et que nos fonds ciblent la zone €uro.

L’ensemble de mes données est bien entendu de fréquence journalière, tandis que les prix des
fonds sont les prix de clôture.

Mes Fonds de référence ont été choisis pour les raisons suivantes :

• Ils couvrent les mêmes critères géographiques et classe d’actif que mes fonds
« Behavioral Finance ».

10 http://fr.wikipedia.org/wiki/Eonia

2
 • De plus ils font partie des plus gros fonds du marché. En ce qui concerne les
benchmark « Equity » et « Debt », ils ont une capitalisation de ±2,5 milliards d’€uros
chacun. On retrouve alors une grande diversification à l’intérieur du fonds. Dès lors,
ils sont représentatifs du segment du marché. Pour ce qui est de l’ « Asset
Allocation », il n’existe pas d’indice en soi. Nous avons donc choisi un fonds qui avait
une capitalisation assez importante que pour obtenir une stabilité et représenter
également un segment du marché.
Ce sont : - « Debt » benchmark : BlackRock Fixed Income Dublin Funds Plc - Euro
Government Bond Index Fund
– « Equity » benchmark : BlackRock Global Funds - European Fund
– « Asset Allocation » benchmark : Fortis Plan - International Fund

Les différents indicateurs de performance ont soit été recalculés au départ des formules
indiquées, soit obtenus au moyen du logiciel Excel 2007.

1. Méthodologie

Notre objectif principal est de montrer que les fonds de placement qui ont pour modèle
d’investissement la finance comportementale performent mieux que leur indice de référence.

Pour ce faire, j’ai accédé aux données du marché via le logiciel Bloomberg. Lors de ma
recherche, j’ai trouvé très exactement 50 fonds qui correspondaient aux mots clés
« Behavioral Finance » ou « Behavioural finance » avec une durée de vie d’environ 6 mois.

Dans ces fonds, j’ai effectué un premier tri selon les critères sélectionnés. Ainsi, on ne
retrouve plus qu’une trentaine de fonds une fois que la classe d’actif et la cible géographique
ont été vérifiées.

A cet ensemble, et j’ai encore retiré tous les fonds qui appartenaient au même investisseur et
qui pouvaient utiliser les mêmes modèles stratégiques d’investissement. Par exemple, pour la
banque DEGROOF, on retrouve 17 fonds qui utilisent la finance comportementale. Je n’en ai
gardé que quelques uns. Ceux qui utilisent un style d’approche différent. Ce critère de
sélection a été retenu pour tenter de retrouver une diversité maximale dans mon échantillon.
Cependant, afin de maintenir cet échantillon pertinent et assurer un nombre minimum de
fonds à analyser, je suis resté assez flexible lorsqu’une classe d’actif était assez restreinte.

1
Après ce filtrage, j’ai pu retenir 3 grandes classes d’actif : « Debt, Asset Allocation, Equity ».

Parmi ces trois grandes classes d’actif, j’ai refait une vérification de tous les fonds « finance
comportementale » afin de ne pas retenir que ceux qui sont ciblés en Europe, mais bien ceux
qui sont ciblés à 80 % en Europe. Ce nouveau critère me permet de trouver un plus gros panel
de fonds sans pour autant affecter la cohérence de mes résultats.

Ainsi, selon les spécialistes du domaine, une étude pertinente sur l’analyse des performances
de fonds nécessite au minimum une quinzaine de fonds. Nous, c’est sur une base de 18 fonds
que vont se baser nos résultats.
Donc pour résumer, les critères de mes fonds sont :

1. « Behavioral Finance » ou « Behavioural finance » dans sa fiche description

2. Classe d’actif : Asset Allocation, Debt ou Equity
3. Geographic Focus : En Europe, ou essentiellement en Europe
4. Une période qui se rapproche de 6 mois à partir du 08 avril 2010

1. Collecte et regroupement des données

Tous mes cours de clôture proviennent du logiciel Bloomberg. Je les ai copié-collé dans le
tableur Excel. On peut y retrouver différents classeurs :
• un qui reprend les cours des différents fonds de références.
• un classeur pour chaque classe d’actif qui reprend à chaque fois les cours des fonds et
leur description.
GAPPTFL
FR
NAV Rendeme
Date Line nt
114,2
8/04/2010 8 -0,574% GAP Portfolio UI is an open-end investment fund
114,9 incorporated in Germany. The Fund's objective is
7/04/2010 4 -0,182% long term growth. The Fund invests mainly in
115,1 equities with a regional focus on the European
6/04/2010 5 1,445% Union, North America, as well as Japan. Exposure
113,5 to issuers from Emerging Markets is achieved
1/04/2010 1 1,231% through investments in sub funds. Investment
31/03/201 112,1 decisions are based on technical factors and
0 3 -0,116% Behavioral Finance.
1
 26/03/201
0 111,5 0,054% Asset Class Equity
25/03/201 111,4
0 4 -0,027% Style Growth
24/03/201 111,4
0 7 0,234% Market Cap Focus N.A.
22/03/201 110,3
0 8 0,154%
• Pour chaque classeur, on peut retrouver un autre classeur associé qui reprend une
analyse de la statistique descriptive ainsi qu’un histogramme pour chacun des fonds.

DBFETIA LX Equity

Moyenne -0,0211%
Erreur-type 0,00021687
Écart-type 0,2593%
Variance de l'échantillon 0,0007%
-
110,885219
Kurstosis 3
-
9,90945564
Coefficient d'asymétrie 9
0,03216573
Plage 3
Minimum -2,9146%
Maximum 0,3019%
0,03021110
Somme 9
Nombre d'échantillons 143

DBFETIA
LX
Fréquen
Classes ce
-
2,9146
% 1
-
2,6222
% 0
-
2,3298
% 0
-
2,0374
% 0

1
 -
1,7450
% 0
-
1,4526
% 0
-
1,1601
% 0
-
0,8677
% 0
-
0,5753
% 0
-
0,2829
% 1
0,0095
% 83
ou
plus... 58

Ces classeurs ont servi au calcul des différents indicateurs de performance, tous repris dans un
tableau récapitulatif (voir Annexe 1).

1. Calcul de mes indicateurs de performance

Pour rappel, j’ai utilisé les indicateurs suivants :

• moyenne
• volatilité annuelle
• Kurtosis
• Skewness
• Bêta
• ratio de Sharpe
• ratio de Treynor
• alpha de Jensen
• ratio de Sortino
• Value at Risk et Modified Value at Risk
Afin de pouvoir comparer mes fonds entre eux, j’ai transformé mes cours journaliers en un
rendement traduit en pourcent.

2
La formule utilisée est : [xi-x(i-1)]x(i-1)
Ensuite, au moyen de la macro complémentaire « utilitaire d’analyse », dans excel, j’ai pu
directement ressortir les mesures : moyenne, Kurtosis et Skewness. Je les ai tout de même
recalculées au départ de leur formule. Pour la moyenne, le résultat est identique. Pour les deux
autres, elles sont légèrement différentes. Cela provient du fait que les formules initiales
donnent des résultats biaisés.

Il est important de signaler que le Kurtosis donné par excel correspond en fait à l’excess de
Kurtosis non biaisé, c’est-à-dire que le surplus qui rend la courbe pointue ne correspond pas
au dessus ce qui dépasse 3, mais correspond plutôt à tout ce qui est positif.

Pour ce qui est de la volatilité annuelle, je l’ai calculée au départ de la variance donnée par
excel.

Formule : Variance de l'échantillon*252

Le multiplicateur 252 correspond au nombre de jours d’une année en bourse.

Le Bêta a été calculé au moyen de la formule indiquée précédemment. Covariance
(Fonds,Indice)Variance (Fonds). La covariance et la variance ont été calculées par Excel.
Bien entendu, ils ont été calculés à chaque fois en fonction de leur Benchmark.

La Value at Risk et Modified Value at Risk ont été déterminées au moyen des formules citées
auparavant. Leur indice de confiance correspond à 97,5%. C’est celui qui a été jugé le
meilleur pour un obtenir des résultats pertinents en fonction des Skewness.
3
Pour les ratios de Treynor et Sharpe ainsi que pour l’alpha de Jensen, j’ai utilisé les formules
déjà indiquées ci-dessus. On peut les interpréter d’une façon mathématique comme suit :

Ratio de Treynor : T= rjt-rftβj

Ratio de Sharpe : S= rjt-rftσj
Alpha de Jensen : αj=rjt-rft- [βjrmt-rft]

rjt=rentabilité du fonds J
rft=rentabilité actif sans risque
rmt=rentabilité du fonds de référence
βj=Bêta du fonds J
σj=risque total du fonds j

Pour le ratio de Sortino, alors qu’au début j’avais choisi de déterminer mon dénominateur de
la façon suivante :

Downside Risk : 1Tt=0Rp<MART(RPt-MAR)².

Où:

T est la période. RPt est le rendement du fonds à la période t (rendements journaliers) et MAR
correspond au minimum acceptable souhaité. EONIA avait été choisi pour MAR.

J’ai ensuite substitué cette formule pour mettre au dénominateur le MVaR. Il semblait
préférable de le choisir pour voir qu’elles étaient les résultats du ratio pour une probabilité de
risque maximal.
Ainsi, nous pouvons directement le comparer au ratio de Sharpe et voir lorsque plus de
paramètres sont tenus en compte que le Bêta, qu’elles en sont les résultats.

3
1
Chapitre 3 : Rapport des résultats

1. Moyenne

Asset
Debt Moyenne Allocation Moyenne Equity Moyenne
bargvb id 0,03% aaindfi lx 0,21% merseei lx 0,14%
dbfetia lx -0,02% conqami gr -0,02% osi9180 bb 0,12%
aegon-mmx
dkeutcf gr 0,00% exp 0,04% bbesbvd sw 0,09%
DBFECFT LX 0,00% dsconsp gr 0,02% deemubv bb 0,13%
MOYENNE -0,01% hshstsr gr -0,01% esprite lx 0,16%
aktgami gr 0,00% LGTATEB LE 0,10%
maetgei lx 0,00% GAPPTFL GR 0,13%
bbpaarr lx 0,02% GERIFPQ SW 0,09%
MOYENNE 0,01% INGLEAC LX 0,11%
MOYENNE 0,12%

Ce qui peut directement être rapporté c’est que les fonds « Behavioral Finance » sont des
fonds qui, même s’ils ont un rendement positif (sauf pour les « Debt », négatifs), performent
en moyenne moins que leur Benchmark.

Lorsqu’on les regarde de façon individuelle, seul les « Equity » sont tous positifs. Ils sont tous
supérieurs à zéro. Ils se rapprochent de la moyenne de leur benchmark et, « espirite lx »
parvient même à le dépasser. Les « Asset Allocation » sont en général négatifs ou nuls, alors
que leur benchmark est à 0,21%. Les « Debt » eux, tournent autour d’une moyenne de 0 %.

2. Volatilité annuelle

Asset
Debt Volatilité Allocation Volatilité Equity Volatilité
bargvb id 3,00% aaindfi lx 30,72% merseei lx 16,91%
dbfetia lx 4,12% conqami gr 1,88% osi9180 bb 18,88%
aegon-mmx
dkeutcf gr 1,52% exp 3,17% bbesbvd sw 10,85%
DBFECFT LX 1,42% dsconsp gr 10,60% deemubv bb 18,85%
MOYENNE 2,35% hshstsr gr 2,66% esprite lx 17,02%
aktgami gr 6,48% LGTATEB LE 16,73%
maetgei lx 1,61% GAPPTFL GR 11,58%
bbpaarr lx 12,54% GERIFPQ SW 13,31%
MOYENNE 5,56% INGLEAC LX 14,24%
MOYENNE 15,18%

1
Au niveau de la volatilité annuelle, on sait qu’une volatilité moyenne pour un fonds stable
d’actions, est de 30 %. On remarque en regardant la moyenne de volatilité des fonds « Debt »
qu’ils ont généralement très peu de variations. Ce qui est normal pour cette classe.
En ce qui concerne les « Asset Allocation », on sait que c’est un mix des deux autres classes.
A voir la volatilité peu élevée pour la majorité des fonds, on peut penser qu’ils ont une
préférence à investir dans les « Debt » plutôt que dans les « Equity ». Le benchmark est
beaucoup plus élevé. La tendance semblerait alors être inversée.
Quoi qu’il en soit, nos fonds « finance comportementale » maintiennent une volatilité proche
de leur benchmark (sauf les fonds « Asset Allocation »). De façon générale, elles ont peu de
variation dans les cours des fonds. Cela ne veut bien entendu pas dire que les fonds
n’évoluent pas. Ce sont plutôt des fonds stables orientés vers le long terme.

3. Kurtosis ou excess de Kurtosis

Asset
Debt Kurtosis Allocation Kurtosis Equity Kurtosis
bargvb id 1,04 aaindfi lx 0,94 merseei lx 0,86
dbfetia lx 110,89 conqami gr 3,59 osi9180 bb -0,05
aegon-mmx
dkeutcf gr 4,76 exp 3,96 bbesbvd sw 1,29
DBFECFT LX 5,16 dsconsp gr 2,63 deemubv bb -0,09
MOYENNE 40,27 hshstsr gr 0,35 esprite lx -0,06
aktgami gr 3,42 LGTATEB LE 1,21
maetgei lx 7,13 GAPPTFL GR 0,92
bbpaarr lx 1,54 GERIFPQ SW 0,42
MOYENNE 3,23 INGLEAC LX 0,16
MOYENNE 0,48

Comme déjà expliqué, les Kurtosis fortement positifs génèrent des valeurs extrêmes. Ici, les
benchmarks sont très légèrement supérieurs à 0. Quand on regarde nos fonds « Equity », rien
n’est à signaler. Ils sont dans la même zone que leur benchmark. Pas de valeurs extrêmes.
Pour les « Asset Allocation », ils ont des valeurs assez élevées. Seuls deux fonds sont proches
du fonds de référence. Les autres ont des valeurs avoisinant les 3-4, « maetgei lx » obtient
même 7,14. Cela doit attirer l’attention des investisseurs. Une grosse fréquence dans la même
zone de rendement mais aussi des rendements extrêmes peuvent faire face. Pour ce qui est de
la dernière classe, elle semble être très dangereuse. Des chiffres assez impressionnants
apparaissent. 110,89 pour le fonds « dbfetia ». Lorsqu’on le regarde de plus près, on voit que
tous ces rendements sont au dessus de 0,01%, puis un rendement à -0,29% et un autre à
-2,91% apparue fin décembre 2009.

3
4. Skewness

Skewnes Asset
Debt s Allocation Skewness Equity Skewness
bargvb id -0,05 aaindfi lx -0,65 merseei lx -0,65
dbfetia lx -9,91 conqami gr 0,20 osi9180 bb -0,26
aegon-mmx
dkeutcf gr -0,30 exp 0,66 bbesbvd sw -0,55
DBFECFT LX -0,51 dsconsp gr 0,35 deemubv bb -0,31
MOYENNE -3,57 hshstsr gr -0,04 esprite lx -0,20
aktgami gr -0,40 LGTATEB LE -0,68
maetgei lx -0,56 GAPPTFL GR -0,53
bbpaarr lx 0,42 GERIFPQ SW -0,32
MOYENNE 0,09 INGLEAC LX -0,25
MOYENNE -0,39

Au niveau de la Skewness, toujours pareil, les 3 classes de fonds tournent autour d’un même
résultat que leur benchmark. Souvent négatif, on peut déduire qu’ils ont plus de valeur au-
dessous de la moyenne de rendement. Certains théoriciens traduisent un Skewness négatif par
le fait d’obtenir au moins une rentabilité équivalente à celle qui est espérée. De nouveau
attention au fonds « dbfetia lx » qui vient fausser la moyenne de la classe « Debt ». Sa valeur
est associée à celle de son Kurtosis et est donc naturellement élevée.

5. Bêta

Asset
Debt Bêta Allocation Bêta Equity Bêta
bargvb id aaindfi lx merseei lx
dbfetia lx 0,25 conqami gr 0,00 osi9180 bb 0,84
aegon-mmx
dkeutcf gr 0,09 exp 0,03 bbesbvd sw 0,43
DBFECFT LX 0,07 dsconsp gr -0,08 deemubv bb 0,86
MOYENNE 0,14 hshstsr gr 0,01 esprite lx 0,23
aktgami gr 0,00 LGTATEB LE 0,77
maetgei lx 0,02 GAPPTFL GR 0,52
bbpaarr lx -0,06 GERIFPQ SW 0,50
MOYENNE -0,01 INGLEAC LX 0,62
MOYENNE 0,60

Point de vue du Bêta. On constate que pour les « Equity », il est très régulier, si ce n’est le
fonds « esprite lx » qui a un Bêta de 0,23. Trois fonds sont aux alentours de 0,5. On dira qu’ils
sont alors moyennement corrélés. Trois autres fonds se rapprochent de 0,8. Leur variation est

1
alors très proche du fonds de référence. Les « Asset Allocation » et les « Debt » sont tous
proches de zéro. Ce qui est assez étrange. En les comparant à l’Eurostoxx (voir annexe 1) on
constate de nouveau une totale neutralité. Excepté pour la classe « Equity ». Ceci semble
difficilement explicable. On aurait envie de se demander vers où se dirigent les
investissements. La seule chose que l’on peut dire c’est que ce sont des fonds neutres et qu’ils
adoptent une stratégie défensive. Attention que sur le long terme, un Bêta peu élevé peu être
privilégié en période trouble. La période d’analyse étant celle qui suit une période de crise,
ces fonds ne sont toujours pas négligeables.

6. Ratio de Sharpe

Asset
Debt Sharpe Allocation Sharpe Equity Sharpe
bargvb id 0,14468 aaindfi lx 0,10404 merseei lx 0,13094
dbfetia lx -0,0958 conqami gr -0,2218 osi9180 bb 0,0971
aegon-mmx
dkeutcf gr -0,0416 exp 0,2061 bbesbvd sw 0,1316
DBFECFT LX -0,0613 dsconsp gr 0,0236 deemubv bb 0,1080
MOYENNE -0,0663 hshstsr gr -0,1061 esprite lx 0,1432
aktgami gr -0,0120 LGTATEB LE 0,0947
maetgei lx -0,0105 GAPPTFL GR 0,1731
bbpaarr lx 0,0254 GERIFPQ SW 0,1075
MOYENNE -0,0136 INGLEAC LX 0,1148
MOYENNE 0,1213

Ce ratio est très intéressant dans le sens où il compare directement la rentabilité au niveau de
risque. Ici, seul la classe des « Equity » performe mieux que le taux sans risque. Proche de
leur benchmark, les fonds « bbesbvd sw », « esprite lx », « gapptfl gr » ont même des ratios
plus élevés que lui. Dans les deux autres classes, tous les fonds ont des performances
négatives ou proches de zéro. La situation est donc mauvaise. Dans la classe des « Asset
Allocation », la palme d’or revient à « conqami gr » avec une sous performance de -0,22178.
Cependant, on peut voir « aegon-mmx exp » qui a une très bonne performance de 0,20608.
Donc pour ces classes, de façon générale, il est plus intéressant d’investir au taux sans risque.
Si on devait répondre à la question : le gestionnaire parvient-il à obtenir un rendement
supérieur avec davantage de risque ? On répondrait que cela serait le cas essentiellement pour
les « Equity ».

2
7. Ratio de Treynor

Asset
Debt Treynor Allocation Treynor Equity Treynor
bargvb id aaindfi lx merseei lx
dbfetia lx -0,0010 conqami gr 0,0585 osi9180 bb 0,0014
aegon-mmx
dkeutcf gr -0,0004 exp 0,0125 bbesbvd sw 0,0021
DBFECFT LX -0,0008 dsconsp gr -0,0020 deemubv bb 0,0015
MOYENNE -0,0007 hshstsr gr -0,0309 esprite lx 0,0068
aktgami gr 0,0103 LGTATEB LE 0,0013
maetgei lx -0,0005 GAPPTFL GR 0,0024
bbpaarr lx -0,0036 GERIFPQ SW 0,0018
MOYENNE 0,0063 INGLEAC LX 0,0017
MOYENNE 0,0024
Ici, le ratio ne nous donnera pas forcément une indication flagrante sur la qualité de nos fonds.
Nos Bêtas étant proches de zéro dans la majorité des cas (excepté pour les « Equity ») et
même souvent négatifs, on se retrouve soit avec de très petites valeurs pour ce ratio soit avec
des valeurs négatives. Quelles soient positives ou négatives, elles ne semblent pas pertinentes
pour tirer des conclusions claires sur la qualité de nos fonds.

8. Alpha de Jensen

Asset
Debt Jensen Allocation Jensen Equity Jensen
bargvb id aaindfi lx merseei lx
dbfetia lx -0,03% conqami gr -0,03% osi9180 bb 0,00%
aegon-mmx
dkeutcf gr -0,01% exp 0,03% bbesbvd sw 0,03%
DBFECFT LX -0,01% dsconsp gr 0,03% deemubv bb 0,01%
MOYENNE -0,02% hshstsr gr -0,02% esprite lx 0,12%
aktgami gr 0,00% LGTATEB LE -0,01%
maetgei lx -0,01% GAPPTFL GR 0,05%
bbpaarr lx 0,03% GERIFPQ SW 0,02%
MOYENNE 0,01% INGLEAC LX 0,02%
MOYENNE 0,03%

Le ratio nous indique une performance journalière assez intéressante pour nos fonds
« Equity ». Avec une moyenne de 0,03%, tous nos fonds sont positifs sauf « lgtateb lx ». Le
fonds le plus performant semble être « esprite lx ». Pour les autres classes, on voit que les

1
« Debt » sont tous négatifs et que les « Asset Allocation » sont partagés entre -0,03% et
0,03%.

9. Ratio de Sortino

Asset
Debt Sortino Allocation Sortino Equity Sortino
bargvb id 0,0766 aaindfi lx 0,0480 merseei lx 0,0615
dbfetia lx -8,9618 conqami gr -0,0966 osi9180 bb 0,0493
aegon-mmx
dkeutcf gr -0,0172 exp 0,1262 bbesbvd sw 0,0619
DBFECFT LX -0,0241 dsconsp gr 0,0122 deemubv bb 0,0546
-
MOYENNE 3,0011 hshstsr gr -0,0508 esprite lx 0,0755
aktgami gr -0,0051 LGTATEB LE 0,0431
maetgei lx -0,0040 GAPPTFL GR 0,0842
bbpaarr lx 0,0140 GERIFPQ SW 0,0534
MOYENNE -0,0006 INGLEAC LX 0,0586
MOYENNE 0,0601

Etant donné un MVaR au dénominateur, on le comparera directement au ratio de Sharpe pour

voir lorsqu’on tient en compte plusieurs paramètres tels que le Skewness et le Kurtosis, quels
sont les résultats obtenus. Le ratio nous révèle un résultat très similaire au ratio de Sharpe. La
classe « Equity » n’a que des fonds supérieurs à zéro. Les fonds qui performent mieux que
leur benchmark sont identiques. Dans les « Asset Allocation », quatre fonds sur sept sont
négatifs et seulement un est meilleur que sont benchmark. Pour les « Debt », ils sont tous
négatifs. Et le fonds « dbfetia lx » obtient un score étonnamment mauvais. Cela provient de
MVaR très proche de zéro.

10. Modified Value at Risk

Asset
Debt MVaR Allocation MVaR Equity MVaR
bargvb id -0,36% aaindfi lx -4,19% merseei lx -2,27%
dbfetia lx 0,00% conqami gr -0,27% osi9180 bb -2,34%
aegon-mmx
dkeutcf gr -0,23% exp -0,33% bbesbvd sw -1,45%
DBFECFT LX -0,23% dsconsp gr -1,29% deemubv bb -2,35%
MOYENNE -0,15% hshstsr gr -0,35% esprite lx -2,03%
aktgami gr -0,96% LGTATEB LE -2,32%
maetgei lx -0,27% GAPPTFL GR -1,50%

1
 bbpaarr lx -1,43% GERIFPQ SW -1,69%
MOYENNE -0,70% INGLEAC LX -1,76%
MOYENNE -1,93%

Ici, on constate de façon flagrante que les « Asset Allocation » ont une probabilité de perte
maximale beaucoup moins élevée que leur benchmark. Le risque est beaucoup moins
important dans cette classe. En ce qui concerne les « Equity », la moyenne est meilleure que
le référentiel. On retrouve 5 fonds plus intéressants que le benchmark et 3 fonds supérieurs au
benchmark. Pour la dernière classe, les trois fonds sont meilleurs que le fonds de référence.
Encore une fois, on s’interroge sur le fonds « dbfetia lx ». Comment-peut-il être un fonds qui
a une probabilité de ne pas générer de risque et obtenir un rendement moyen négatif ? Il faut
se rappeler ici le tableau proposé par Lejeune et Cavenaile (2010) qui dit que pour un MVaR
pertinent, il faut au minimum un Skewness de -3,13 pour un coefficient de certitude de 96%.
En-dessous de 95,84%, le MVaR n’est pas défendable. Ce fonds présente un Skewness bien
au-delà de la limite. Dès lors, son MVaR ne peut être considéré.

1
1
Chapitre 4 : Interprétation des résultats

Afin d’interpréter mes fonds de la meilleure façon, j’ai séparé mes indicateurs en trois feuilles
excel.
La première feuille reprend mes indicateurs de rendement. A savoir : Moyenne, Alpha de
Jensen et Le Skewness.
J’ai pris la décision de mettre le Skewness dans cette catégorie car, selon qu’il soit positif ou
négatif, il correspondra à un étalement dans une zone de rendement positive ou négative.
La deuxième correspond aux indicateurs de risque. A savoir : Modified Value at Risk,
Volatilité et Kurtosis.
Pourquoi le Kurtosis dans cette feuille ? Car il nous informe sur les évènements extrêmes
d’un fonds et donc d’une probabilité de risque.
La dernière est celle des indicateurs rendement-risque. A savoir : Ratio de Sharpe, Treynor et
Sortino.

Pour interpréter mes résultats, j’utiliserai deux méthodes. D’abord, un commentaire sur les
chiffres. Ensuite, la seconde correspond à une méthode mise en place :

Je remplace les chiffres dans mes tableaux par des « + » et des « - » (Voir annexe 2). Chaque
résultat a, la plupart du temps, deux signes. Le premier correspond à la rentabilité ou au
risque. Le second répond à la question : « Mon fonds bat-il son benchmark ou pas ? ».
J’utilise une légende qui reprend mes signes pour l’interprétation d’un indicateur. Voici
l’exemple d’une légende pour le ratio de Sharpe :

sign
e Signification
négatif et plus petit que le
-- benchmark
+- positif plus petit que le benchmark
proche de zéro plus petit que le
/- benchmark
proche de zéro plus grand que le
/+ benchmark
négatif plus grand que le
-+ benchmark
positif et plus grand que
++ benchmark

Proche de zéro signifie : les deux premiers chiffres après la virgule valent zéro.

1
Ensuite, à chaque signe, j’attribue une cote. Exemple :

rentabili Battre
Signe té marché
- -4 -4
+ 2 4

Pourquoi lorsque ma rentabilité est négative, elle ne correspond pas au même montant que ma
rentabilité positive, en valeur absolue ? Tout simplement parce que l’objet de ce cas pratique
est de vérifier mon hypothèse, qui pour rappel est : Mes fonds FC battent-ils leur marché ?
Donc, j’ai attribué plus d’importance lorsque le fonds répond de façon positive à mon
hypothèse que lorsque le rendement est positif. Tout comme nous le savons parfaitement, la
rémunération n’est pas un facteur de motivation lorsqu’il est élevé. Par contre, il est un
facteur de démotivation lorsqu’il est absent. Il en est de même pour la rentabilité. Une fois
qu’elle est absente, le fonds ne saurait être considéré, même s’il bat son marché. C’est
pourquoi j’ai pris la décision de pondérer de cette manière.

Ce qui m’a donné la pondération suivante :

Signe Attribution
-- -8
/- -4
+- -2
/+ 4
-+ 0
++ 6
- -4
+ 4

1
Pour chaque fonds, j’additionne les résultats obtenus par mes indicateurs. Exemple :

Alpha Alpha
Skewne moyen Skewne moyen Tot
de de
ss ne ss ne al
Jensen Jensen
DBFETIA LX -- -- - -8 -8 -4 -20
DKEUTCF GR -- /- - -8 -4 -4 -16
DBFECFT LX -- /- - -8 -4 -4 -16
CONQAMI GR ++ -- - 6 -8 -4 -6
AEGON-MMX EXP
+-
FD ++ + 6 -2 4 8
DSCONSP GR ++ +- + 6 -2 4 8
HSHSTSR GR -+ -- - 0 -8 -4 -12
AKTGAMI GR -+ /- - 0 -4 -4 -8
MAETGEI LX -+ /- - 0 -4 -4 -8
BBPAARR LX ++ +- + 6 -2 4 8
OSI9180 BB -+ +- +- 0 -2 -2 -4
BBESBVD SW -+ +- + 0 -2 4 2
DEEMUBV BB -+ +- + 0 -2 4 2
esprite lx -+ ++ + 0 6 4 10
LGTATEB LE -- +- - -8 -2 -4 -14
GAPPTFL GR -+ +- + 0 -2 4 2
GERIFPQ SW -+ +- + 0 -2 4 2
INGLEAC LX -+ +- + 0 -2 4 2

J’ai donc des totaux pour les trois feuilles. Ces totaux me permettent de classer mes fonds et
de déterminer quels sont les meilleurs d’entre eux.
Je tiens tout de même à signaler que cette technique a été mise en place pour permettre de
déterminer, parmi mes fonds, quels sont les meilleurs. A l’heure d’aujourd’hui, il n’existe
encore aucune technique miracle qui permette de trouver les fonds qui vont révolutionner le
marché. Cette méthode me permet juste d’évaluer mes fonds en plus des indicateurs que
j’utilise.

1. Debt funds

1
 Modified Volatilité Bêta <>son Ratio de Ratio de Ratio de Alpha de
moyenne
Value at Risk annuelle benchmark Sharpe Sortino Treynor Jensen
bargvb id 0,03% -0,36% 3,00% 0,14 0,08
DBFETIA LX -0,02% 0,00% 4,12% 0,25 -0,10 -8,96 -0,00098 -0,03%
DKEUTCF GR 0,00% -0,23% 1,52% 0,09 -0,04 -0,02 -0,00045 -0,01%
DBFECFT LX 0,00% -0,23% 1,42% 0,07 -0,06 -0,02 -0,00079 -0,01%
Moyenne -0,01% -0,15% 2,35% 0,14 -0,07 -3,00 -0,00074 -0,02%

En regardant les chiffres, on a envie de s’arrêter directement après la première colonne (la
moyenne). En effet, la moyenne est nulle ou négative. Ils n’apportent donc aucune moyenne
de rendement sur une période de 6 mois. N’oublions pas que la période choisie, est une
période d’incertitude. Nous nous posons alors la question suivante : « est-ce que malgré tout
ils performent mieux que leur benchmark » ? Pour cela, attardons-nous directement à l’Alpha
de Jensen. Encore une fois on constate qu’ils sont en sous performance par rapport à leur
benchmark. On pourrait déjà arrêter l’analyse à ce stade, mais poursuivons malgré tout. Donc,
en moyenne, ils ne sont pas performants. Est-ce que, sur le court terme, ils génèrent une
volatilité qui permettrait de risquer un investissement pour en tirer un profit ? En regardant, sa
volatilité, on la trouve quasi inexistante. Une moyenne de 2,35%. Le fonds de référence est à
3%. Ce qui est bien entendu normale pour cette classe de fonds. Ils ont une volatilité
similaire au benchmark mais des Bêtas neutres. Aucune corrélation avec le marché. Ce qui,
comme je l’ai déjà dit, est très étrange alors qu’ils doivent forcément pêcher leurs fonds dans
une source similaire vu que le benchmark est un très gros fonds assez bien diversifié.
Le MVaR est très bas avec une moyenne de risque de 0,15%. Le benchmark est légèrement
plus risqué avec -0,3%. Le Kurtosis, bizarrement est très élevé alors que l’on ne devrait pas
trouvé de rendement extrême vu qu’on a un risque maximum peu élevé. En regardant les
fonds de façon individuelle, nous constatons que le fonds « Dbfetia lx » atteint les 110. Cela
s’explique par le fait que la fréquence de rendement se trouve dans la même zone
Fréquenc
Classes e
-2,9146% 1
-2,6222% 0
-2,3298% 0
-2,0374% 0
-1,7450% 0
-1,4526% 0
-1,1601% 0
-0,8677% 0
-0,5753% 0
-0,2829% 1

1
 0,0095% 83
ou plus... 58

Puis une seule fois, il tombe à presque -3%. Mais ceci a déjà été décrit avant.

Lorsque l’on regarde les points (voir annexe 2) qui sont attribués à cette classe, on voit qu’ils
sont logiquement les pires fonds en termes de rentabilité et rendement-risque. Niveau risque,
même s’ils ne sont pas les meilleurs fonds, ils ne sont pas les plus extrêmes. Ces résultats
raisonnables mais pas superbes sont obtenus du fait qu’ils battent leur marché pour la
volatilité et le MVaR, mais pas pour le Kurtosis.

La meilleure conclusion serait de dire :

Tout comme leur benchmark, ils ont un rendement inexistant ou peu intéressant. Ils sont
stables et peu risqués. Peut-être trop peu même que pour générer de la valeur. Ni même
espérer un rendement court terme. Nous connaissons la nature de cette classe (« Debt »), qui a
pour principe de prendre moins de risque que les « Equity ». Cependant, lorsque l’on a vu son
alpha, on a vu qu’en général, elle performe moins bien que ce qu’elle ne devrait. Cette classe
ne me semble pas intéressante.
Bien entendu, nous sommes dans une situation assez instable où la tendance est mauvaise. Il
serait peut-être judicieux d’établir une étude future pour voir l’évolution de ces fonds.
N’oublions tout de même pas qu’ils restent très souvent proches de leur benchmark.

2. Asset Allocation funds

Modified Volatilité Bêta<>son Ratio de Ratio de Ratio de Alphade

moyenne
Value at Risk annuelle benchmark Sharpe Sortino Treynor Jensen
aaindfi lx 0,21% -4,19% 30,72% 0,10404 0,04803
CONQAMI GR -0,02% -0,27% 1,88% -0,00 -0,22178 -0,09657 0,05849 -0,03%
AEGON-MMX EXP FD 0,04% -0,33% 3,17% 0,03 0,20608 0,12618 0,01247 0,03%
DSCONSP GR 0,02% -1,29% 10,60% -0,08 0,02361 0,01225 -0,00204 0,03%
HSHSTSR GR -0,01% -0,35% 2,66% 0,01 -0,10613 -0,05082 -0,03085 -0,02%
AKTGAMI GR 0,00% -0,96% 6,48% -0,00 -0,01204 -0,00510 0,01027 0,00%
MAETGEI LX 0,00% -0,27% 1,61% 0,02 -0,01051 -0,00398 -0,00051 -0,01%
BBPAARR LX 0,02% -1,43% 12,54% -0,06 0,02537 0,01399 -0,00362 0,03%
Moyenne 0,01% -0,70% 5,56% -0,01 -0,01363 -0,00058 0,00632 0,01%

Ici, on rentre dans une classe mieux partagée. Le rendement moyen est toujours presque
inexistant. Tantôt nul, tantôt négatif. Et parfois positif avec un rendement record de 0,04%
pour « aegon-mmx exp ». Toujours très en-dessous de son benchmark. On commence
cependant à trouver des indicateurs positifs. Ici, lorsque l’on regarde uniquement les

2
rendements positifs, on voit que le fonds « bbpaarr lx » (0,02 %) et le fonds « dsconsp lx »
(0,02%) ont respectivement une volatilité de 12 et 10 %. Ils sont toujours inférieurs à la
volatilité du benchmark, mais ils ont une variation de cours plus présente. Forcément, ce sont
ces deux fonds qui auront le MVar le plus élevé avec plus de 1% (3,58% pour le benchmark).
On comprend que pour une probabilité de risque presque quatre fois moins élevée on obtient
de telles moyennes de rendement (0,04 % et 0,02 %). Feraient-ils mieux que leur benchmark ?
Pour cela, regardons le ratio de Sharpe. « aegon-mmx exp » a effectivement un meilleur ratio
de Sharpe que le référentiel (0,21). Il rapporte plus lorsqu’on le compare à son risque. Il en est
de même pour les 2 autres fonds positifs (cités ci-dessus).

Le ratio de Treynor n’est toujours pas interprétable. On retrouve encore des Bêtas négatifs.
L’alpha de Jensen, pour les fonds positifs, nous donne des ratios pas mal du tout. On parle
d’un rendement journalier de 0,03 % en plus que ce qu’il est censé faire.
On ne pourra toujours pas parler d’une performance de groupe vu les dispersions à l’intérieur
de la classe d’actif.

Si on regarde les points attribués, on constate que niveau rentabilité (fonction du benchmark),
trois fonds sont très mauvais par rapport aux autres fonds : « hshstsr gr », « aktgami gr »,
« maetgei lx ». Ils sont également les pires fonds en ce qui concerne l’approche rentabilité-
risque. On voit aussi que c’est une classe qui gère très mal le risque. Bien que le risque est
presque inexistant, ils ne performent pas mieux.
Le seul fonds à sortir du lot est sûrement le fonds « aegon-mmx exp ». Avec un très petit
rendement, il obtient tout de même la meilleure note pour le rapport rentabilité-risque avec 16
points. Lorsqu’on additionne le total des trois feuilles, on voit qu’ils ne sont pas dans les
extrêmes. Ils ne sont ni les premiers, ni les derniers (sauf « aegon-mmx exp » qui a un très
bon total de 26 points, il est classé dans les 4 premiers de tous les fonds sélectionnés). Ceci
augmente notre questionnement : « A quoi s’attendre concrètement dans cette classe ? »

La conclusion sur ces fonds :

A l’heure d’aujourd’hui, la classe des « Asset Allocation » ne peut être considérée dans son
ensemble. Seuls quelques fonds offrent un bon rapport rentabilité-risque. Les autres ont
toujours du mal à sortir la tête de l’eau. Même s’il arrive de trouver des résultats positifs, ils
sont beaucoup trop minimes que pour les considérer. Parfois même la classe nous montre une
très mauvaise gestion de fonds.
Une remarque doit être faite. La volatilité des « Behavioral funds » est très inférieure à celle
du benchmark. Cela peut être dû à une répartition différente à l’intérieur des fonds. Il est
2
possible que la répartition « Debt » domine les « Equity ». Ce qui n’est généralement pas le
cas. Peut-être alors serait-ce dû à la stratégie « Behavioral Finance ».

Dans l’hypothèse où la stratégie Finance Comportementale est vraiment utilisée, elle ne

semble pas être performante au point de surpondérer le marché.

Qu’en est-il de la classe « Equity » ?

3. Equity funds

Modified
Bêta <>son Volatilité Ratio de Ratio de Ratio de Alphade
moyenne Value at
benchmark annuelle Sharpe Sortino Treynor Jensen
Risk
merseei lx 0,14% -2,27% 16,91% 0,13094 0,06146
OSI9180BB 0,12% -2,34% 0,84 18,88% 0,09707 0,04932 0,00138 0,00%
BBESBVDSW 0,09% -1,45% 0,43 10,85% 0,13162 0,06188 0,00209 0,03%
DEEMUBV BB 0,13% -2,35% 0,86 18,85% 0,10798 0,05465 0,00149 0,01%
esprite lx 0,16% -2,03% 0,23 17,02% 0,14323 0,07553 0,00675 0,12%
LGTATEBLE 0,10% -2,32% 0,77 16,73% 0,09470 0,04308 0,00130 -0,01%
GAPPTFLGR 0,13% -1,50% 0,52 11,58% 0,17306 0,08418 0,00242 0,05%
GERIFPQ SW 0,09% -1,69% 0,50 13,31% 0,10754 0,05337 0,00182 0,02%
INGLEACLX 0,11% -1,76% 0,62 14,24% 0,11483 0,05857 0,00166 0,02%
MOYENNE 0,12% -1,93% 0,60 15,18% 0,12125 0,06007 0,00236 0,03%

Comparé aux deux autres classes, celle-ci semble déjà beaucoup plus stable. Tous les fonds
ont une moyenne de rendement positive et des ratios significatifs. On retrouve également une
certaine similarité entre chaque fonds pour chacun de leurs indicateurs.

Cependant, peut-on parler de vraie performance ? En regardant le ratio de Sharpe, on voit

qu’en fonction de leur niveau de risque, 3 fonds sur 8 performent mieux que leur benchmark.
L’alpha de Jensen nous indique une performance journalière très intéressante pour deux de ces
fonds (0,12 % et 0,05%). Les autres se rapprochent de zéro. Un seul est négatif.
Au niveau du MVaR, on voit que 5 fonds sur 8 ont une probabilité de 97,5% d’avoir un
risque moins élevé que le benchmark. Le ratio de Treynor, peut plus facilement être utilisé ici
vu que le Bêta nous donne des résultats moins neutres. En le regardant de plus près, on voit
que ces résultats restent malgré tout peu élevés. Ceci peut provenir du traitement des données
analysées en daily.

Tous les fonds se trouvent dans la même fréquence en termes de moyenne de rendement, avec
0,12 % de moyenne. Seul un fonds a une moyenne de rendement plus performante que le
benchmark (0,16 % contre 0,14 %).

3
La volatilité permet une certaine spéculation sans toutefois risquer la stabilité des fonds pour
celui qui envisagerait des investissements longs termes. Elle a une moyenne de ±15 %. Très
proche de son benchmark. Le risque n’est donc pas trop important. Le Bêta lui est très corrélé,
on atteint parfois le résultat de 0,84 « osi9180 bb ». Et on remarque que c’est le fonds qui a le
plus petit Bêta, qui performent le mieux. « esprite lx » avec 0,23. Serait-ce la solution ? Avoir
une sensibilité très peu corrélée face au marché? On voit que les deux autres fonds qui
suivent dans le classement avec 0,13 % de moyenne de rendement ont 0,52 (« gapptfl gr ») et
0,83 (« deemubv bb ») de Bêta. Le premier à un MVaR très inférieur au benchmark (1,27 %)
et le second plus élevé (2,07 %).

Voyons ce que la pondération fait ressortir (voir tableau en annexe).

Bien que nous n’ayons pas besoin des scores pour savoir qu’on est dans la classe la plus
performante, il est toujours intéressant de le rappeler.

Elle obtient la meilleure note avec un rendement de 10 pour « esprite lx » en termes de

rentabilité. Egalement en termes de risque, c’est ici qu’on retrouve les meilleurs fonds. 3
fonds sur 8 ont 8 et 10 points. On traduit cela par des fonds moins risqués que le marché.
Au niveau du rapport rendement-risque, selon notre notation toujours, 3 des 18 fonds
semblent ressortir du lot. Ce sont ceux appartenant à cette classe. A savoir : « bbesbvd sw »,
« esprite lx » et « gapptfl gr ».
Au total, ce sont toujours ces 3 derniers fonds qui remportent la palme d’or. Ils semblent être
aussi bien les meilleurs fonds « Equity » que les meilleurs fonds « Behavioral Finance » (avec
le fonds « aegon-mmx exp fd » de la classe « Asset Allocation » qui se classe deuxième).

Avant de tirer une conclusion pour cette classe, nous allons reprocéder à une analyse des
« Behavioral funds » au moyen d’autres benchmark.

Analyse face à d’autres Benchmarks.

Les fonds des trois classes sont très souvent proches de leur référentiel, ou au contraire, très
éloignés (« Asset Allocation »). Nous nous posons donc la question suivante : « Les fonds de
référence choisis seraient-ils des ‘tops performers’ » ? Dans le cas où la réponse serait
affirmative, il se pourrait, contrairement à ce que laissent apparaître les résultats, que les
« Behavioral funds » soient en réalité très performants.

2
Nous avons remarqué que la classe « Equity » a du potentiel, que les « Debt » sont proches de
leur benchmark et que les « Asset Allocation » en sont loin. Qu’en est-il lorsque nous prenons
l’Eurostoxx, l’Euronext (indices d’actions européens) et un nouvel bond index (annexe 3) ?

Ce que l’on constate (annexe 1):

Aucune modification significative pour les « Debt ». Leur performance face au « bond
index » n’évolue pas mieux en fonction de ce nouveau benchmark.

Pour les « Asset Allocation », on remarque que le fonds « aegon-mmx » a une MVaR et une
volatilité similaire à celui du bond index. Il procure cependant un meilleur rendement. C’est le
seul fonds qui fait ressortir une telle performance dans cette classe. Deux autres fonds
(« bbppaar lx » et dsconsp gr) au rendement positif nous renvoient vers des cours plus
volatiles. On voudrait les comparer aux deux nouveaux indices d’actions choisis. Avec des
MVaR moins importantes, on pourrait penser qu’ils surperforment les index. Le ratio de
Sortino nous démontre tout le contraire. Avec 0,038 pour l’Euronext et 0,024 pour
l’Eurostoxx, on voit que les fonds n’offrent un résultat que de 0,013 de moyenne. Ces
nouveaux benchmarks diminuent l’écart entre leur résultat et ceux des fonds, mais nous ne
trouvons toujours aucune surperformance.

Les « Equity », par contre, font directement ressortir quelque chose d’intéressant. Tous les
fonds ont une meilleure moyenne de rendement que l’Eurostoxx et l’Euronext. Une moyenne
de 0,12% journalière contre 0,06% et 0,09%. Ensuite, on voit que le MVaR de tous mes fonds
est plus petit que celui de l’Eurostoxx. 2,47% contre 2,35% pour le plus élevé. L’Euronext est
légèrement moins risqué que 3 fonds. 2,31% pour l’Euronext contre 2,32%, 2,34% et 2,35%
pour ceux qui le dépassent. Cela reste très proche. Tous les autres fonds sont moins risqués.
1,50% pour le plus bas.

Les fonds les plus corrélés avec le marché Eurostoxx (0,92 pour « osi9180 bb » et 0,93 pour
« deemubv bb ») sont les fonds les plus dangereux. Ils ont par la même occasion un très bon
rendement. On voit aussi que c’est le fonds au Bêta proche de zéro qui a le meilleur
rendement. Faudrait-il garder une certaine neutralité pour dépasser le marché ? Il se pourrait
que s’écarter du marché éloigne le risque et permettrait également une bonne rentabilité. Bien
entendu, nous ne pouvons tirer des conclusions sur ce seul exemple.

4
Le Bêta face à l’Euronext laisse de nouveau apparaître une neutralité. Les investissements
faits par les gestionnaires des « behavioral funds » semblent ne pas s’intéresser aux actions de
l’Euronext, ou alors très peu.

La moyenne du ratio de Treynor selon la corrélation avec l’Eurostoxx est négative. Mais cela
est dû à un Bêta négatif dans le fonds « esprite lx ». Si on retire ce fonds, on voit que le ratio
est meilleur que le marché. Bien que la corrélation des Bêtas face à l’Euronext soit petite,
lorsque nous retirons les valeurs négatives, on voit que la moyenne obtient également un
meilleur résultat que l’Euronext.

L’alpha de Jensen nous indique un ratio de 0,08% et 0,11% en moyenne contre 0,03% lorsque
l’on comparait au benchmark. Ce qui est très intéressant. La gestion du portefeuille est bonne
face à ses indices de marché. On voit que c’est toujours le même fonds qui bat son benchmark
de départ « esprite lx » avec 0,156% contre 0,102% (< > Eurostoxx). Lorsque l’on compare à
l’Eurostoxx. Et 0,160% contre 0,136% face à l’Euronext. Ces performances sont
impressionnantes alors que l’on sait que ce sont des ratios journaliers.

On terminera en disant que la volatilité de nos fonds est inférieure à celle du marché. Ce sont
des fonds qui peuvent facilement être convoités pour une stratégie long terme.

Conclusion à tirer :

Il semblerait que le benchmark des « Equity » pris au départ de l’analyse soit un benchmark à
haute performance. Ces critères correspondant à ceux recherchés, nous ne pouvons l’écarter
de notre analyse. Pour les autres, bien que celui des « Asset Allocation » offrent une haute
rentabilité, on voit que nos fonds ne font pas mieux lorsque nous les comparons à d’autres
indices. Ils peuvent donc toujours rester la référence. En ce qui concerne les « Debt », rien n’a
été modifié.

En ce qui concerne les « Equity » :

Pour la première fois dans notre analyse, on peut retrouver une certaine logique dans nos
fonds. Tous des ratios qui indiquent le même sens, on peut enfin parler d’une structure dans
notre classe. Serait-ce dû à une véritable stratégie « Behavioral Finance » ? En tous les cas,
les « behavioral funds » parviennent aisément à performer mieux que les marchés des actions
européens.

6
Le risque est également assez bien géré. Mais peut-on cependant parler d’une meilleure
gestion des fonds que la finance traditionnelle ? Lorsqu’on les compare aux indices on aurait
tendance à dire oui. Cependant, l’échantillon est beaucoup trop petit que pour l’affirmer.

4. Analyse par classement

Après avoir traité de façon individuelle les données et avoir fait ressortir au mieux les
résultats marquants, je vais maintenant classer les fonds selon leur indicateur. On pourra
directement tirer des conclusions sur base de ces classements. On les classera selon :
rendement, volatilité, Bêta, Alpha de Jensen, ratio de Sharpe, ratio de Sortino et Modified
Value at Risk (voir annexe 4).

Celui qui a la meilleure performance face à son risque total (ratio de Sharpe) est un fonds
« Asset Allocation » (« aegon-mmx »).
Lorsqu’on regarde le ratio de Sortino qui tient en compte la MVaR, et donc plusieurs facteurs
(Skewness, Kurtosis …), on voit que le classement reste similaire. Il est le seul à dépasser son
benchmark dans cette classe. Cela a déjà été décrit auparavant. Ceux qui le suivent sont des
« Equity ». Trois des huit fonds dépassent leur benchmark (celui-ci a une haute performance,
rappelons-le). A savoir : « esprite lx », « bbesbvd sw » et « gapptfl gr ». Les autres sont sous
leur fonds de référence. Mais la classe « Equity » est dans son ensemble celle qui performe le
mieux comparé à tous les fonds. De plus, et c’est ici que le classement est intéressant. Tous les
« Equity » ont un meilleur ratio que l’Eurostoxx et l’Euronext.

Autres constatations, Les MVaR montrent qu’en générale tous les fonds sont moins risqués
que leur benchmark. Trois fonds « Equity » font exception à cette règle. Ils ne dépassent pas
leur benchmark de façon significative. Le fonds le plus risqué est à 2,35% contre 2,31%.
Sachant que c’est une probabilité avec un indice de certitude de 97,5%. L’écart est peu
significatif comparé à la performance qu’ils apportent.

« Esprite lx » est encore en tête de liste pour l’alpha de Jensen. Ce fonds semble être très bien
géré (0,12%). Le deuxième est de nouveau un « Equity » avec 0,05%. Puis les places se
disputent entre les « Asset Allocation » et les « Equity ». Le premier fonds des « Asset
Allocation » est « aegon-mmx ». C’est le fonds de cette classe qui retiendra notre attention.

3
Les Bêtas de tous les fonds « Asset Allocation » et « Debt » sont tous proches de zéro. Et
lorsque l’on regarde les « Top performer » : « esprite lx » et « aegon-mmx », on voit qu’ils ne
sont pas du tout corrélés au marché. Serait-ce l’arme secrète de ces types de fonds ? La
question semble difficilement trouver une réponse car la classe « Equity », qui, entres
parenthèses, apporte une meilleure moyenne de rendement que le marché européen des
actions, a des Bêtas très souvent proches de 1.

On terminera par la constatation la plus intéressante. Comme décrit précédemment,

l’ensemble des « Behavioral funds » sont des fonds moins risqués que leur benchmark, il
nous faut maintenant voir le classement de la moyenne de rendement journalière. Celui-ci,
comme déjà décrit, est très certainement le plus important critère d’investissement avec le
facteur risque. Dès lors, en regardant le classement des moyennes de rendement, on voit que
le seul fonds (déjà abordé précédemment) qui dépasse son benchmark est le fonds « esprite
lx ». Aucun n’autre fonds ne performe mieux que son benchmark. Mais, et c’est ici que ça
devient intéressant, tous les fonds « Equity » ont une moyenne de rendement journalière
supérieure à leur benchmark.

3
5. Conclusion

Sur base des différentes analyses, lorsque l’on compare les « Debt » à deux index différents,
on constate qu’aucun ne bat son marché. Dans la classe « Asset Allocation », un fonds sur
sept semble vraiment sortir du lot : « aegon-mmx ». Les autres, qu’on les compare au
benchmark de départ ou à d’autres référentiels, ne performent pas mieux que le marché. Au
niveau des « Equity », et c’est ici que c’est intéressant, d’un point de vue ratio de Sharpe, tous
les fonds sans exception sont supérieurs aux marchés européens. Cinq fonds sur huit ont un
risque moins élevé. Les trois autres sont vraiment très proches. Et, de nouveau, tous les fonds
ont un rendement supérieur au marché. Cette classe a bel et bien battu le marché.

Si on devait retenir les « Top performer » des « Behavioral funds », et ce, sur base des deux
techniques utilisées (ratios et technique des « + et -») on prendrait :

1. « esprite lx »
2. « Aegon-mmx exp fd »
3. « bbesbvd sw » et « gapptfl gr »

Pour répondre à l’hypothèse de départ, 9 fonds sur 18 battent leur marché. Mais tous ne le
font pas de manière significative. Nous ne pouvons dès lors affirmer l’hypothèse de départ :
« La théorie de la finance comportementale apporte une approche plus performante que la
stratégie des modèles classiques ?».

On ne peut donc prétendre que la Finance comportementale est la solution miracle à une
déficience des marchés traditionnels.

Aussi, la classe « Equity » présente de très bonnes perspectives à venir. Mais nous ne
pourrons porter un aspect général de la théorie sur base de cette seule classe.

Attention tout de même que certains points doivent attirer l’attention du lecteur au sujet de
l’analyse.

Premièrement, l’interprétation de mes indicateurs doit se faire sous certaines hypothèses. Lors
de l’utilisation des ratios de Sharpe et Treynor il est nécessaire que les taux d’intérêt sans
risque emprunteur soient identiques au taux prêteur. La pratique démontre que c’est rarement
le cas.

5
Il en est de même pour l’alpha de Jensen. Cette mesure doit être considérée au départ de deux
portefeuilles ayant des Bêtas très similaires. Cela n’est pas forcément toujours le cas.

Dès lors, les résultats obtenus dans notre analyse peuvent parfois être légèrement biaisés par
rapport à la réalité.

Deuxièmement, la majorité de nos fonds sont assez jeunes. Parfois, leur période de vie ne
dépasse pas les six mois. Alors que l’on sait qu’il est nécessaire d’obtenir au minimum trente
données pour effectuer une analyse pertinente, j’ai été dans l’obligation de diriger mes
analyses au départ de données « daily ». L’inconvénient de ces données, c’est qu’ils
transmettent des données souvent très volatiles, beaucoup moins stables. L’idéal aurait été
d’analyser les fonds sur une base « weekly ».
Heureusement, on a pu apercevoir que la volatilité de nos fonds était très basse. Ainsi, nos
données restent malgré tout pertinentes.

Il est également important de rappeler que l’analyse s’est concentrée sur une petite base de
données. Les résultats obtenus doivent donc être considérés avec prudence. Nous ne pouvons
en aucun cas faire une extrapolation au départ de nos résultats. L’échantillon choisi
correspond aux fonds les plus représentatifs selon les critères sélectionnés. Toutefois, il est
tout à fait possible que seul ces fonds ont décidé de laisser apparaître les termes « Behavioral
Finance » dans leur description dû à une « bonne » performance. Autrement dit, il est
probable que d’autres fonds utilisent cette technique d’investissement, mais qu’ils ne
l’expriment pas clairement du fait d’une faible performance. Ce n’est bien entendu que toute
une série d’hypothèses, rien n’est démontrable. Nous avons pu voir lors d’une étude similaire
en « Behavioral Finance » que seul 16 fonds étaient considérés. (Wright, Banerjee & Boney,
2006).

Dernièrement, un point non négligeable concerne celui du niveau d’implication de la Finance

Comportementale dans la stratégie des fonds sélectionnés. Le seul moyen utilisé a été de
retenir les fonds qui se réclamaient pleinement d’une stratégie finance comportementale. Ceci
nous conduit à porter deux remarques.

La première est que les fonds retenus ne sont très certainement pas les seuls fonds européens à
se servir de la finance comportementale. Il existe probablement d’autres fonds qui intègrent
d’une façon ou d’une autre la FC dans sa stratégie d’investissement (lié au point précédent).
Malheureusement, n’étant pas clairement identifiable, nous n’avons pas pu les retenir pour
notre analyse.

3
La deuxième, et très certainement celle à considérer le plus pour notre analyse, est que nous
ne savons pas dans quelle intensité les gestionnaires ont intégré la finance comportementale
dans leur gestion. Il est tout à fait plausible qu’ils ne l’utilisent que partiellement. Ou pire
encore, en considérant que le terme peut attirer l’investissement, qu’ils aient apposé le nom de
cette théorie à des fins uniquement marketing, alors qu’en réalité ils ne l’utilisent en rien dans
leur gestion.

3
5
 Conclusion générale

Réaliser des profits anormaux ? Cela était une idée totalement absurde il y a quelques
dizaines d’années. FAMA, en 1970, propose la définition d’un marché efficient avec tout ce
qu’elle implique. Pendant de nombreuses années, elle a été la base d’une dynamique des cours
boursiers. Du coup, vouloir battre le marché semblait être une bonne farce.

Les découvertes de la finance comportementale laissent maintenant supposer que toute une
série d’éléments vient déréguler le marché et ainsi le rendre imprévisible. L’homo economicus
d’autrefois n’est plus aussi rationnel. C’est ce que développent plusieurs psychologues. Ils
effectuent tout un tas d’études et ainsi, vont relier les comportements humains à la finance.

Les défauts de comportement ont un effet sur les marchés financiers : des anomalies de prix.

Est-ce que démontrer le problème suffit à donner la solution ? L’étude effectuée laisse penser
que ce n’est pas tout à fait le cas. L’existence des fonds « Equity » reste un témoignage
concret de l’intérêt que l’on doit porter au domaine. Notre analyse démontre que seule cette
classe surperforme réellement les marchés européens.

Peut-on préférer cette stratégie à celles choisies par les modèles classiques ? Pas encore. Il
reste encore beaucoup à mettre en œuvre quant à la modélisation d’une stratégie qui
reprendrait l’entièreté des biais heuristiques. Comme on l’a vu, la performance n’est pas
systématique. Nous ne pouvons qualifier la théorie de concevable tant que la pratique ne
l’approuve pas totalement. Nous pouvons, à l’heure actuelle, prétendre que la stratégie
« Behavioral Finance » n’est pas le remède miracle des manquements rencontrées par la
finance traditionnelle.

La finance comportementale est un domaine encore inexploré dans son entièreté et loin
d’avoir atteint sa maturité. Elle propose une meilleure compréhension des erreurs fréquentées
sur le marché et, espérons-le, aboutira à une théorisation du fonctionnement complexe des
marchés financiers.

3
1
1
Annexe 1 : tableau récapitulatif des ratios

2
 Modified
VolatilitéBêta <>sonBêta <> Bêta <> Ratio de Ratio de Ratio deTreynor <>Treynor <Alpha
> deAlpha <>Alpha <>
Classe moyenneValue at KurtosisSkewness
annuellebenchmark EurostoxxEuronext Sharpe Sortino Treynor EurostoxxEuronext Jensen Eurostoxx Euronext
Risk
Equity index euronext 150 0,09% -2,31% 17,25% 0,03 0,99 1,19 -0,41 0,08117 0,03814 0,02569 0,00089 0,09%
Bond Index EUGATR 0,02% -0,33% 2,78% 0,00 0,01 0,50 0,04 0,07489 0,03990 0,04153 0,01118 0,01% 0,01%
Equity index eurostoxx 0,06% -2,47% 19,50% 0,04 -0,23 -0,28 0,04960 0,02463 0,00061 0,01389 0,06%
equity bench merseei lx 0,14% -2,27% 16,91% 0,62 0,03 0,86 -0,65 0,13094 0,06146 0,00226 0,04599 0,10% 0,14%
debt bench bargvb id 0,03% -0,36% 3,00% -0,04 -0,00 1,04 -0,05 0,14468 0,07658 -0,00758 -0,17022 0,03% 0,03%
asset All. bench aaindfi lx 0,21% -4,19% 30,72% 1,30 0,23 0,94 -0,65 0,10404 0,04803 0,00154 0,00886 0,12% 0,18%
debt DBFETIA LX -0,02% 0,00% 4,12% 0,25 -0,03 0,00 110,89 -9,91 -0,09585 -8,96184 -0,00098 0,00771 -0,09008 -0,03% -0,02% -0,03%
debt DKEUTCF GR 0,00% -0,23% 1,52% 0,09 -0,01 0,00 4,76 -0,30 -0,04164 -0,01722 -0,00045 0,00319 -0,01105 -0,01% 0,00% 0,00%
debt DBFECFT LX 0,00% -0,23% 1,42% 0,07 -0,01 0,01 5,16 -0,51 -0,06127 -0,02414 -0,00079 0,00775 -0,00973 -0,01% -0,01% -0,01%
Moyenne -0,01% -0,15% 2,35% 0,14 -0,02 0,00 40,27 -3,57 -0,06625 -3,00107 -0,00074 0,00622 -0,03695 -0,02% -0,01% -0,01%
asset location CONQAM I GR -0,02% -0,27% 1,88% -0,00 -0,01 0,00 3,59 0,20 -0,22178 -0,09657 0,05849 0,03081 -0,15996 -0,03% -0,03% -0,03%
asset locationAEGON-M M X EXP FD
0,04% -0,33% 3,17% 0,03 0,07 0,00 3,96 0,66 0,20608 0,12618 0,01247 0,00613 0,17153 0,03% 0,04% 0,04%
asset location DSCONSP GR 0,02% -1,29% 10,60% -0,08 -0,13 -0,04 2,63 0,35 0,02361 0,01225 -0,00204 -0,00118 -0,00409 0,03% 0,02% 0,02%
asset location HSHSTSR GR -0,01% -0,35% 2,66% 0,01 0,01 0,00 0,35 -0,04 -0,10613 -0,05082 -0,03085 -0,01971 -0,04010 -0,02% -0,02% -0,02%
asset location AKTGAM I GR 0,00% -0,96% 6,48% -0,00 0,03 0,00 3,42 -0,40 -0,01204 -0,00510 0,01027 -0,00183 -0,01001 0,00% -0,01% -0,01%
asset location M AETGEI LX 0,00% -0,27% 1,61% 0,02 0,03 0,00 7,13 -0,56 -0,01051 -0,00398 -0,00051 -0,00038 -0,00252 -0,01% 0,00% 0,00%
asset location BBPAARR LX 0,02% -1,43% 12,54% -0,06 -0,08 0,01 1,54 0,42 0,02537 0,01399 -0,00362 -0,00263 0,03077 0,03% 0,02% 0,02%
Moyenne 0,01% -0,70% 5,56% -0,01 -0,01 -0,00 3,23 0,09 -0,01363 -0,00058 0,00632 0,00160 -0,00205 0,01% 0,00% 0,00%
equity OSI9180 BB 0,12% -2,34% 18,88% 0,84 0,92 0,06 -0,05 -0,26 0,09707 0,04932 0,00138 0,00125 0,01877 0,00% 0,06% 0,11%
equity BBESBVD SW 0,09% -1,45% 10,85% 0,43 0,44 -0,02 1,29 -0,55 0,13162 0,06188 0,00209 0,00204 -0,05763 0,03% 0,06% 0,09%
equity DEEMUBV BB 0,13% -2,35% 18,85% 0,86 0,93 0,06 -0,09 -0,31 0,10798 0,05465 0,00149 0,00139 0,02314 0,01% 0,07% 0,12%
equity esprite lx 0,16% -2,03% 17,02% 0,23 -0,03 -0,08 -0,06 -0,20 0,14323 0,07553 0,00675 -0,04759 -0,01862 0,12% 0,16% 0,16%
equity LGTATEB LE 0,10% -2,32% 16,73% 0,77 0,72 0,10 1,21 -0,68 0,09470 0,04308 0,00130 0,00138 0,00979 -0,01% 0,06% 0,09%
equity GAPPTFL GR 0,13% -1,50% 11,58% 0,52 0,46 0,06 0,92 -0,53 0,17306 0,08418 0,00242 0,00273 0,02259 0,05% 0,10% 0,12%
equity GERIFPQ SW 0,09% -1,69% 13,31% 0,50 0,56 0,01 0,42 -0,32 0,10754 0,05337 0,00182 0,00161 0,06759 0,02% 0,06% 0,09%
equity INGLEAC LX 0,11% -1,76% 14,24% 0,62 0,70 0,02 0,16 -0,25 0,11483 0,05857 0,00166 0,00148 0,04439 0,02% 0,06% 0,10%
MOYENNE 0,12% -1,93% 15,18% 0,60 0,59 0,03 0,48 -0,39 0,12125 0,06007 0,00236 -0,00446 0,01375 0,03% 0,08% 0,11%

3
 Annexe 2 : tableau récapitulatif des points attribués

Total
Total Total
rend.- total
rent. risque
risque
plus
DBFETIA LX
-18 -6 -18 -42 mauvais
DKEUTCF GR -14 2 -18 -30 meilleur
DBFECFT LX -14 2 -18 -30
moyenne -46 -2 -54 -102
CONQAMI GR -4 2 -12 -14
AEGON-MMX EXP
FD 2 2 16 20
DSCONSP GR 2 2 -6 -2
HSHSTSR GR -10 10 -20 -20
AKTGAMI GR -6 2 -18 -22
MAETGEI LX -6 2 -18 -22
BBPAARR LX 2 2 -8 -4
moyenne -20 22 -66 -64
OSI9180 BB 2 8 0 10
BBESBVD SW 2 2 16 20
DEEMUBV BB 2 8 0 10
ESPRITE LX 10 8 16 34
LGTATEB LE -6 2 0 -4
GAPPTFL GR 2 2 16 20
GERIFPQ SW 2 10 0 12
INGLEAC LX 2 10 0 12
moyenne 16 50 48 114

4
 Annexe 3 : Nom des fonds « Behavioral Finance » et Benchmarks

Ticker Nom
N150 EURONEXT 150
EUGATR EFFAS BOND INDICE - EURO GVT BD IDX-I
SX5E EUROSTOXX
aaindfi lx FORTIS PLAN-INTL DERIVATIV-I
bargvb id BLACKROCK EURO GOVT BD IDX-I
merseei lx BGF-EUROPEAN FUND-€A2
aegon-mmx exp AEGON MONEYMAXX EXPRESS FUND
aktgami gr AKTIV TREND GLOBAL AMI-P
bbesbvd sw BBGI EQS SWITZERLAND BEH S
bbpaarr lx BN&P ABARIS-ABS RETURN EQT-R
conqami gr CONQUEST BEHAVOR FINANCE AMI
Dbfecft lx DEKA-BF EURORENTEN TRTN-CF T
dbfetia lx DEKA-BF EURORENTEN TRTN-I A
deemubv bb DEGROOF DBI-RDT- EMU BEHAV-D
dkeutcf gr DEKA-EURORENTEN TREND CF
dsconsp gr DSC CONSTANT PRF GLOBAL UI-T
esprite lx DEGROOF EQ EUROPE BEHAV VL-B
Gapptfl gr GAP PORTFOLIO UI
Gerifpq sw IFP QUANT EE-€-A
hshstsr gr HSH STRATEGY SENTIMENT LS-R
Ingleac lx ING (L) INV-EU SECTR ALLO-XC
Lgtateb le LGT GLBAL ACTIVE TIMER EUR-B
maetgei lx MAESTRO LUX-TBIC GL EQ IN ST
osi9180 bb DEGROOF-EQ EMU BEHAV VL-BENA

5
 Annexe 4 : Classement des fonds

Volatil
Bêta <>
moyen ité
Classe Fonds Classe Fonds Classe Fonds Eurosto
ne annue
xx
lle
asset All. asset All. Equity
aaindfi lx 0,21% aaindfi lx 30,72% Eurostoxx
bench bench index
Equity asset All.
esprite lx 0,16% Eurostoxx 19,50% aaindfi lx
Equity index bench 1,30
merseei lx 0,14% OSI9180 BB 18,88% DEEMUBV BB
Equity bench Equity Equity 0,93
DEEMUBV BB 0,13% DEEMUBV BB 18,85% OSI9180 BB
Equity Equity Equity 0,92
GAPPTFL GR 0,13% Euronext 150 17,25% LGTATEB LE
Equity Equity index Equity 0,72
OSI9180 BB 0,12% esprite lx 17,02% INGLEAC LX
Equity Equity Equity 0,70
Equity Equity
INGLEAC LX 0,11% merseei lx 16,91% merseei lx
Equity bench bench 0,62
LGTATEB LE 0,10% LGTATEB LE 16,73% GERIFPQ SW
Equity Equity Equity 0,56
GERIFPQ SW 0,09% INGLEAC LX 14,24% GAPPTFL GR
Equity Equity Equity 0,46
BBESBVD SW 0,09% GERIFPQ SW 13,31% BBESBVD SW
Equity Equity Equity 0,44
asset asset AEGON-MMX
Euronext 150 0,09% BBPAARR LX 12,54%
Equity index location location EXP FD 0,07
Equity index Eurostoxx 0,06% GAPPTFL GR 11,58% Euronext 150
Equity Equity index 0,03
AEGON-MMX asset
0,04% BBESBVD SW 10,85% MAETGEI LX
asset location EXP FD Equity location 0,03
asset asset
bargvb id 0,03% DSCONSP GR 10,60% AKTGAMI GR
Debt bench location location 0,03

6
 asset asset
BBPAARR LX 0,02% AKTGAMI GR 6,48% HSHSTSR GR
asset location location location 0,01
DSCONSP GR 0,02% DBFETIA LX 4,12% EUGATR
asset location Debt Bond Index 0,00
asset AEGON-MMX -0
EUGATR 0,02% 3,17% DKEUTCF GR
Bond Index location EXP FD Debt ,01
asset -0
MAETGEI LX 0,00% bargvb id 3,00% CONQAMI GR
asset location Debt bench location ,01
-0
DKEUTCF GR 0,00% EUGATR 2,78% DBFECFT LX
Debt Bond Index Debt ,01
asset -0
AKTGAMI GR 0,00% HSHSTSR GR 2,66% DBFETIA LX
asset location location Debt ,03
asset -0
DBFECFT LX 0,00% CONQAMI GR 1,88% esprite lx
Debt location Equity ,03
asset -0
HSHSTSR GR -0,01% MAETGEI LX 1,61% bargvb id
asset location location Debt bench ,04
asset -0
DBFETIA LX -0,02% DKEUTCF GR 1,52% BBPAARR LX
Debt Debt location ,08
asset -0
CONQAMI GR -0,02% DBFECFT LX 1,42% DSCONSP GR
asset location Debt location ,13

Alpha de Ratio de
Classe Fonds Classe Fonds
Jensen Sharpe

asset AEGON-MMX
esprite lx 0,12% 0,20608
Equity location EXP FD
Equity GAPPTFL GR 0,05% Equity GAPPTFL GR 0,17306
asset AEGON-MMX
0,03% bargvb id 0,14468
location EXP FD Debt bench
asset
DSCONSP GR 0,03% esprite lx 0,14323
location Equity
asset
BBPAARR LX 0,03% BBESBVD SW 0,13162
location Equity

7
 Equity
BBESBVD SW 0,03% merseei lx 0,13094
Equity bench
Equity GERIFPQ SW 0,02% Equity INGLEAC LX 0,11483
Equity INGLEAC LX 0,02% Equity DEEMUBV BB 0,10798
Equity DEEMUBV BB 0,01% Equity GERIFPQ SW 0,10754
asset All.
OSI9180 BB 0,00% aaindfi lx 0,10404
Equity bench
asset
AKTGAMI GR 0,00% OSI9180 BB 0,09707
location Equity
asset
MAETGEI LX -0,01% LGTATEB LE 0,09470
location Equity
Debt DKEUTCF GR -0,01% Equity index Euronext 150 0,08117
Equity LGTATEB LE -0,01% Bond Index EUGATR 0,07489
Equity
DBFECFT LX -0,01% Eurostoxx 0,04960
Debt index
asset asset
HSHSTSR GR -0,02% BBPAARR LX 0,02537
location location
asset asset
CONQAMI GR -0,03% DSCONSP GR 0,02361
location location
asset
DBFETIA LX -0,03% MAETGEI LX -0,01051
Debt location
asset
AKTGAMI GR -0,01204
location
Debt DKEUTCF GR -0,04164
Debt DBFECFT LX -0,06127
Debt DBFETIA LX -0,09585
asset
HSHSTSR GR -0,10613
location
asset
CONQAMI GR -0,22178
location

8
 Ratio de Modified Value
Classe Fonds Classe Fonds
Sortino at Risk

asset AEGON-MMX asset All.

0,12618 aaindfi lx -4,19%
location EXP FD bench
Equity
GAPPTFL GR 0,08418 Eurostoxx -2,47%
Equity index
Debt bench bargvb id 0,07658 Equity DEEMUBV BB -2,35%
Equity esprite lx 0,07553 Equity OSI9180 BB -2,34%
Equity BBESBVD SW 0,06188 Equity LGTATEB LE -2,32%
Equity
merseei lx 0,06146 Euronext 150 -2,31%
bench Equity index
Equity
INGLEAC LX 0,05857 merseei lx -2,27%
Equity bench
Equity DEEMUBV BB 0,05465 Equity esprite lx -2,03%
Equity GERIFPQ SW 0,05337 Equity INGLEAC LX -1,76%
Equity OSI9180 BB 0,04932 Equity GERIFPQ SW -1,69%
asset All.
aaindfi lx 0,04803 GAPPTFL GR -1,50%
bench Equity
Equity LGTATEB LE 0,04308 Equity BBESBVD SW -1,45%
asset
EUGATR 0,03990 BBPAARR LX -1,43%
Bond Index location
asset
Euronext 150 0,03814 DSCONSP GR -1,29%
Equity index location
Equity asset
Eurostoxx 0,02463 AKTGAMI GR -0,96%
index location
asset
BBPAARR LX 0,01399 bargvb id -0,36%
location Debt bench
asset asset
DSCONSP GR 0,01225 HSHSTSR GR -0,35%
location location
asset
MAETGEI LX -0,00398 EUGATR -0,33%
location Bond Index
asset AKTGAMI GR -0,00510 asset AEGON-MMX -0,33%

9
location location EXP FD
asset
DKEUTCF GR -0,01722 CONQAMI GR -0,27%
Debt location
asset
DBFECFT LX -0,02414 MAETGEI LX -0,27%
Debt location
asset
HSHSTSR GR -0,05082 DKEUTCF GR -0,23%
location Debt
asset
CONQAMI GR -0,09657 DBFECFT LX -0,23%
location Debt
Debt DBFETIA LX -8,96184 Debt DBFETIA LX 0,00%

10
Annexe 5 : exemple de description d’un fonds bloomberg

11
 Bibliographie
Articles de revue

AKTAS, N. (2004), "La finance comportementale: un état des lieux", reflets et perspectives
de la vie économique, vol. 18, n°2, p. 19-34.

BARBERIS, N., SHLEIFER, A. & VISHNY, R. (1998), "A model of investor sentiment",
journal of financial economics, n°49, p. 307-343.

BARBERIS, N.& THALER, R. (2001), "A survey of behavioral Finance", handbook of the
economics of finance, vol. 1, part 2, 1053-1128.

FAMA, E. (1965), "The behavior of Stock -Market Prices", Journal of Business, vol.38, n°1,
p. 34-105.

GOLLIER, C., HILTON, D. & RAUFASTE, E. (2003), "Daniel Kahneman et l'analyse de la

décision face au risque", Revue d'économie politique, vol. 113, p. 295-307.

HIRSHLEIFER, D. & SUBRAHMANYAM, A. (1998), "Psychology and security market

under- and overreactions", American Finance Association, vol. 53, n°6, p, 1839-1885.

HIRSHLEIFER, D. & WELCH, I. (2001), "An economic approach to the psychology of

change: amnesia, inertia and impulsiveness", Journal of Economics and Management
Strategy, vol.11, n°3, p.379-421.

JEGADESSH, N. & TITMAN, S. (2001), "Profitability of momentum strategies: An

evaluation of alternative explanation", Journal of finance, vol.56, p. 700-720.

JENSEN, M. (1978), "Some anomalous evidence regarding Market Efficiency", Journal of

Financial Economics", vol. 6, n°2/3, p.95-101.

KAHNEMAN, D. & TVERSKY, A. (1979), "Prospect theory: an Analysis of Decision under

Risk", Econometrica, vol. 47, n°2, p. 263-292.

LEE, C. & SWAMINATHAN, B. (2000), "Price momentum and trading volume", journal of
finance, vol.55, n°5, p.2017-2069.

ODEAN, T. (1998), "Volume, volatility, price and profit when all traders are above average",
Journal of Finance, this issue, p.1887-1934.

SHEFRIN, H. & STATMAN, M. (2000), "Behavioral Portfolio Theory", Journal Financial

and quantitative analysis, vol. 35, n°2, p.127-151.

SHILLER, R. (1981), "Do stock prices move too much to be justified by subsequent changes
in dividends?", National Bureau of Economic Research, Working Paper n°456.

SHLEIFER, A. & SUMMERS, L. (1990), "The noise trader approach to finance", the journal
of economic perspectives, vol. 4, n°2, p. 19-33.

12
SMITH, V., SUCHANEK, G., & WILLIAMS, A. (1988), “Bubbles, Crashes and Endogenous
Expectations in Experimental Spot Asset Markets,” Econometrica, vol.56, n°5, 1119-1151.

SUMMERS, L. (1986), "Does the stock Market Rationally reflect Fundamental Values?",
Journal of Finance, p.591-601.

THALER, R. (1985), "Mental accounting and consumer choice", Marketing Science, vol.4,
n°3, p.199-214.

THEORET, R. & RACICOT, F.-E. (2006), "Value at Risk, simulation en Visual Basic",
Presse de l'université du Québec, Finance computationnelle et gestion des risques, p.469-547.

Ouvrages

BRIAN, E. & WALTER, C. (2007), Critique de la valeur fondamentale, Springer, Paris.

FISKE, S. & TAYLOR, S. (1991), Social cognition, second edition, MacGraw-hill, New-
York.

MANGOT, M. (2004), Psychologie de l'investisseur et des marchés financiers, Dunod.

SHARPE, W.F. & ALEXANDER, G.J. (1990), Investments, Prentice Hall, Englewood, NJ.

SHLEIFER, A. (2000), "Inefficient Markets. An introduction to behavioral finance", Oxford,

Oxford University press.

SPIESER, P. (2000), Information économique et marchés financiers, Edition Economica 358

pages.

SUSSKIND, A. (2005), La finance comportementale, Larcier, Cahiers Financiers.

Actes de colloques

HONORE, H. & DOSSOU, F. (2009), "Skewness et Kurtosis des prévisions de bénéfice:

impact sur les rendements", dans GDRE, Les taux de changes des économies émergentes et en
transition, acte de la 27ème journée d'économie monétaire et bancaire, Orleans, juin.

HYME, P. (2005), "La conception du marché financier dans les modèles à noise traders: un
héritage keynésien?", Etude de la pensée Economique, colloque Montréal.

Sites web

BERNSTEIN, P. (1996), "Théorie de perspective de Kahneman et de Tversky",

http://www.applet-magic.com/prospectf.htm - dernière visite le 10 septembre 2010.

BOUJILIDA, A. (2006), "Le comportement psychologique de l'investisseur", mémoire online,

http://www.memoireonline.com/11/07/673/m_comportement-psychologique-
investisseurs1.html - dernière visite le 10 septembre 2010.

DEFINITION : alpha de Jensen, Sicavonline, avenir finance,

http://www.sicavonline.fr/index.cfm?action=u_ensavoirplus.alpha - dernière visite le 27 avril
2010.

13
DEFINITION : Bêta, Actu finance, les coulisses de la finance,
http://definition.actufinance.fr/beta-808/ - dernière visite le 27 avril 2010.

DEFINITION : Eonia, L'encyclopédie libre,

http://fr.wikipedia.org/wiki/Eonia - dernière visite le 27 avril 2010.

DEFINITION : Kurtosis, Statistiques,

http://www.statelem.com/kurtosis.php - dernière visite le 27 avril 2010.

DEFINITION : les fonds de placements, A la bourse.com,

http://www.alabourse.com/formation_bourse/placements/fonds_de_placement.htm - dernière
visite le 27 avril 2010.

DEFINITION : ratio de Sharpe, Sicavonline, avenir finance,

http://www.sicavonline.fr/index.cfm?action=u_ensavoirplus.ratiosharpe - dernière visite le 27
avril 2010.

DEFINITION : ratio de Treynor, Le site de la gestion privée, http://www.gespriv.com/le-ratio-

de-treynor.html - dernière visite le 27 avril 2010.

DEFINITION : volatilité, Actu finance, les coulisses de la finance,

http://definition.actufinance.fr/volatilite-659/ - dernière visite le 27 avril 2010.

GREENFINCH, P. (2000), "Articles d'Analyse boursière",

http://pagesperso-orange.fr/pgreenfinch/zb.htm - dernière visite le 10 septembre 2010.

PANSARD, J-F (2007), "Comment peut-on utiliser la finance comportementale dans

l'évaluation d'entreprise?", http://www.pansard-associes.com - dernière visite le 10 septembre
2010.

RAUFASTE, E. & HILTON, D. (1999), "Les mécanismes de la décision face au risque",

http://www.tribunes.com/tribune/alliage/48-49/Raufaste_48_49.htm - dernière visite le 10
septembre 2010.

WRIGHT, C., BONEY, V. & BANERJEE, P. (2006), "Behavioral Finance: Are the Disciples
Profiting from the Doctrine?",
Available at SSRN: http://ssrn.com/abstract=930400.

Autres

BESSIERE, V. & KAESTNER, M. (2005), "Sur- et sous-réaction des analystes financiers:

une étude post-krach", center for Research in Finance, Montpelier university

CAVENAILE, L. & LEJEUNE, T. (2010), "A note on the use of the modified Value at Risk",
Social science Research Network, University of Liège.

CHU, K.-Y (2004), "Le renversement des préférences entre le choix et l'évaluation d'une
loterie: Expérience et Test d'une nouvelle théorie", Projet de comportement d'économie,
Université de Paris.

FELDER, Y. (2008), "Approche comportementale de l'investissement socialement

responsable", Haute école de gestion de Genève.

14
ORLEAN, A. (2007), "efficience informationnelle versus finance comportementale", Working
paper.

PARAIRE, J.-L. & CONNAULT, J. (2005), "analyse de la performance des fonds de fonds
par rapport aux fonds de gestion directe", association française de la gestion financière.

15