Académique Documents
Professionnel Documents
Culture Documents
UNIVERSITÉ DE CARTHAGE
PAR
KHALED CHOUAT
ENCADRÉ PAR :
Mes vifs remerciements à mon encadreur Mr. Ezzeddine Delhoumi qui s’est dévoué pour me
dispenser de tous conseils et directives utiles pour la réalisation de ce mémoire de recherche.
Je tiens à remercier également le corps professoral et administratif de l’Institut des Hautes Études
Commerciales de Carthage et tout particulièrement ceux qui déploient de grands efforts pour assurer
à leurs étudiants une formation actualisée.
Table des matières 1
1
Table des matières 2
2
Résumé 3
Résumé
La théorie financière moderne offre une variété des modèles de valorisation des actifs
financiers. L‘identification des facteurs explicatifs, composant ces modèles, a fait l‘objet
d‘une profonde divergence au sein de la communauté des chercheurs et théoriciens de la
finance. C‘est ainsi que deux grandes écoles apparaissent, à savoir celle du modèle uni-
factoriel, le MÉDAF et celle des modèles multifactoriels issus des théories de l‘APT de
Ross (1976) et l‘ICAPM de Merton (1973). S‘agissant de la première école, le facteur du
risque de marché est considéré comme étant le seul représentant du risque systématique
pouvant exprimer l‘intégralité des variations des rendements boursiers. Concernant les
modèles multifactoriels, les théories stipulent que K facteurs communs, connus par tous les
investisseurs, expliquent la variabilité des rendements boursiers. Toutefois, ces modèles
restent silencieux sur le nombre, la nature et l‘identité de ces facteurs.
À ce propos, cette étude met la lumière sur le discernement des facteurs explicatifs des
rendements boursiers tunisiens en rependant aux questions suivantes : Le risque de marché,
dans le contexte tunisien, parvient-il à absorber la totalité des rendements des actions cotées à
la BVMT ? Les facteurs fondamentaux peuvent-ils être déterminants des rendements boursiers
tunisiens ? Les facteurs macroéconomiques disposent-ils d‘un pouvoir explicatif significatif
dans le contexte tunisien ?
Les tests empiriques de cette étude confirment l‘insuffisance du risque de marché, tout
seul, pour absorber les variations des rendements boursiers tunisiens. Toutefois, un modèle
incluant le risque systématique du marché, quatre facteurs fondamentaux, soit la taille de
l‘entreprise, sa valeur comptable, son rendement historique et sa liquidité et deux facteurs
macroéconomiques, à savoir la structure à terme des taux d‘intérêts et la parité de change
USD/TND, jouit de la capacité explicative la plus significative des rendements boursiers
tunisiens.
3
INTRODUCTION GÉNÉRALE 4
INTRODUCTION GÉNÉRALE
En se référant à une panoplie des modèles de valorisation des actifs financiers, la théorie
financière moderne permet les allocations les plus judicieuses des actifs financiers en
fonction du degré de risque que l‘investisseur est prêt à assumer.
Ces modèles reposent sur deux piliers fondamentaux : Risque et Rendement. Néanmoins,
les professionnels et les praticiens de la finance sont loin d‘être tous d‘accord sur les facteurs
explicatifs constituant ces modèles.
C‘est dans cette perspective qu‘une immense littérature financière s‘est développée et qui
visant l‘identification des facteurs déterminants de la variation des rendements boursiers. En
effet, durant les cinq dernières décennies, le modèle d‘équilibre des actifs financiers
« MÉDAF » (ou « CAPM » pour Capital Asset Pricing Model) issu des travaux de Markowitz
(La Théorie moderne du portefeuille 1952) et présenté par Sharpe (1963, 1964) puis
développé par Lintner (1965, 1964) et Mossin (1966), a constitué le cœur de la théorie
moderne du portefeuille. Toutefois, ce modèle de base est fondé sur des hypothèses fortement
restrictives et qui présentent un certain degré d‘irréalisme. De ce fait, le MÉDAF a fait l‘objet
de nombreuses critiques de la part de la communauté des chercheurs et théoriciens de la
finance.
‗‘Je serais le dernier pour soutenir qu‘un seul facteur conduit la corrélation du marché. Il
n'y a pas autant de facteurs que quelques personnes pensent, mais il y a certainement plus
qu'un seul‖.
4
INTRODUCTION GÉNÉRALE 5
Dans le cadre de ce mémoire, l‘objectif principal vise à distinguer les différends facteurs
explicatifs de la variabilité de rendements boursiers tunisiens. À l‘encontre des hypothèses
postulées par le MÉDAF, cette étude soutient l’existence de plus qu’un facteur explicatif
affectant les rendements boursiers tunisiens. Ainsi, nous supposons qu‘un modèle
multifactoriel est plus adéquat pour décrire l‘évolution des rendements boursiers. Cependant,
la nature et l‘identité des variables explicatives composant ce modèle ne sont pas
prédéterminées. Par ce fait, la problématique de ce mémoire de recherche consiste à
identifier les facteurs explicatifs de la variabilité des rendements des actions cotées à la
bourse des valeurs mobilières de Tunis (BVMT).
L‘intérêt justifiant la réalisation de cette étude réside, en premier lieu, dans l‘assistance
dédié aux investisseurs en leur permettant de définir les meilleures stratégies
d‘investissements basées sur plus de rationalité et de clairvoyance. En effet, l‘identification
des facteurs de risque sur le marché boursier tunisien permet aux investisseurs d‘estimer les
rendements des titres, d‘établir les stratégies d‘arbitrages adéquates et de prendre la décision
la plus pertinente. Dans la même veine, la réponse à la question des facteurs explicatifs des
rendements boursiers tunisiens permet aux gestionnaires de mesurer le cout de capital, et par
conséquent de choisir le mode de financement le plus convenable et d‘évaluer l'opportunité
d'investir dans telle ou telle entreprise. Au demeurant, les études d‘évènements nécessitent la
5
INTRODUCTION GÉNÉRALE 6
détermination de ces facteurs explicatifs afin d‘évaluer l'impact d'un événement sur la valeur
de l‘entreprise.
À la lumière de ce qui précède, cette étude s‘articule autour de deux grandes parties. Une
partie théorique dont l‘objectif consiste, tout d‘abord, à présenter les différents modèles
théoriques de la valorisation des actifs financiers, définir leurs hypothèses et implications et
préciser leurs limites. De surcroît, cette partie exposera la littérature faite pour chaque modèle
dans le contexte national et international. La deuxième partie dressera les études empiriques
qu‘on a réalisées sur le marché boursier tunisien pendant la période d‘observation allant de
Juillet-1999 à Juin-2012. Suivant cette répartition, ce mémoire de recherche sera organisé
comme suit :
Dans le premier chapitre de la première partie, nous nous pencherons sur le contexte
théorique du MÉDAF. L‘objectif de la première section consiste à explorer les fondements
théoriques du modèle uni-factoriel, le MÉDAF. Ainsi, nous présenterons premièrement le
modèle et son idée centrale. Puis dans les sections qui suivent, nous exposerons ses
hypothèses, leurs implications et les critiques du modèle.
6
INTRODUCTION GÉNÉRALE 7
présentera l‘échantillon et la source des données, une deuxième section exposera les méthodes
de construction des variables dépendantes et indépendantes et une dernière section expliquera
les étapes de la méthodologie des tests empiriques.
Ce travail de recherche sera parachevé par une conclusion générale résumant les
principaux résultats de l‘étude.
7
La première Partie : Le contexte théorique de l‘étude 8
Avant d‘aborder les analyses empiriques des facteurs explicatifs des rendements boursiers
tunisiens, il est crucial de développer le contexte théorique dans lequel s‘inscrit cette étude. À
cette fin, la première partie donnera un aperçu sur les fondements théoriques des modèles
d‘évaluation des rendements boursiers, leurs limites, les extensions proposées pour répondre à
leurs insuffisances et leurs résultats documentés sur le marché national et international.
Sur cette base, la première partie sera divisée en trois chapitres. Un premier chapitre
exposera les différents aspects de la théorie du MÉDAF, un deuxième chapitre traitera les
modèles multifactoriels dérivés de la théorie d‘évaluation par arbitrage et un dernier chapitre
s‘occupera de la littérature dans le contexte tunisien.
Le MÉDAF est considéré comme étant le premier modèle de valorisation des actifs
financiers. Sa forme standard est dérivée du « modèle de choix de portefeuille » d‘Harry
Markowitz (1952) et élaboré par les travaux indépendants de Treynor (1961), ―There are two key
messages in CAPM,
Sharpe (1963, 1964), Mossin (1966) et Lintner (1965, 1969). if you get down to
the bedrock. One is
L‘apport principal du MÉDAF est l‘introduction de la notion du risque, pour la that a broadly
diversified market
première fois, dans la valorisation des actifs financiers. En effet, les actifs les plus like portfolio is a
very good thing to
risqués génèrent les rendements espérés les plus élevés. think about. That
gave rise to the
Néanmoins, tout investisseur prêt à courir un risque plus élevé ne sera notion of the index
fund. The other
récompensé que pour la partie relative au risque systématique (risque de marché), message is that to
get a higher
du fait qu‘il n‘y a pas raison de rémunérer le risque diversifiable qu‘on peut expected return, you
have got to accept a
l‘éliminer par une bonne diversification de son portefeuille.
higher beta value.‖
William F. Sharpe,
D‘ici se découle le message central du MÉDAF, celui pour lequel la relation ―The Gurus‖, CFO
Magazine, January
entre le risque de marché et le rendement d‘un actif financier est linéairement 2000.
croissante.
Avant d‘analyser cette relation et ses implications, nous énumérerons dans la section
suivante les principales hypothèses du MÉDAF.
8
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. 9
H3 : Les investisseurs ont un comportement de type Markowitz. Ce qui signifie qu‘ils sont
rationnels et averses au risque.
H4 : Tous les investisseurs forment les mêmes anticipations d‘espérance et de variance des
rendements des actifs risqués. Autrement dit, il existe une homogénéité des anticipations et
l‘information est parfaite.
9
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. 10
a- Le modèle :
Il convient de rappeler que l‘idée centrale sous tendant le MÉDAF est la linéarité de la
relation liant le rendement de l‘actif et son niveau du risque systématique.
Où :
10
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. 11
C2- βi est une mesure complète du risque de l‘action i au sein de son portefeuille
efficient M, soit qu‘aucune autre mesure du risque de l‘actif i n‘apparait dans le MÉDAF.
C3- Sur un marché d‘investisseurs averses au risque, un risque plus grand devrait
être associé à un rendement espéré plus élevé, c'est-à-dire : [ ≥0.
11
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. 12
E(Rp)
La frontière efficiente
M
σ
p
Figure1 La frontière efficiente
Le point M représente le portefeuille de marché. Il inclut tous les actifs dans les
proportions de leurs capitalisations boursières rapportées à la capitalisation boursière de
marché. En effet, selon Black (1972), la proportion de chaque titre i est égale à : (la
capitalisation boursière du titre) / (la capitalisation boursière totale du marché). Le portefeuille
M est ainsi parfaitement diversifié et choisi par tous les investisseurs, indépendamment de
leurs aversions au risque (Théorème de séparation).
En présence d‘un actif sans risque, la droite du marché des capitaux (CML) est
représenté par la tangente à la frontière efficiente au point M coupant l‘axe des ordonnées au
point ayant les coordonnées (0 , Rf) comme le montre la figure 1.2. Son équation est donnée
par la relation suivante: [ .1
Tous les portefeuilles de la droite du marché des capitaux sont parfaitement diversifiés
et uniquement pour ceux-là le risque total est réduit au risque systématique.
1
Considérons un portefeuille placé dans un actif sans risque et dans les titres du portefeuille de marché M. Soit
x la proportion investie dans M. Le rendement de cette combinaison est : Rp = (1-x) Rf + x Rm.
Le rendement esperé est : E(Rp) = (1 – x) Rf + x E(Rm) = Rf + x [E(Rm) – Rf]
La variance σ2p = x2 σ2m puisque la variance de l‘actif sans risque = 0 et sa covariance avec M = 0.
D‘où x2 = σ2p / σ2m et comme x > 0 ; x = σp / σm.. Ainsi la relation de la droite CML se découle :
E(Rp) = Rf + [ E(Rm) - Rf ].
12
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. 13
E(Rp)
La frontière efficiente
M
Rf
La droite du marché
des capitaux
σ
Figure 1.2 La droite du marché des capitaux et les courbes d’indifférence.
p
1
Notons que la pente de la SML est [ E(Rm) – Rf ] et la pente de la CML est [ E(Rm) – Rf ] / σm .
13
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. 14
E(Rp)
Rf
Titre sur évalué
βp
Le MÉDAF a été soumis à des fortes critiques qui ont abouti à des nombreuses
ramifications et à l‘apparition des théories alternatives.
Black (1972) a proposé le modèle Zéro Beta qui tient compte de l‘impossibilité pratique
d‘investir au taux sans risque. De leurs parts, Brennan (1973), Litzenberger et Ramaswamy
(1979) ont pris en considération l‘impôt en introduisant le taux de taxation. D‘autre part,
Lévy (1978) a pris en compte le cout de transaction. Freind, Landskroner et Losq (1976) ont
14
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. 15
étudié l‘effet de l‘inflation sur les implications du MÉDAF et Lintner (1970), Sharpe (1970)
et Fama (1976) ont testé le modèle d‘équilibre en abandonnant l‘hypothèse de l‘homogénéité
des anticipations.
Dans cette optique, le MÉDAF a été mis en question par des nombreux chercheurs du
monde académiques. Certains auteurs ont mené des attaques virulentes allant ‗‘ We continue to teach
jusqu'à annoncer « La mort du Beta ». Citons à titre indicatif l‘article intitulé the CAPM as an
introduction to the
‗‘The CAPM is Wanted, Dead or Alive‘‘ pour ses auteurs Fama et French fundamental concepts of
portfolio theory and asset
(1996), ou encore ‗‘Is Beta dead again‘‘ de Grinold (1993), ainsi que ‗‘Bye Bye pricing, to be built on by
more complicated models
to Beta‘‘ pour son hauteur Dreman (1992) et l‘article ‗‘Can Beta be saved ?‘‘ like Merton's (1973)
de Fama et French (1992)…) ICAPM. But we also
warn students that
despite its seductive
Dans ce contexte, Ross (1976) a établi le modèle d‘évaluation par arbitrage simplicity, the CAPM's
empirical problems
(MÉA) qui suppose que le rendement d‘un titre i est une fonction linéaire d‘un probably invalidate its
ensemble des facteurs communs du risque. use in applications.‘‘
Fama et French (2004).
Somme toute, malgré l‘immense dose d‘encre investie dans la presse académique pour
critiquer le MÉDAF, ce dernier continue à être l‘une des théories fondatrices de la finance
moderne, défendue par plusieurs auteurs qui l‘ont validé empiriquement. Entre autres nous
trouvons Black (1993), Chan et Lakonishok (1993) et Grundi et Malkiel (1996). Ils ont
affirmé que les anomalies soulignées du MÉDAF ne peuvent être que des résultats fautifs
issus de « data snooping » (documenté par Black (1993) et Mackinlay (1995)).
15
Chapitre II : Les modèles multifactoriels 16
Dans ce chapitre, deux catégories principales des modèles multifactoriels vont être
présentées :
- Il s‘agit, dans un premier lieu, du modèle d‘évaluation par arbitrage (MÉA) établi par
Ross (1976).
- Les modèles fondamentaux, purement empiriques et de nature ad hoc, font l‘objet de
la deuxième section. Nous traiterons l‘exemple du modèle de Fama et French (1993,
1996).
En 1976, Stephen A. Ross a formulé une nouvelle approche de valorisation des actifs
financiers basée sur la loi du prix unique (Law of one Price, LooP).
―LooP: Tow items that are
the same can‘t sell at
Le modèle d‘évaluation par arbitrage (MÉA) s‘appuie sur l‘absence de different prices‘‘
16
Chapitre II : Les modèles multifactoriels 17
Bien qu‘il soit analogue au MÉDAF dans le sens où les deux se reposent sur les notions
de la diversification et le risque systématique, le MÉA n‘accorde aucun rôle spécifique au
portefeuille du marché. Encore plus, celui-ci ne doit pas forcement être sur la frontière
efficiente de Markowitz.
Au fond, Roll et Ross (1980) distinguent deux spécificités majeures par rapport au
MÉDAF :
Où :
( ) ( )
[ [ [
1
L‘opportunité d‘arbitrage: c‘est la possibilité de réaliser de façon certaine un gain sans mise nette des fonds
additionnels et, en principe, sans prise du risque supplémentaires (perfect arbitrage). L‘opération se fait par
l‘achat et la vente (par exp spot et forward) de plusieurs actifs financiers et en tirer profit.
17
Chapitre II : Les modèles multifactoriels 18
Écriture matricielle :
Où :
[ ] ; [ ]
[ ] ; [ ]
En partant de cette formule et en se situant dans une situation d‘équilibre (AOA), nous
pouvons démontrer sans peine la relation linéaire du MÉA.
Soit un portefeuille d‘arbitrage dont la richesse investie dans chaque titre i est de la
proportion xi. (xi est > 0 en cas d‘achat et est < 0 en cas de vente).
Soit le vecteur X
- C1 : La richesse totale investie dans les titres i doit être nulle (absence des fonds
additionnels). Cela veut dire que :
- C2 : Le risque du portefeuille est nul (les sensibilités aux facteurs communs du risque
sont nulles).
- C3 : Le rendement généré par ce portefeuille est nul.
18
Chapitre II : Les modèles multifactoriels 19
X.[ ]=0 X [ ]
X =0 X
XE=0 X E
Ceci veut dire que X est orthogonale au vecteur β, au vecteur unitaire et au vecteur E. Une
conséquence algébrique de cette orthogonalité est que le vecteur des rendements espérés E, le
vecteur unitaire et les vecteurs de β sont linéairement indépendant. D‘où la linéarité du MÉA.
En présence d‘un actif sans risque , prend sa valeur et est interprété comme étant la
prime du risque relative au jième facteur.
( ) ( )
1
En appliquant la loi des grands nombres xԐ est estimé négligeable.
19
Chapitre II : Les modèles multifactoriels 20
En somme, le modèle d‘évaluation par arbitrage fait intervenir une multitude des variables
explicatives de la variabilité des rendements boursiers. Ceci a remédié à l‘un des principaux
inconvénients du MÉDAF, à savoir l‘inclusion d‘un seul facteur de risque. Cependant, le
MÉA reste silencieux sur l‘identité de ses facteurs. La sous-section suivante se focalisera sur
les différentes méthodes employées pour définir ces facteurs.
La méthode consiste à extraire les facteurs en se basant sur leurs traces historiques, de
manière endogène et purement descriptive sans spécifier leurs natures. Ce qui rend leur
interprétation économique plus difficile.
20
Chapitre II : Les modèles multifactoriels 21
Plusieurs études font recours aux analyses factorielles afin d‘estimer les facteurs du MÉA.
À titre d‘exemple nous citons les travaux de Roll et Ross 1980, Brown et Weinstein 1983 et
Chen 1983.
Le principe de cette technique est facilement assimilable. En effet, chacun des facteurs
(factors) à estimer est supposé commun pour tous les titres. En plus, chaque facteur qui affecte
uniquement un seul titre sera stocké dans son terme d‘erreur sous forme du risque
idiosyncratique (unique). Par conséquent, les facteurs communs du modèle sont considérés
comme étant la source de la covariance commune entre les titres.
Ainsi, l‘analyse factorielle standard consiste à détecter les facteurs (représentés par des
indices) qui reflètent, le mieux que possible, les covariances entre les titres et réduisent,
d‘autant que possible, la covariance entre les termes d‘erreurs.
Où :
Le nombre des titres est supposé très grand et beaucoup plus supérieur que le nombre des
périodes T.
- Dans un premier temps, les sensibilités (factors loadings) et les termes d‘erreurs
sont estimés.
- Ensuite, les estimateurs des et vont servir à l‘estimation des facteurs (factors) du
modèle.
21
Chapitre II : Les modèles multifactoriels 22
Où :
H1 : avec est la matrice identité (K x K). Ceci veut dire que les facteurs communs
ne sont pas corrélés et sont tous de variances égales à 1.
H2 : est une matrice diagonale de . Ceci signifie que les termes d‘erreur (les facteurs
spécifiques) sont non corrélés et qu‘ils ont des variances spécifiques = .
H3 : . Ceci signifie que les facteurs représentatifs des risques communs et ceux
représentatifs des risques spécifiques sont indépendants. Autrement dit, les uns traduisent le
risque non exprimé par les autres.
Ainsi en se référant à ces hypothèses, le modèle de structure des covariances prend la forme
suivante :
En supposant que l‘échantillon des rendements (R1, R2, …, Rn) est issu d‘une loi multi-
normale, nous pouvons obtenir les estimateurs de et D en utilisant la méthode du maximum
de la vraisemblance.
Par la suite, afin d‘estimer la matrice des facteurs , il convient d‘utiliser la méthode des
moindres carrés généralisée :
Nous avons :
̂ ̂ ̂ ̂ ̂ ̂
22
Chapitre II : Les modèles multifactoriels 23
Les composantes principales sont les facteurs communs à estimer. Ceux-ci doivent avoir
des variances maximales et être deux à deux orthogonaux (indépendants).
Soit Xi la proportion du titre i dans l‘indice à estimer (le facteur commun). Ainsi,
et le vecteur X (X1, X2, …, Xn).
Les mêmes étapes sont répliquées afin d‘obtenir les autres facteurs.
À l‘inverse de la méthode implicite, les facteurs communs dans les modèles explicites sont
exogènes et économiquement interprétables.
23
Chapitre II : Les modèles multifactoriels 24
La procédure consiste à établir, à priori, une liste des facteurs économiques susceptibles
d‘exercer une influence systématique sur les rendements et étudier, par la suite, la
significativité de chaque facteur.
Les modèles fondés sur les facteurs explicites se répartissent en deux catégories principales :
La régression de ces modèles se fait sur deux étapes. Pour la première étape, nous connaissons
les facteurs F et nous cherchons à estimer les . Pour la deuxième, nous connaissons les et
nous cherchons à estimer les primes des facteurs F.
Notons qu‘à la différence de ces deux modèles, la méthode implicite, traitée ci-dessus,
consiste à estimer simultanément et F.
À l‘instar de Chen, Roll et Ross (1986), plusieurs travaux empiriques ont souligné le
pouvoir explicatif d‘autres variables macroéconomiques. Entre autres, Burmeistervet McElroy
(1988) ont distingué cinq facteurs sur le marché boursier américain. Il s‘agit du risque de
défaut mesuré par la différence entre le taux du rendement d‘une obligation de risque faible et
le taux du rendement d‘une obligation de risque élevé, la prime du temps mesurée par la
différence entre le rendement d‘un bon du trésor à long terme et un bon du trésor à un mois,
l‘inflation non anticipée mesurée par l‘inflation espérée au début du mois diminuée de
l‘inflation réalisée durant le mois, la bénéfice économique non anticipée à long terme et le
rendement du marché non corrélé avec les facteurs précédents. Burmeistervet McElroy (1988)
1
Mesurée par les différences de rendement à l‘échéance entre les obligations de sociétés classées BAA et celles
classées AAA par les agences de notation.
2
Mesurée par la différence de rendement à l‘échéance entre les obligations du Trésor à long et à court terme.
24
Chapitre II : Les modèles multifactoriels 25
ont constaté que leurs facteurs expliquent entre 30% et 50 % de la variation des rendements
boursiers.
Hamao (1988), en travaillant sur le marché japonais, a mis en valeur trois facteurs
significatifs : l‘inflation, la prime du risque de défaut et la structure à terme des taux d‘intérêt.
De même, Priestly (1996) a défini trois facteurs sur le marché britannique : la production
industrielle, les taux de change et les taux d‘intérêts.
25
Chapitre II : Les modèles multifactoriels 26
Dans ce cadre, d‘innombrables travaux empiriques ont été réalisés en vue de tester la
validité des facteurs fondamentaux. Parmi ces études, on cite l‘article de Sharpe (1982), dont
il a testé la significativité des variables suivantes : Le Beta du marché, le rendement des
dividendes, la taille de l‘entreprise (sa capitalisation boursière), sa performance historique, le
Beta des bons du trésor à long terme et un proxy du secteur d‘activité.
Les résultats de son étude stipulent que les actions dont les Betas sont élevés
surperforment celles avec des faibles Betas et les actions de petites entreprises sont plus
performantes que celles de grandes entreprises.
Sharpe (1982) a conclu que le pouvoir explicatif du modèle, mesuré par le coefficient de
détermination R2, a augmenté de 6.7% suite à l‘introduction des variables fondamentales.
Également, les modèles fournis par Barra 1 sont aujourd‘hui largement utilisés par les
chercheurs et les praticiens en finance. Ces modèles intègrent un très grand nombre des
facteurs. À titre d‘exemple le modèle de Barra 2012 des États-Unis (Barra US Equity Model,
USE4) comporte 60 facteurs industriels et 12 facteurs fondamentaux. De même, dans sa forme
internationale Barra 2012 (Globel Equity Model, GEM3) comporte 34 facteurs industriels et
11 facteurs fondamentaux.
Dans ces perspectives, Fama et French (1993) ont proposé un modèle à deux facteurs
fondamentaux, à savoir la taille de l‘entreprise et sa valeur comptable rapportée à sa valeur de
marché. Carhart (1997) a présenté un prolongement de ce modèle en incluant un troisième
facteur de risque, soit le rendement historique de l‘entreprise. La section suivante sera
consacrée à l‘explication de ces deux modèles.
1
Une société leader en matière de l‘ingénierie financière.
26
Chapitre II : Les modèles multifactoriels 27
Entre autres, l‘article de Fama et Frech (1992) a mis en évidence la capacité explicative de
deux facteurs fondamentaux, spécifiques aux attributs des titres. Il s‘agit de la taille, mesurée
par la capitalisation boursière de l‘entreprise cotée, et le ratio de sa valeur comptable divisée
par sa valeur du marché (VC/VM).
En 1993, Fama et French ont présenté leur modèle à trois facteurs comme étant l‘alternatif
du MÉDAF.
[ ]
Où :
27
Chapitre II : Les modèles multifactoriels 28
Carhart (1997) a établi une extension du modèle de Fama et French (1993) en introduisant
l‘effet de momentum, décrit par Jagadeesh et Titman (1993), qui tient compte de la tendance
historique des titres. En effet, l‘étude suppose que les titres peu performants et ceux qui sont
très performants sur les six derniers mois gardent les mêmes tendances dans le futur (effet de
renforcement de la tendance). Dans le cas inverse on parle d‘un effet de renversement de la
tendance.
[ ]
La littérature sur le modèle de Fama et French (1993) ainsi que Carhart (1997) est
extrêmement riche. Des nombreuses études visant à confirmer (ou infirmer) la validité de ces
modèles sur des marchés locaux et internationaux ont été élaborées.
Fama et French (1998) ont soulevé la validité de leur modèle dans sa version
internationale en mettant en valeur son pouvoir à exprimer la prime de la valeur (value
premium) sur des marchés internationaux tel que les États-Unis, l‘Europe, l‘Australie et
l‘Extrême Orient. Dans la même étude, ils ont souligné que le MÉDAF n‘a pas réussi à
absorber cette prime.
En outre, Fama et French (2012) ont testé le modèle à quatre facteurs sur vingt-trois
marchés développés regroupés dans quatre régions internationales. Il s‘agit de l‘Amérique du
Nord, l‘Europe, le Japon et l‘Asie pacifique). À l‘exception du marché japonais, ils ont
enregistré la significativité de l‘effet de la valeur et l‘effet momentum dans toutes les autres
régions. Néanmoins, dans cette étude le modèle n‘a pas fourni des résultats positifs dans sa
version locale en donnant des explications modeste aux variations des rendements des actions
locales notamment pour les actions à très faibles capitalisations boursières (microcaps).
28
Chapitre II : Les modèles multifactoriels 29
D‘un autre côté, Nusret Cakici et al (2013), en travaillant sur dix-huit marchés boursiers
émergents repartis sur trois régions, soit L‘Asie, L‘Amérique latine et l‘Europe de l‘Est, ont
constaté l‘existence manifeste de l‘effet de la valeur dans tous les marchés objets de l‘étude.
Ils ont constaté la même conclusion pour l‘effet de momentum, à l‘exception de l‘Europe de
l‘Est. Ils ont démontré aussi que les primes de la valeur et du momentum sont plus
significatives dans les entreprises de petites tailles.
Asness et al (2013) ont mis en évidence l‘apport du modèle sur le marché américain,
britannique, européen et japonais.
À cela s‘ajoute l‘emploi du modèle dans l‘estimation du cout des fonds propres (Fama et
French 1997, Gregory et Michou 2009), ainsi que l‘analyse de performance des fonds
d‘investissement (Fama et French 2010).
Il est désormais clair que le modèle de Fama et French a prouvé son efficacité empirique
aussi bien sur les marchés internationaux que sur les marchés locaux. Cela nous amène à
porter notre attention sur l‘interprétation de ses facteurs.
La prime de la taille reflète la prime accordée aux investisseurs qui choisissent d‘investir
dans des entreprises de petite taille.
L‘effet de la taille a été enregistré en premier lieu par Banz (1981). Par la suite, des études
ultérieures tels que Keim 1983 et Fama et French 1992, ont confirmé sa capacité explicative
de la variation des rendements boursiers.
Différentes interprétations ont été avancées pour expliquer la prime de la taille. D‘une
façon générale, les petites entreprises sont plus vulnérables aux chocs négatifs, puisqu‘elles
ont une faible capacité à faire face aux risques. Cela devrait se traduire par un taux du
rendement plus élevé, exigé par les investisseurs (Heaton et Lucas‘ 1997b).
D‘un autre côté, la prime de la taille est expliquée par un effet de liquidité. En effet, les
investisseurs exigent une compensation (prime) pour accepter d‘investir dans des actions à
29
Chapitre II : Les modèles multifactoriels 30
faible capitalisation boursière de fait que leurs couts de transaction sont plus significatif (MJ
Brennan, T Chordia, A Subrahmanyam (1998)).
Vassalou (2003) ainsi que Vassalou et Liew (2000) proposent une interprétation différente
de ce qui précède. Ils ont démontré dans leurs études que la prime de la taille et la prime de la
valeur sont des proxys du taux de croissance du PIB.
b- La prime de la valeur :
Rapportée par Basu (1977), la prime de la valeur est définie comme étant la différence
entre les rendements d‘un portefeuille des actions de valeur (value stocks, soit des actions
dont le ratio VC/VM est élevé) et les rendements d‘un portefeuille des actions de croissance
(Growth stocks, soit des actions dont le ratio VC/VM est faible).
Dans un premier lieu, il y a le courant défendu par Fama et French qui stipule que la prime
de la valeur n‘est plus une anomalie mais plutôt c‘est une compensation ‗‘rationnelle‘‘ d‘un
niveau du risque plus élevé. Fama et French (1993, 1995) postulent que des actions avec un
ratio VC/VM (ou encore les ratios Bénéfices/Cours ou Cash-flows/Cours) élevé reflètent une
situation de détresse financière de la société. Par conséquent, les investisseurs exigent une
prime du risque pour neutraliser le risque additionnel encouru.
30
Chapitre II : Les modèles multifactoriels 31
l‘opportunité d‘arbitrage exprimée par des sous-investissements dans les actions surévaluées
et des surinvestissements dans les actions sous-évaluées.
En fin, Compte tenu de ce qui précède, le tableau suivant présente un résumé des modèles
multifactoriels vus dans le cadre de ce chapitre.
1
« Biais du survivant (survivorship bias) : Le biais du survivant provient de la tendance qu‘ont les fournisseurs
de bases de données à retirer de leur univers les fonds qui ont cessé de leur fournir des informations. Du coup,
lorsqu‘une analyse est faite à une date donnée, seuls les fonds ayant survécu peuvent être observés. Les
statistiques de performance tirées de ces bases sont donc implicitement conditionnelles au fait d‘avoir survécu.
Les performances calculées sur ces échantillons ont donc tendance à être biaisées à la hausse, alors que les
statistiques de risques seront plutôt biaisées à la baisse – si l‘on accepte l‘hypothèse que la majorité des hedge
funds (ou titres) disparaît pour des raisons de performances décevantes. »
Les Cahiers scientifiques - n°2, AMF 2006.
2
Le data snooping ou data mining consiste à rapporter parmi l‘ensemble des résultats trouvés uniquement ceux
qui sont favorables aux hypothèses initiales.
31
Chapitre II : Les modèles multifactoriels 32
- Facteurs - Facteurs
externes spécifiques à
(macro). l‘activité de
- Facteurs Fondamentaux spécifiques à
- Deux l‘entreprise
l‘activité de l‘entreprise.
étapes (Micro).
- Notion de - Notion de d‘estimation - Une seule
covariance. variance. (les Betas et étape
les primes d‘estimation
de risque) (la prime du
risque)
32
Chapitre III : La littérature dans le contexte tunisien 33
Il est indéniable qu‘un modèle robuste, permettant aux investisseurs de prendre les bonnes
décisions en matière de leurs investissements, est indispensable à l‘amélioration de la
profondeur et la liquidité du marché financier.
Un tel modèle pourrait être utile dans différentes applications nécessitants la mesure des
rendements espérés des titres, l‘estimation du cout de capital, l‘évaluation de la performance
des fonds d‘investissement et l‘étude d‘évènement (event study).
D‘un autre côté, cerner les principaux facteurs économiques, animant ce modèle,
permettra aux investisseurs de définir les meilleures stratégies d‘investissement en les
conduisant vers plus de rationalité et de clairvoyance.
Dans ce cadre, des travaux académiques portant sur les facteurs de risque sur le marché
tunisien ont été élaborés.
Avant d‘aborder les résultats empiriques exposés par ces études, il serait utile de citer un
bref diagnostic du marché financier tunisien.
Un marché boursier dynamique et développé reflète nécessairement des bons signaux sur
la santé de l‘économie nationale. Néanmoins, la contribution du marché tunisien à la
croissance et au développement de l‘économie nationale n‘a connu qu‘une modeste réussite.
1
Les critères utilisés pour choisir les pays similaires sont:
- Le revenu national brut par habitant.
- Le produit national brut par habitant.
- L’indice de développement humain.
33
Chapitre III : La littérature dans le contexte tunisien 34
Ce taux bas, caractérisant l‘activité boursière en Tunisie, s‘explique par le faible recours
des entreprises tunisiennes au marché boursier. Le tableau suivant permet de comparer le
nombre des entreprises tunisiennes cotées en bourse à celui de l‘échantillon.
Les entreprises tunisiennes cotées en bourses en 2012 sont nettement moins nombreuses
que la Turquie (405), la Jordanie (243), l‘Égypte (234) et le Maroc (76). Ceci traduit le faible
développement du financement direct par des levés des fonds sur le marché financier tunisien
(une faiblesse des émissions des titres). Par conséquent, le taux de contribution du marché
boursier dans le financement de l‘investissement privé est assez faible (Tableau 3).
34
Chapitre III : La littérature dans le contexte tunisien 35
Ce qui saute aux yeux en observant ces chiffres, le marché financier tunisien a vu le taux
de financement de l‘investissement privé doubler en atteignant 11.6% en l‘espace de six ans
avant de marquer une forte baisse de 6% en 2011. Cette régression est expliqué par
‗‘l‘instabilité politique, sociale et sécuritaire qu‘a connu le pays suite aux évènements de la
Révolution Tunisienne‘‘.
35
Chapitre III : La littérature dans le contexte tunisien 36
La liquidité du marché tunisien est à cet égard nettement moins favorable que celle de la
Turquie (143.5% en moyenne), de l‘Égypte (47%) et encore plus faible que le Maroc et la
Palestine s‘affichant au plus bas de l‘échantillon, soit 17% contre 40.5% en moyenne et plus
de 20% pour le Maroc et la Palestine.
De ce fait, il est désormais clair que le manque en diversification sectorielle est parmi les
facteurs accablants de la liquidité et du niveau de la capitalisation boursière. D‘où
l‘importance d‘encourager l‘introduction en bourse d‘une diverse multitude des entreprises
privées est publiques (STEG, SONEDE, tourisme, agriculture…). Cela est aujourd‘hui
recommandé par des nombreux économistes et financiers tunisiens 2.
1
Rapport annuel du CMF, 2011
2
Prof. Hamadi Fehri et Prof. Sami Mouley, « La Bourse des Valeurs Mobilières de Tunis, Entre exigences de
financement et impératifs de réformes » 2012.
Dr. Chokri Mammoghli et Dr. Abdelkader BOUDRIGA, « Quelles réformes pour le système financier
tunisien », 2011.
36
Chapitre III : La littérature dans le contexte tunisien 37
Pour conclure, un investisseur, que ce soit tunisien ou étranger, désirant placer sa richesse
dans la bourse de Tunis, est préoccupé par l‘identification des facteurs des risques dirigeants
le mouvement des titres. Dans le but de répondre à cette question, d‘innombrables travaux de
recherche ont été réalisé dans le contexte tunisien. Plusieurs modèles ont été testés, néanmoins
rares sont les analyses comparatives visant à distinguer parmi la panoplie des modèles
proposés ceux les plus appropriés au marché tunisien.
Ben Naceur et Ghazouani (2007) ont investigué la validité de deux modèles empiriques et
leurs implications sur l‘évaluation du cout des fonds propres du secteur bancaire de la BVMT.
Le MÉDAF et le modèle à trois facteurs de Fama et French (1993) font l‘objet de cette étude
sur la période d‘observation 2000-2005.
En concluant leur étude, Ben Naceur et Ghazouani ont mentionné que le MÉDAF pourrait
être rejeté en faveur du modèle à trois facteurs qui a tendance à être plus pertinent dans le
calcul du cout des fonds propres sur le marché boursier tunisien.
Girard et Omran (2007) ont identifié une série des facteurs de risque encourus par les
investisseurs de cinq marchés émergents dont le marché tunisien. Ils ont conclu que le Beta
ordinaire du MÉDAF n‘est plus un bon proxy du risque sur ces marchés. Pourtant, un modèle
intégrant des variables fondamentales et d‘autres spécifiques au risque du pays, semble plus
significatif et ayant un pouvoir explicatif plus intéressant. Le modèle multifactoriel proposé
par Girard et Omran (2007) comporte l‘ensemble des variables relatives aux risques du pays
1
Communiqué de Presse de la bourse de Tunis, 20 septembre 2012.
37
Chapitre III : La littérature dans le contexte tunisien 38
Certaines études ont analysé l‘effet de la liquidité sur les rendements des titres. À titre
d‘exemple, Bruce et Hearn (2011) et Hasnaoui et Ben Arab (2012) ont constaté que la
liquidité n‘est pas un facteur déterminant sur le marché tunisien. En revanche, l‘étude de
Loukil et al (2013) montre que les investisseurs tunisiens exigent une prime pour compenser
le risque des actions les moins liquides. Cela va en concordance avec les résultats fournis par
Hachicha et al (2008).
D‘un autre côté, les variables fondamentales ont été le sujet d‘un certain nombre des
travaux visant à tester la validité du modèle de Fama et French (1993). Entre autres, Chaibi et
Ben Naceur (2009) ont mené une analyse comparative entre neuf modèles empiriques, dont le
MÉDAF, le modèle à trois facteurs de Fama et French et le modèle de Carhart (1997).
Selon cette étude, le modèle tenant compte du facteur de momentum (Carhart) est le plus
pertinent. Plusieurs d‘autres études ont souligné la significativité du rendement historique
exprimé par l‘effet du retournement de la tendance (overreaction) et l‘effet du renforcement
de la tendance (momentum). Entre autres nous citons les études de Zoghlami (2011), Trabelsi
(2008) et Dhouib et Abaoub (2007).
Dans ce même cadre, Bergaoui (2013) a souligné l‘imporatance de tenir compte des
facteurs fondamentaux (la taille et la valeur de l‘entreprise) dans les stratégies
d‘investissement sur le marché boursier tunisien.
S‘agissant des variables macroéconomiques, Ben Naceur et Ghazouani (2007) ont conclu
que les rendements boursiers dans la région MENA sont négativement corrélés avec la
variation du taux d‘inflation. Du moins, les coefficients négatifs n‘affectent pas
significativement la performance des marchés boursiers étudiés dont le marché tunisien. Ceci
confirme les résultats de Cherif et Gazdar (2010). Toutefois, Cherif et Gazdar (2010) ont
déterminé cinq facteurs macroéconomiques significatifs affectant la région MENA, soit le
taux de rémunération de l‘épargne, le développement des instituts financières, la liquidité du
marché boursier, le taux d‘intérêt et le niveau des revenus.
Hammami et Jilani (2011) ont mis en question les résultats avancés par Chaibi et Ben
Naceur (2009) en argumentant qu‘un modèle multifactoriel qui intègre des facteurs
macroéconomiques, notamment la structure à terme du taux d‘intérêt, le taux de croissance
38
Chapitre III : La littérature dans le contexte tunisien 39
des crédits accordés par les banques privées et l‘indice mensuel des prix des ventes familiales,
surperforme les autres modèles étudiés.
Somme toute, les facteurs explicatifs des rendements boursiers tunisiens soulignés dans
ces études regroupent les facteurs fondamentaux et les facteurs macroéconomiques. Nous
trouvons notamment parmi les facteurs fondamentaux disposant d‘un pouvoir explicatif
significatif sur le marché boursier tunisien : la taille de l‘entreprise, sa valeur comptable et son
rendement historique. S‘agissant des facteurs macroéconomiques, la structure à terme des taux
d‘intérêts, le taux de croissance mensuel des crédits accordés par les banques privées et le
taux de croissance mensuel de l‘indice des prix des ventes familiales disposent de la capacité
significative la plus élevée. L‘étude empirique de ce travail vise à investiguer la significativité
de ces variables sur une période actualisée allant de Juillet-2012 à Décembre 2013.
39
La deuxième partie : Étude empirique 40
Dans la partie précédente, nous nous sommes penchés sur les fondements théoriques des
modèles de valorisation des actifs financiers et la littérature scientifique développée dans le
contexte national et international.
Dans cette partie, nous espérons arriver à une compréhension plus complète sur les
facteurs explicatifs des rendements boursiers tunisiens en examinant de façon empirique la
validité des modèles susvisés appliqués à des actions cotées à la Bourse des Valeurs
Mobilières de Tunis (BVMT).
Le premier chapitre de cette partie sera consacré à l‘identification des données employées
dans le cadre de cette étude et la méthodologie adoptée pour réaliser les tests empiriques.
Ainsi, une description détaillée de l‘échantillon et la procédure de construction des variables
dépendantes et indépendantes, accompagnée d‘une explication de la démarche des tests
empiriques, fait l‘objet de ce chapitre.
40
Chapitre I : Données et Méthodologie 41
Les trois sections faisant l‘objet de ce chapitre s‘articulent autour la présentation des
données et la méthodologie des tests empirique. La première section décrira l‘échantillon, la
deuxième section développera les méthodes de construction des variables et la troisième
section expliquera la méthodologie.
1) Description de l’échantillon :
Notre étude empirique porte sur le marché boursier tunisien, pour la période allant de
Juillet 1999 à Décembre 2012 en données mensuelles. Le choix du mois de départ de Juillet et
non pas le début de l‘année est motivé par la méthodologie de construction des variables
dépendantes et indépendantes dont on présentera plus des détails dans la section suivante.
S‘agissant du rendement du marché, l‘indice boursier Tunindex est opté pour représenter le
portefeuille du marché.
Le taux sans risque, tout au long de cette étude, est approximé par le taux de rémunération
de l‘épargne (TRE). Étant donné que ce dernier est un taux annuel, le taux mensuel est déduit
selon la formule suivante pour qu‘il soit en cohérence avec les rendements mensuels de
l‘échantillon :
41
Chapitre I : Données et Méthodologie 42
Notons que la majorité des études emploient le taux de rendement des bons de trésor à
court terme comme proxy du taux sans risque. Néanmoins, dans le contexte tunisien ces
données ne sont pas disponibles sur la totalité de la période étudiée (1999-2012). De plus, le
rendement des bons de trésor à court terme en Tunisie a été très volatil durant cette période et
assez élevé pour représenter un taux sans risque. En conséquence de cette volatilité, la prime
du risque de marché, qu‘on attend qu‘elle soit positive, devient négative ou très faible laissant
sous-entendre que les investisseurs ne sont pas averses au risque (irrationnels) dans le
contexte tunisien. Pour pallier ce problème il est plus approprié d'utiliser le taux de
rémunération de l'épargne, un vrai actif sans risque garanti par l'État et relativement volatil.
Les données relatives aux actions sont collectées de la base des données de la BVMT.
D‘autres bases des données ont servi à collecter les données macroéconomiques. Il s‘agit
notamment de la base de l‘Institut National de la Statistique (INS) et la Banque Centrale de
Tunisie (BCT).
Les variables dépendantes à employer dans le cadre de cette étude sont les rendements de
23 portefeuilles d‘actions formés sur la base de quatre critères différents : 7 portefeuilles
construits selon le niveau du risque systématique de chaque action pendant deux années
antérieures, 4 portefeuilles formés selon le croisement des critères taille et Book-to-market, 4
portefeuilles formés selon le croisement des critères taille et momentum (rendement
historique), 4 portefeuilles formés selon le croisement des critères taille et le ratio earning-to-
price et 4 portefeuilles formés selon le croisement de la taille avec le ratio dividend-yield.
Dans le cadre de la littérature tunisienne, il est d‘usage d‘effectuer les tests empiriques sur
les rendements des actions individuelles, toutefois cette méthode est abandonnée en faveur de
l‘emploie des actions groupés dans des portefeuilles selon certains critères. Parmi les raisons
justifiant le recours à la méthode de portefeuilles, on trouve:
- « Cochrane (2001), Fama et French (1993) et Merton (1980) soulignent que les
rendements des actions individuelles sont tellement volatils qu‘il est difficile de rejeter
l‘hypothèse que les rendements moyens des actions sont statistiquement différents de
42
Chapitre I : Données et Méthodologie 43
À ce niveau, on tient à préciser que la logique suivie dans cette étude pour former les 23
portefeuilles est inspirée de travaux de Hammami et Jilani (2011). En effet, ils ont proposé
comme variables dépendantes, 20 portefeuilles construits sur la base des 5 critères suivants (4
portefeuilles pour chaque critère) : la taille, le ratio Book-to-Market, le Momentum, le ratio
Earning-to-price et le ratio Dividend-to-price. En essayant de s‘adapter à leur proposition,
nous avons construit les 23 portefeuilles selon les critères susmentionnés dans le premier
paragraphe. Ainsi, les différences par rapport à Hammami et Jilani (2011) au niveau de la
construction des portefeuilles résident dans l‘introduction d‘un critère supplémentaire, à
savoir le niveau du risque systématique approximé par le coefficient beta estimé sur la base de
deux années antérieures et l‘emploie du croisement entre les différents critères afin de garantir
la diversification au sein des portefeuilles.
Une explication plus détaillée sur la démarche qu‘on a adoptée pour obtenir les séries
chronologiques des rendements de chacun des variables à expliquer, est présentée dans ce qui
suit.
La méthodologie suivie pendant la formation des portefeuilles Beta est adaptée à celle
employée par Black, Jenson et Scholes (1972) et Fama et Macbeth (1973). Cependant, nous
avons mené quelques modifications sur la procédure de construction des portefeuilles afin de
tenir compte de la spécificité du marché boursier tunisien en ce qui concerne le nombre faible
des actions et la période courte d‘observation.
S‘agissant de Black, Jenson et Scholes (1972), ils ont réparti pour chaque année durant la
période allant de Janvier 1931 à Mars 1966, soit 35 ans, les rendements mensuels des actions
1
Yacine Hammami, ‗‘ LES FACTEURS EXPLICATIFS DES RENDEMENTS BOURSIERS EN TUNISIE :
ANALYSE PAR LES MODELES MULTIFACTEURS‘‘, p.153, Thèse de doctorat en sciences de gestion, 2008.
2
Ibid, p.153
43
Chapitre I : Données et Méthodologie 44
cotées à NYSE 1 sur 10 groupes arrangés par ordre décroissant selon les valeurs des
coefficients du risque systématique Beta estimées sur la base de cinq dernières années. De ce
fait, les actions figurants dans le premier portefeuille, pour l‘année 1931 par exemple, sont les
10% du total des actions ayant les coefficients Betas les plus élevés estimés durant la période
de Janvier 1926 à Janvier 1931.
Quant à Fama et Macbeth (1973), ils ont choisi le nombre de 20 portefeuilles au lieu de
10 en suivant la même procédure de construction que celle de Black, Jenson et Scholes
(1972).
Dans le cadre de cette étude, au début de chaque année, pour la période allant de Janvier
2001 à Décembre 2012, on détermine le coefficient Beta pour chaque action, estimé sur la
base de 24 mois antérieurs par la régression du rendement historique de l‘action i durant cette
période sur le rendement de marché. Par la suite, les actions seront arrangées par ordre
croissant selon la valeur estimée de leurs Betas. Les actions ayant les Betas les plus faibles
sont regroupées dans le premier portefeuille, celles ayant les Betas les moins faibles
constituent le deuxième portefeuille et ainsi de suite jusqu‘à atteindre le septième portefeuille
dont on trouve les actions détenant les Betas les plus élevés.
Par conséquent, au début de chaque année, une action pour qu‘elle soit incluse dans l‘un
des 7 portefeuilles, elle doit posséder d‘un historique des cotations sur les 24 mois antérieurs
et les 12 mois de l‘année de classement.
La répartition du nombre des actions sur les 7 portefeuilles se fait de telle sorte que les
portefeuilles à l‘extrémité (les 7eme et 1er portefeuilles, les 6eme et 2eme portefeuilles, les
5eme et 3eme portefeuilles) soient symétries en nombre d‘actions par rapport au portefeuille
central (4eme portefeuille). Cette logique est inspirée de Fama et Macbeth (1973).
Enfin, les sept variables dépendantes, construites selon le critère Beta, sont les rendements
excédentaires par rapport au taux sans risque (dans notre étude c‘est le taux de rémunération
de l‘épargne TRE) des 7 portefeuilles durant la période 2001-2012.
Le tableau 6 présente un résumé du nombre total des actions obéissant aux conditions de
la construction ainsi que leurs répartitions dans les portefeuilles Beta pendant chaque année.
1
New York Stock Exchange
44
Chapitre I : Données et Méthodologie 45
Tableau 6 : Résumé du nombre des entreprises cotées réparties sur les 7 portefeuilles Beta.
Une action pour qu‘elle soit incluse dans l‘échantillon doit disposer d‘un historique des cotations sur
les 24 mois antérieurs et les 12 mois de l‘année de classement. En se basant sur la valeur de leurs
risques systématiques sur les deux dernières années, les actions ont été réparties sur sept portefeuilles
arrangés par ordre croissant.
45
Chapitre I : Données et Méthodologie 46
Tableau A1: Analyse de corrélation des secteurs boursiers avec les sept portefeuilles Beta.
1-LOW 2- 3- 4- 5- 6- 7-HIGH
BETA BETA BETA BETA BETA BETA BETA
Banques 0.23 0.47 0.49 0.50 0.65 0.54 0.57
Services Financiers 0.30 0.51 0.60 0.56 0.44 0.59 0.58
Assurance 0.17 0.39 0.28 0.30 0.35 0.32 0.31
Télécommunications 0.24 0.32 0.30 0.35 0.30 0.34 0.68
Distribution 0.24 0.27 0.22 0.47 0.29 0.46 0.49
Voyages et loisirs 0.40 0.45 0.20 0.40 0.18 0.27 0.26
Santé 0.10 0.21 0.19 0.22 0.22 0.30 0.48
Automobiles et Equips 0.35 0.29 0.30 0.45 0.19 0.25 0.48
Agro-alimentaire et Boiss 0.45 0.29 0.35 0.47 0.26 0.58 0.60
Prdts méngers _soins pers 0.10 0.25 0.47 0.26 0.17 0.30 0.51
Bâtiment_Matériaux_Constructio
0.31 0.34 0.32 0.37 0.13 0.24 0.27
n
Biens et Services Industriels 0.06 0.19 0.12 0.16 0.10 0.14 0.30
Chimie 0.41 0.25 0.10 0.27 0.16 0.06 0.20
Matières premières 0.05 0.43 0.40 0.40 0.50 0.50 0.40
Pétrole et Gaz 0.13 0.25 0.25 0.21 0.21 0.27 0.43
Cette étude réunit les deux méthodes de ces deux articles en maintenant la stratégie de
croisement de Fama et French (1993) dans le but de diversifier les portefeuilles et en
choisissant 5 critères différents comme Hammami et Jilani (2011) ont proposé.
Là, on tient à expliquer le croisement de deux premiers critères : la taille et le ratio Book-
to-market.
46
Chapitre I : Données et Méthodologie 47
La taille d‘une entreprise cotée est approximée par sa capitalisation boursière à la fin du
mois de Juin de l‘année t. Son ratio Book-to-market est sa valeur comptable des fonds
propres divisée par la valeur de marché des fonds propres pendant le mois de Décembre de
l‘année t-1. Ces données sont extraites de la base des données de la BVMT.
De fait que l‘information comptable prend un délai pour qu‘elle soit publiée et reçue par
les investisseur, un intervalle de 6 mois est pris en compte séparant les données facilement
recevables (dans ce cas la capitalisation boursière) de données comptables (le ratio book-to-
market).
Pratiquement, nous avons procédé comme suit afin d‘obtenir les 4 portefeuilles
Taille/Book-to-market :
À la fin du mois de Juin de chaque année, durant la période de 1999-2012, on arrange les
entreprises cotées selon leurs capitalisations boursières (CB). Les entreprises possédant une
CB au-dessus de la médiane sont considérées comme des grandes entreprises (Big) et celles
ayant une CB au-dessous de la médiane sont classées comme des petites entreprises (Small).
Après avoir affecté chacune des entreprises cotées à l‘un des groupes Small ou Big et Low
ou High, nous construisons les 4 portefeuilles en faisant les croisements suivants : Small/Low,
Big/Low, Small/High et Big/High.
Ainsi, le premier portefeuille regroupe les actions caractérisées par une CB inferieure à la
médiane et un ratio B/M inferieur à la médiane, le deuxième portefeuille contient les actions
avec des CB supérieures à la médiane et des ratios B/M inferieurs à la médiane et ainsi de
suite.
Enfin, on détermine les rendements mensuels excédentaires par rapport au taux sans risque
(TRE) de chaque portefeuille durant les 12 mois allant de Juillet de l‘année t au Juin de
l‘année t+1. Le rendement d‘un portefeuille pour un mois donné est la moyenne des
rendements des actions le constituant.
Les variables dépendantes sont les rendements mensuels excédentaires des 4 portefeuilles
Taille/Book-to-market, sur la période allant de Juillet-1999 à Juin-2012.
47
Chapitre I : Données et Méthodologie 48
Cette méthodologie exige un certain nombre des conditions pour qu‘une action soit
incluse dans l‘un des 4 portefeuilles. En effet, l‘entreprise cotée doit disposer d‘un ratio B/M
positif au mois de Décembre de l‘année t-1 et d‘une capitalisation boursière disponible à la fin
de Juin de l‘année t. Néanmoins, sa cotation durant toute la période de Juillet de l‘année t à
Juin de l‘année t+1, n‘est pas obligatoire. Par contre, une société nouvellement introduite en
bourse et ne disposant pas d‘un ratio B/M à la fin de t-1 ou d‘une CB à la fin de Juin de
l‘année t sera écartée de l‘échantillon durant la période de Juillet – année t à Juin – année t+1.
En premier lieu, nous constatons une forte corrélation positive entre le secteur bancaire et
les entreprises de grandes tailles, à savoir les entreprises « Big-LowB/M » et les entreprises
«Big-HighB/M ». Ceci nous éclaircit sur la nature des entreprises à grandes capitalisations
boursières sur le marché tunisien qui sont représentées principalement par des banques.
Le secteur des « services financiers » montre des coefficients de corrélation qui varient
entre 56% et 61% avec les quatre portefeuilles, ce qui révèle la présence des entreprises des
différents types dans ce secteur.
48
Chapitre I : Données et Méthodologie 49
Nous avons retenu dans le cadre de cette étude le rendement cumulatif de six derniers
mois comme un proxy du rendement historique de l‘action (Le Momentum). De plus, on tient
à préciser qu‘une action ne soit affectée à l‘un des quatre portefeuilles, pendant un mois
donné, que si elle dispose d‘un momentum et d‘une CB.
À titre d‘exemple, le premier portefeuille est constitué des petites entreprises (CB >
médiane) ayant un momentum faible (momentum > médiane), le deuxième contient les
petites entreprises (CB > médiane) ayant un momentum élevé (mementum < médiane) et ainsi
de suite.
49
Chapitre I : Données et Méthodologie 50
Les variables dépendantes sont les rendements mensuels excédentaires par rapport au taux
sans risque (TRE) de chacun des 4 portefeuilles.
Le secteur des « matières premières » présente une corrélation positive de 67% avec les
rendements des portefeuilles des grandes entreprises gagnantes sur les six derniers mois. Ceci
témoigne qu‘en général les entreprises qui composent ce secteur gardent les mêmes tendances
haussières dans le futur.
50
Chapitre I : Données et Méthodologie 51
Les 4 portefeuilles Taille/EPR sont construits dans le même esprit que les portefeuilles
Taille/Book-to-market.
Le ratio earning-to-price (le bénéfice divisé par le cours de l‘action) est extrait de la
base des données de la BVMT en déterminant l‘inverse de PER. Ainsi, les actions n‘ayant pas
un PER pour le mois de Décembre de l‘année t-1 ou une CB pour le mois de Juin de l‘année t
seront exclues de l‘échantillon durant la période de Juillet de l‘année t à Juin de l‘année t+1.
La forte corrélation positive de 85% entre les rendements excédentaires des banques et les
grandes entreprises ayant un ratio EPR élevé suggère que le bénéfice net par action rapporté
au cours de l‘action des grandes banques est en général plus élevé que les bénéfices nets des
petites banques rapporté au cours de leurs actions, ce qui met en valeur la performance des
grandes banques en faveurs des petites banques. En revanche, la forte corrélation de 71%
51
Chapitre I : Données et Méthodologie 52
entre le secteur des « services financiers » et les entreprises de type « Small-High EPR » stipule
que les petites entreprises du secteur enregistrent les bénéfices par action les plus élevés
rapportés au cours de leurs actions et ainsi elles surperforment les grandes entreprises du
même secteur.
La démarche à suivre pour former ces 4 portefeuilles est celle décrite dans le cadre du
croisement Taille/Book-to-market.
Le ratio dividend-yield (le dividende annuel de l‘action divisé par le cours de l‘action)
est obtenu auprès de la base des données de la BVMT.
52
Chapitre I : Données et Méthodologie 53
Les variables indépendantes employées dans le cadre de cette étude se devisent en deux
grandes catégories : Les variables fondamentales et les variables macroéconomiques.
À l‘égard des variables fondamentales, quatre portefeuilles mimiques ont été construit. Il
s‘agit du portefeuille SMB représentant les rendements des entreprises de petite taille (Small)
diminués des rendements des entreprises des grandes tailles (Big), le portefeuille HML
désignant les rendements des entreprises ayant un ratio B/M élevé (High) diminués des
rendements des entreprises ayant un ratio B/M faible (Low), le portefeuille WML conçu pour
tracer les rendements des entreprises ayant un momentum élevé (Winners) moins les
rendements des entreprises ayant un momentum faible et le portefeuille IMV représentant les
rendements des action non liquides (Illiquid) moins les rendements des actions très liquides
(Very Liquid).
53
Chapitre I : Données et Méthodologie 54
actions dont les rendements sont utilisés pour représenter les facteurs ayant des réalisations
qui ne sont pas des rendements (Les facteurs macroéconomique par exemple) ou les facteurs
non observables et relatifs aux caractéristiques de l‘entreprise (notre cas des facteurs
fondamentaux).
Quant à les variables macroéconomiques, nous avons choisi d‘étudier l‘effet des facteurs
suivant sur le rendement boursier tunisien :
On s‘intéresse à détailler la méthode de construction de ces variables dans les deux sous-
sections suivantes.
La procédure qu‘on a adoptée semble à celle expliquée dans le cadre de la constitution des
variables dépendantes. En effet, la méthode de Fama et French (1993), adaptée à la spécificité
du marché boursier tunisien, est appliquée.
Dans un premier lieu, nous avons classé, à la fin du Juin de chaque année de la période
1999-2012, les entreprises cotées à la BVMT et ayant une CB à la fin du Juin de l‘année
courante et un ratio B/M positif à la fin de Décembre de l‘année précédente, en deux groupes
(Small et Big) selon leurs CB et en deux groupes (High et Low) selon la valeur de leurs ratios
B/M. La médiane est utilisée pour séparer les deux classes.
Par la suite, nous avons fait les intersections suivantes : Small/Low, Small/High, Big/Low
et Big/High. Ainsi, Small/Low c‘est l‘ensemble des petites entreprises à faible ratio B/M,
Big/High sont les grandes entreprises ayant un ratio B/M élevé et ainsi de suite.
54
Chapitre I : Données et Méthodologie 55
De même, la variable HML est obtenue en soustrayant le rendement moyen des groupes
d‘entreprises ayant des ratios B/M faibles (Small/Low et Big/Low) du rendement moyen des
groupes composés des entreprises avec des ratios B/M élevés (Small/High et Big/High) :
S‘agissant de la variable WML conçu pour souligner l‘effet momentum (le rendement
historique), nous avons suivi la même démarche précédente sauf que la reconstruction des
portefeuilles mimiques se fait chaque mois et non pas uniquement à la fin de Juin de chaque
année.
55
Chapitre I : Données et Méthodologie 56
fait, quatre groupes d‘actions ont été formés, à savoir le groupe des petites entreprises non
liquides (Small/Illiquid), les petites entreprises très liquides (Small/ VeryLiquid), les grandes
entreprises non liquides (Big/Illiquid) et les grandes entreprises très liquides
(Big/VeryLiquid).
Le ratio turnover est conçu pour capturer la liquidité des actions. Elle est déterminée selon
la formule suivante :
Dans un premier temps, nous avons calculé les valeurs journalières de ce ratio pour
chacune des actions cotées durant la période de Juillet-1999 à Décembre-2012. Ensuite, nous
avons déterminé le ratio mensuel en réalisant la moyenne des valeurs journalières pour chaque
mois. Ainsi, une action ayant un ratio turnover élevé (supérieur à la médiane) est considérée
très liquide. À l‘inverse, une action possédant un ratio faible (inferieur à la médiane) est
considérée non liquide.
IMV est obtenue en soustrayant le rendement moyen des entreprises non liquides
(Small/Illiquid et Big/Illiquid) du rendement moyen des entreprises très liquides
(Big/VeryLiquid et Small/ VeryLiquid) :
En s‘alignant avec les études de Chen, Roll et Ross (1986), ainsi que Hammami1 (2008)
et Hammami et Jilani (2011), nous avons construit les variables macroéconomiques destinées
aux tests empiriques des modèles macroéconomiques dans le cadre de cette étude.
1
Yacine Hammami, ‗‘ LES FACTEURS EXPLICATIFS DES RENDEMENTS BOURSIERS EN TUNISIE :
ANALYSE PAR LES MODELES MULTIFACTEURS‘‘, Thèse de doctorat en sciences de gestion, 2008, 343p.
56
Chapitre I : Données et Méthodologie 57
L‘indice de la production industrielle (IPI) est disponible dans la base des données de
l‘Institut National de la Statistique (INS). Dans notre étude, les données collectées sont de
base 100 en 2000.
Concernant la structure à terme des taux d‘intérêts (TERM), Chen, Roll et Ross (1986)
ont utilisé les rendements des bons du Trésor à long terme diminués des rendements des bons
du Trésor à court terme. Dans le cadre tunisien, les taux moyens pondérés des adjudications
des bons du Trésor à court terme (13 semaines et 52 semaines) ne sont pas disponibles sur
toute la période d‘observation 1999-2012. Ainsi, à l‘instar de Hammami et Jilani (2011) nous
avons employé le taux de rémunération de l‘épargne (TRE) au lieu des taux de rendement des
bons du Trésor à court terme. La formule employée dans ce cadre est celle proposée par Chen,
Roll et Ross (1986), à savoir :
57
Chapitre I : Données et Méthodologie 58
Où est le taux moyens pondérés mensuel des adjudications des bons du Trésor à 10
ans extrait du bulletin des statistiques financières de la banque centrale de Tunisie.
En ce qui concerne le taux d‘inflation (INF), il n‘est pas possible de collecter les données
mensuelles. Ainsi, nous avons employé le même proxy de Chen, Roll et Ross (1986)
désignant le taux d‘inflation comme étant la différence première du log de l‘Indice des Prix à
la Consommation familiale (IPC) :
Dans le même cadre, nous avons déterminé le taux d‘intérêt réel du marché monétaire
(TMMR) comme étant :
Où est le taux du marché monétaire au mois t collectée des Bulletins des Statistiques
Financiers de la Banque Centrale de Tunisie sur la période 1999-2012.
L‘utilisation du TMM afin d‘approximer le taux d‘intérêt réel est motivée par son emploie
par les instituts financiers comme un taux de référence.
Nous avons opté aux calculs des taux de croissance des variables suivantes en employant
les formules accompagnées:
Où est l‘Indice des Prix de Vente Industriels au mois t obtenu de la base des
données de l‘INS.
58
Chapitre I : Données et Méthodologie 59
Où est le niveau de la monnaie centrale au mois t collecté des Bulletins des Statistiques
Financiers de la Banque Centrale de Tunisie.
- TCMCBE : Taux de croissance mensuel des crédits accordés par les banques à
l‘économie.
Où est la somme des crédits accordés à l‘économie par les banques pour le mois t obtenue
de la base des données de la Banque Centrale de Tunisie.
Où est le taux de change USD/TND au mois t obtenu de la base des données de l‘INS.
Les données sont extraites des Bulletins des Statistiques Financiers de la Banque Centrale de
Tunisie.
59
Chapitre I : Données et Méthodologie 60
Période
Nom Désignation Formule Source
Couverte
la variation mensuelle de la
MRKLIQ BCT 1999/2012
liquidité du marché boursier.
La méthodologie à implémenter dans le cadre des tests empiriques est inspirée de Fama et
Macbeth (1973). Ainsi, on s‘intéresse à étudier la capacité explicative des modèles des
rendements boursiers dans le temps et dans l‘espace.
60
Chapitre I : Données et Méthodologie 61
En second lieu, notre but consiste à distinguer les facteurs responsables de la variabilité
des rendements boursiers entre les différents portefeuilles. Dans ce cadre, une régression en
coupe transversale est faite pendant chacun des mois de la période d‘observation. La
procédure est comme suit :
- Par la suite, nous faisons la régression transversale sur les ̂ (variables indépendantes)
à chacun des mois de la sous-période afin d‘estimer la prime du risque de chaque
facteur, à savoir 27 estimations (au nombre des mois de la sous-période) pour chaque
prime de risque pendant chacune des sous-périodes.
̂ ̂ ̂ ̂
61
Chapitre I : Données et Méthodologie 62
- Enfin, la performance du modèle étudié est mesurée par la significativité de son terme
constant qui doit être, par hypothèse, égal à zéro. Cela est fait en utilisant l‘intervalle
de confiance au seuil de 5%. Le coefficient de détermination est aussi employé pour
évaluer le modèle, ainsi que la portion des primes positives et leurs signes supposés
être strictement positifs.
En se référant aux études faites dans le contexte national et international, nous avons
constaté la division de la période d‘observation en sous-périodes de 5 ans comme c‘est le
cas de Fama et Macbeth (1973), d‘autres travaux ont utilisé pour la deuxième phase
concernant la régression transversale les mêmes ̂ estimés par la régression temporelle
sur toute la période (Hammami et Jilani (2011)). Dans notre étude, l‘emploie des 6 sous
périodes de 27 mois est motivé d‘une part par la courte période d‘observation, ainsi il
n‘est pas convenable de se recourir aux longues sous-périodes comme c‘est le cas de Fama
et Macbeth (1973). D‘autre part, l‘utilisation des mêmes coefficients Fama et Macbeth
(1973), estimés sur l‘intégralité de la période, comme des variables explicatives dans les
régressions transversales répliquées chaque mois se fonde sur l‘hypothèse implicite
stipulant que les ̂ sont constants durant toute la période, alors que ce n‘est pas le cas. De
plus, le recours aux sous-périodes à la place de toute la période reflète la robustesse du
modèle.
62
Chapitre II : Les résultats des tests empiriques 63
Ce chapitre exposera les résultats empiriques des différents modèles. La première section
sera consacrée pour étudier le MÉDAF dans le contexte tunisien. La deuxième section
développera les résultats empiriques des modèles fondamentaux. La dernière section
s‘occupera des modèles macroéconomiques.
Nous présenterons dans le cadre de cette section les résultats des tests empiriques du
MÉDAF dans le contexte tunisien. Pour y parvenir, nous avons réalisé des régressions
temporelles dans le but d‘analyser la significativité des coefficients de sensibilité du risque de
marché, ainsi que des régressions transversales afin d‘étudier la prime du risque de marché. À
cet égard, la section se compose de deux sous-sections consacrées pour les régressions
temporelles et transversales.
63
Le MÉDAF dans le contexte tunisien 64
Une première implication du MÉDAF, justifiée par les résultats empiriques dans le
tableau 8 montre que les constantes dans les sept régressions ne sont pas significativement
différentes de zéro au seuil du 5%. De même, les coefficients de sensibilité du risque de
marché ̂ sont tous significatifs au seuil de 5%. Ceci souligne l‘importance du pouvoir
explicatif du MÉDAF dans le contexte tunisien. Néanmoins, le coefficient de détermination
est assez faible. En effet, en moyenne le modèle parvient à expliquer seulement 22.3% de
l‘évolution des rendements boursiers tunisiens dans le temps.
Les résultats du tableau 9 soulignent le non significativité du terme constant dans les 16
régressions sauf pour 4 portefeuilles. De même, les coefficients de sensibilité ̂ sont tous
significatifs au seuil de 1% et compris entre 0 et 1. Les coefficients de détermination ajustés,
en moyenne, sont à l‘ordre de 35.5%. Ainsi, le modèle offre des résultats similaires, voir
meilleurs que le premier cas. Ce qui confirme la capacité explicative élevée du facteur du
risque systématique de marché.
Toutefois, malgré cette capacité explicative élevée, il reste encore une part importante,
dépassant le deux tiers de la variabilité chronologique des rendements boursiers tunisiens, non
expliquée par le MÉDAF. En effet, nous remarquons que le coefficient de détermination
ajusté est nettement plus faible dans le cas des petites entreprises comparées aux grandes
entreprises, comme le montre le tableau 9, ce qui nous renseigne sur le rôle de la taille de
l‘entreprise, ignoré par le MÉDAF, dans la détermination du rendement boursier. De même,
nous remarquons que le coefficient de détermination des portefeuilles à faible B/M, Dividend-
Yield, Earning-to-price ratios et momentum sont souvent plus faibles à ceux de grandes
valeurs. Ainsi, on constate que la valeur comptable de l‘entreprise et son rendement
historique, qui ne sont pas tenus en compte par le MÉDAF, peuvent être des facteurs
déterminants des rendements boursiers tunisiens. Ce qui met en cause la validité du MÉDAF
dans le contexte tunisien.
65
Tableau 9: Ce tableau expose le terme constant ̂ et le coefficient du risque de marché ̂ ainsi que le coefficient de détermination et les critères d‘information
d‘Akaike (AIC) et Bayésien (BIC) de chacune des 20 régressions du MÉDAF pour 16 portefeuilles construits sur la base des 5 croisements 2x2 des critères Taille/Book-to-
market, Taille/Momentum, Taille/EPR et Taille/Dividend-Yield.
La significativité des coefficients est désignée par :
*** : Significatif au seuil de 1%
** : Significatif au seuil de 5%
*: Significatif au seuil de 10%
16 portefeuilles formés sur la base de 5 croisements différents.
Avec le critère
Croisement de critère Taille Avec le critère BM Avec le critère EPR Avec le critère Div Yield
Momentum Moyenne
Low High Losers Winners Low High Low High
.0017 .0032 -.0021 4.10E-04 -.0036 .0071** .005 .0025 0.0017
Small
0
̂
-.0052* -.0035 -.0013 0 -.0017 -.0043* -.0078** -7.70E-04 -0.003
Big
.66*** .55*** .56*** .57*** .29*** .83*** .59*** .56*** 0.57
Small
̂ 0.72
.82*** .91*** .8*** .97*** .89*** .85*** .83*** .88*** 0.86
Big
.23 .22 .15 .2 .04 .35 .15 .27 0.20
Small
0.355
.45 .6 .4 .56 .46 .58 .43 .59 0.50
Big
-514 -561 -498 -547 -480 -535 -469 -599 -525
Small
AIC -576
-601 -664 -602 -641 -583 -669 -585 -669 -626.75
Big
-508 -555 -491 -541 -474 -529 -463 -593 -519.25
Small
BIC -570
-595 -658 -596 -634 -577 -662 -579 -663 -620.5
Big
66
Le MÉDAF dans le contexte tunisien 67
- Par la suite, on s‘intéresse à réaliser les régressions transversales pour chacun des 27
mois de chaque sous période, soit 162 régressions transversales ont été réalisées. Les
variables dépendantes sont les rendements excédentaires de nos 23 portefeuilles et les
variables indépendantes sont les coefficients ̂ issus de la première étape. Le modèle à
employer est le suivant :
Où est le rendement en excès du portefeuille p par rapport au taux sans risque, est
une constante, est la prime du risque de marché à estimer et ̂ c‘est le coefficient de
sensibilité du portefeuille p.
Les implications du MÉDAF stipulent que le risque de marché est le seul facteur
explicatif de la variation des rendements boursiers entre les différentes actions. Autrement
dit, le terme constant ne doit pas être significatif. Ainsi, notre premier test consiste à
étudier la significativité de la constante . En se reportant aux résultats délivrés par le test
67
Le MÉDAF dans le contexte tunisien 68
68
Tableau 10: Sont exposés dans ce tableau les résultats de la régression transversale du MÉDAF. ̅ ̂ représente la moyenne des termes constants sur chacune
̅̅̅
des six sous-périodes et ̂ est son écart type. ̂ est la prime moyenne du risque de marché et ̂ est son écart-type. Les intervalles de confiances au seuil
de 5% sont obtenus après avoir arranger les valeurs estimées sur les six sous-périodes par ordre croissant et la suppression de 2.5% du nombre des
observations de chacune de deux extrémités. La significativité des estimateurs est données par la portion significative parmi l‘ensemble des estimations. La
pertinence du modèle ainsi que la validité de ses hypothèse sont tirés du coefficient de détermination ajusté moyen ̅̅̅̅̅̅ et de la portion des primes négatives.
Juil-99/Sep-01 Oct-01/Déc-03 Janv-04/Mars-06 Avr-06/Jui08 Juil-08/Sep-10 Oct-10/Déc-12 Moyenne
̅
̂ -0.0081 -0.011 0.0169 0.0005 0.0200 0.0139 0.0052
̂ 0.0155 0.0142 0.0124 0.0161 0.0206 0.0256 0.0166
Portion des ̂ significatifs à
9/27 14/27 13/27 7/27 20/27 13/27 76/162
10%
Portion des ̂ négatifs 21/27 21/27 11/27 10/27 11/27 10/27 84/162
IC de ̂ à 5% sur la période
[-0.0776; -0.0692; -0.0666; … ; -0.0004; 0.0000; 0.0002; 0.0004; … ; 0.0939; 0.1107; 0.1148]
totale
̅̅̅
̂ 0.0122 0.0065 -0.0043 0.0102 -0.0026 -0.027 0.0008
̂ 0.0212 0.0169 0.0177 0.0191 0.0290 0.0328 0.0227
Portion des ̂ significatifs à
13/27 12/27 20/27 11/27 20/27 14/27 90/162
10%
Portion des ̂ négatifs 11/27 15/27 12/27 11/27 14/27 19/27 82/162
IC de ̂ à 5% sur la période
[-0.1301273 ; -0.1242 ; -0.1142; … ; -0.0003 ; 0.0000 ; 0.0011; … ; 0.1209 ; 0.1248 ; 0.1294 ; 0.1298]
totale
̅̅̅̅̅̅ 0.1560 0.1722 0.17 0.1122 0.1980 0.17 0.1630
69
Le MÉDAF dans le contexte tunisien 70
sept.-04
janv.-03
août-00
août-11
févr.-04
déc.-09
oct.-10
avr.-06
avr.-07
juin-05
juin-01
juin-02
juin-12
mai-08
0.0000
-0.0200
-0.0400
-0.0600 La prime estmée par le
-0.0800 médaf
-0.1000
-0.1200
-0.1400
-0.1600
-0.1800
août-12
févr.-01
nov.-99
nov.-02
déc.-04
déc.-08
oct.-01
oct.-10
juin-04
mai-02
mai-03
mai-11
0.00%
-2.00%
-4.00%
La prime réalisée =
-6.00% rendement de Tunindex
moins le TRE.
-8.00%
-10.00%
-12.00%
-14.00%
-16.00%
70
Le MÉDAF dans le contexte tunisien 71
0.1400
0.1200
0.1000
0.0800
0.0600
La constante Alpha
0.0400
0.0200
0.0000
May-00
May-03
Aug-05
May-06
May-09
May-12
Aug-99
Aug-02
Aug-08
Aug-11
Nov-01
Nov-04
Nov-07
Mar-12 Nov-10
Feb-01
Feb-04
Feb-07
Feb-10
-0.0200
May-01
May-06
May-11
Mar-02
Mar-07
Nov-03
Nov-08
Sep-99
Sep-04
Sep-09
Jan-03
Jan-08
Jul-00
Jul-05
Jul-10
0.0000
-0.0200
-0.0400
-0.0600
-0.0800
-0.1000 La prime négative
-0.1200
-0.1400
-0.1600
-0.1800 l'évolution de la a prime(valeurs négatives)
71
Le MÉDAF dans le contexte tunisien 72
est baissière, voir négative. En effet, lorsque les primes du risque de marché sont
négatives, le terme constant se réagit inversement avec des valeurs positives.
Autrement dit, dans le cas de primes négatives, les rendements espérés par le modèle sont
inférieurs aux rendements réalisés des portefeuilles, c‘est qui fait que le terme constant
devient positif afin d‘assurer l‘égalité entre les termes à droite et les termes à gauche. Le
même comportement se reproduit dans le cas contraire des primes positives. En effet, le
modèle tend à surévaluer les titres lorsque la tendance de marché est haussière. Ce qui remet
en cause la validité et la pertinence du MÉDAF dans l‘absorbation totale de la variabilité
commune des actifs tunisiens.
72
Les modèles à facteurs fondamentaux dans le contexte tunisien 73
Nous présenterons dans cette section la relation liant les facteurs fondamentaux
spécifiques aux attributs de l‘entreprise cotée sur le marché boursier tunisien et les variations
des rendements boursiers. Ainsi, quatre facteurs fondamentaux font l‘objet de cette partie. Il
s‘agit de la taille de l‘entreprise approximée par le portefeuille mimique SMB, sa valeur
comptable représentée par le portefeuille mimique HML, son rendement historique désigné
par le portefeuille mimique WML et sa liquidité approximée par le portefeuille mimique IMV.
La section se compose de trois parties. Nous présenterons, dans un premier lieu, une
analyse de données fondamentales. En second lieu, nous étudierons les régressions
temporelles des modèles fondamentaux et nous finirons par les régressions transversales.
73
Les modèles à facteurs fondamentaux dans le contexte tunisien 74
risque. Là, nous remarquons que le secteur financier, et en particulier les banques, ainsi que le
secteur de « matières premières » sont les plus corrélés avec le portefeuille de marché ce qui
témoigne leurs parts importantes de la capitalisation boursières du marché. De même nous
tenons l‘attention sur la forte corrélation négative de -38% entre le facteur SMB et le secteur
bancaire. Ceci signifie que les banques représentent les entreprises cotées disposant des
grandes tailles sur le marché tunisien. Il en va de même que la corrélation négative de -33%
entre le secteur de « télécommunications » et le facteur HML révèle que la majorité des
entreprises faisant part de ce secteur disposent d‘un faible ratio B/M et donc elles sont
surévaluées. Les deux secteurs qui disposent des coefficients de corrélation négatifs les plus
forts avec le facteur de la liquidité IMV sont le secteur des « services financiers » et le secteur
d‘ « automobiles et équipements ». Cela met en valeur la liquidité de ces deux secteurs.
Tableau B2 : Analyse de corrélation des facteurs fondamentaux avec les secteurs boursiers.
Rm-rf SMB HML WML IMV
Banques 0.84 -0.38 0.06 0.01 -0.15
Services Financiers 0.58 0.03 -0.08 0.02 -0.34
Assurance 0.36 0.06 -0.06 0.16 0.07
Télécommunications 0.36 -0.08 -0.33 -0.13 -0.27
Distribution 0.39 0.04 -0.22 0.00 -0.20
Voyages et loisirs 0.31 -0.02 0.15 -0.15 -0.20
Santé 0.12 0.01 -0.28 -0.32 0.16
Automobiles et Equips 0.25 0.20 -0.26 -0.21 -0.42
Agro-alimentaire et Boiss 0.40 0.15 -0.11 -0.09 -0.15
Prdts méngers _soins pers 0.29 0.12 -0.19 -0.05 -0.11
Bâtiment_Matériaux_Construction 0.20 0.12 0.02 -0.01 -0.07
Biens et Services Industriels 0.11 0.08 -0.08 -0.06 0.01
Chimie 0.19 0.09 -0.04 0.01 0.06
Matières premières 0.59 -0.17 0.01 0.35 0.30
Pétrole et Gaz 0.24 -0.05 -0.14 -0.06 -0.09
74
Les modèles à facteurs fondamentaux dans le contexte tunisien 75
L‘étude du rôle des facteurs fondamentaux dans l‘explication des rendements boursiers
tunisiens sera développée sur quatre étapes. Nous commencerons par analyser les régressions
chronologiques employant les deux facteurs de Fama et French (1993) SMB et HML. En
second lieu, nous apporterons deux nouveaux facteurs, à savoir WML conçu pour détecter
l‘effet momentum cité par Carhart(1997) et IMV représentant l‘effet de la liquidité des actions
tunisiennes sur leurs rendements boursiers, cité par Chan et Faff (2005). Finalement, le
rendement excédentaire de marché (Rm-rf) et les portefeuilles mimiques SMB, HML, WML
et IMV feront l‘objet des variables explicatives de la troisième régression.
Comparé au tableau 9, le tableau 11 montre que les deux facteurs SMB et HML ont réussi
à absorber une part importante de la variabilité des rendements boursiers tunisiens non
expliquée par le MÉDAF et liée aux attributs fondamentaux des actions, soit leurs tailles et
75
Les modèles à facteurs fondamentaux dans le contexte tunisien 76
leurs valeurs comptables. En effet, contrairement aux valeurs délivrées par le tableau 9 du
MÉDAF, les termes constants des petites entreprises ne sont plus sensiblement supérieurs à
ceux des grandes entreprises. La différence entre la moyenne des termes constants des petites
entreprises et celle des grandes entreprises a été passée de 0.47% dans le cas du MÉDAF
(tableau 9) à -0.24% en présence du facteur SMB (tableau 11). De même, la constante des
actions ayant des ratios B/M, EPR ou Dividend-Yield élevés n‘est plus considérablement
supérieurs à celle des actions ayant des faibles ratios comme c‘est fréquemment le cas dans le
cadre du MÉDAF. À titre indicatif, le tableau 9 montre que les entreprises disposant d‘un
ratio B/M élevé ont en moyenne une constante dépassant de 0.16% 1 celle des entreprises
disposant d‘un ratio B/M faible. Par contre, en présence du facteur HML (tableau 11), la
différence est de 0%2. Ceci témoigne de la pertinence du facteur HML à captiver une partie du
rendement boursier non expliqué par le MEDAF sur le marché tunisien. Il est d‘autant claire
dans le tableau 13 que les petites entreprises à faible ratio B/M et les grandes entreprises à un
ratio B/M élevé (ou encore les petites entreprises à un ratio B/M élevé et les grandes
entreprises à un ratio B/M faible) se réagissent exactement avec les mêmes coefficients de
sensibilité envers tous les facteurs explicatifs à l‘exception de deux facteurs SMB et HML
représentants la taille et la valeur. Ce qui met en valeur le pouvoir de deux facteur SMB et
HML à exprimer la variabilité transversale de ces portefeuilles.
1
[0.0032 + (-0.0035)]/2 – [0.0017 + (-0.0052)]/2
2
[0.0046 + 0.0061]/2 – [0.0061 + 0.0046]/2
76
Tableau 11 : Ce tableau expose les résultats de la régression suivante : ̂ ̂ pour chacun de nos 23 portefeuilles. ̂ est
le terme constant. ̂ ̂
et sont successivement les coefficients de sensibilité des facteurs SMB et HML. est le coefficient de détermination ajusté. Et AIC et
BIC sont les critères d‘information d‘Akaike et son dérivé Bayésien. Les tests empiriques montrent que l‘emploie de la correction de Newey et West (1987)
tenant compte, le cas échéant, de l‘hétéroscédasticité et de l‘autocorrélation des erreurs n‘a pas améliorer la significativité des résultats obtenus par la
MCO.
La significativité des coefficients est désignée par :
*** : significatif au seuil de 1%
** : significatif au seuil de 5%
*: significatif au seuil de 10%
23 portefeuilles formés sur la base des 4 croisements 2x2 et sept portefeuilles Beta.
BM Momentum EPR Div Yield Sept portefeuilles Beta
Croisement Moyenne
Low High Losers Winners Low High Low High 1 2 3 4 5 6 7
0.0043
Small .0061* .0046 0 .0031 -.0029 .012*** .0061 .0054*
0.005
̂ .0057 .0072* .0083 .014*** 0 .0021 .0035
0.0067
Big .0046 .0061* .0079** .011*** .0088** .005 .0018 .0083**
0.50
Small .48*** .54*** .51*** .48*** .54*** .36*** .77*** .39***
0.033
̂ .43*** .086 .13 .16 -.22** -.16 -.28*
-0.44
Big -.46*** -.52*** -.35*** -.46*** -.47*** -.49*** -.44*** -.35***
-0.10
Small -.81*** .35*** -.16 .18 -.53*** .096 .046 -.024
-0.22
̂ .017 .07 .018 .068 -.24* -.27** -.6***
-0.33
Big -.65*** .19* -.44*** -.41*** -.66*** -.0076 -.53*** -.16
0.19
Small .40 .22 .12 .12 .27 .047 .22 .11
0.186
.10 -.0075 -.0083 -.0038 .036 .024 .068
0.18
Big .29 .19 .13 .15 .26 .16 .21 .077
-517
Small -552 -561 -472 -508 -522 -474 -481 -566
-527
AIC -457 -460 -378 -386 -436 -418 -326
-538.5
Big -561 -552 -519 -511 -533 -559 -533 -540
-508
Small -543 -552 -463 -498 -513 -465 -472 -557
-518
BIC -449 -451 -370 -377 -427 -409 -317
-529
Big -552 -543 -509 -502 -524 -550 -524 -531
77
Les modèles à facteurs fondamentaux dans le contexte tunisien 78
Tout au moins, les signes vérifiés ne permettent de tirer aucune conclusion sur le
comportement des investisseurs tunisiens envers les petites et les grandes entreprises. En fait,
la théorie stipule que les investisseurs exigent une prime de risque afin d‘investir dans les
actions à faible capitalisation boursière de fait qu‘elles sont plus risquées. Néanmoins, cela
n‘est pas vérifié dans le contexte tunisien puisque les primes SMB réalisées sur le marché
boursier tunisien ne sont pas significativement positives tout au long de la période d‘étude
comme le montre le graphique 4.
0.1
0.05
0 SMB
May-00
May-05
May-10
Mar-01
Jan-02
Mar-06
Jan-07
Mar-11
Sep-08
Jan-12
Jul-99
Nov-02
Jul-04
Nov-07
Jul-09
Sep-03
-0.05
-0.1
-0.15
Dans le même cadre, les deux portefeuilles d‘actions possédant un ratio B/M élevé
affichent un coefficient ̂ positif soulignant leur corrélation positive avec le facteur HML.
Également les deux portefeuilles d‘actions détenant un ratio B/M faible ont un coefficient ̂
négatif marquant leur corrélation négative avec le facteur HML. Néanmoins, le graphique 5
conteste l‘existence de l‘effet de la valeur sur le marché boursier tunisien. En effet, la prime
HML n‘est pas toujours positive. Autrement dit, le marché tunisien ne rémunère pas
continuellement les actions ayant un ratio B/M élevé et supposées être plus risquées.
78
Les modèles à facteurs fondamentaux dans le contexte tunisien 79
0.1
0.05
0
May-00
Jan-02
May-05
May-10
Mar-01
Mar-06
Jan-07
Mar-11
Jan-12
Jul-99
Nov-02
Jul-04
Nov-07
Jul-09
Sep-03
Sep-08
HML
-0.05
-0.1
-0.15
-0.2
Notons que d‘après la littérature, des études telles que Ben Naceur et Ghazouani (2007) et
Chaibi et Ben Naceur (2009) ont contesté l‘existence de l‘effet de la taille et l‘effet de la
valeur sur le marché boursier tunisien. À titre indicatif, Chaibi a dégagé que les coefficients de
sensibilité du facteur SMB sont légèrement significatifs où seulement 6 coefficients ̂ qui
sont significatifs à 5% (dont un à 10%) parmi 29 coefficients. La même étude montre que les
coefficients ̂ sont plus significatifs avec une portion de 11 coefficients significatifs (dont 4 à
10%) sur 29 coefficients. La conclusion tirée de ladite étude stipulant que sur la période
d‘observation (2000-2005) les entreprises tunisiennes cotées sont faiblement touchées par
l‘effet de la taille ainsi que l‘effet de la valeur, est constatée par la nôtre sur une période plus
large, à savoir 1999-2012, sauf que les coefficients de sensibilité, et alors les facteurs SMB et
HML, jouissent d‘une capacité explicative plus significative dans notre étude. Cependant,
d‘autres études telles que Hachicha, Amirat et Bouri (2008) ont conclu que l‘effet taille et
l‘effet valeur ont bel et bien marqué le marché tunisien durant la période d‘observation 1999-
2005.
Nonobstant, nous soulignons dans le cadre de cette étude que malgré la significativité des
coefficients ̂ et ̂ , nous remarquons qu‘en absence du portefeuille de marché, le
coefficient de détermination ajusté du modèle à deux facteurs explicatifs SMB et HML,
affiché dans le tableau 11, est notablement inferieur, en moyenne, à celui dans le cas du
MÉDAF. Le tableau 9 montre que le moyen est de 35.5%, contrairement au tableau 11
où il est quasiment réduit de moitié, soit 18.6%. Ceci est justifié par les critères d‘information
d‘Akaike et bayésien, qui sont plus supérieurs dans le cadre du modèle à deux facteurs, à
79
Les modèles à facteurs fondamentaux dans le contexte tunisien 80
savoir successivement -527en moyenne contre -576 et -518 contre -570. Ainsi nous attendons
que les trois facteurs, réunis dans un seul modèle, améliorent appréciablement son pouvoir
explicatif.
Le tableau 12 fournit les résultats de la deuxième régression tenant compte des quatre
facteurs fondamentaux SMB, HML, WML et IMV. Ces deux derniers, représentants
respectivement l‘effet du momentum et l‘effet de la liquidité, accroissent le coefficient de
détermination à 27% en moyenne contre 18.6% dans le cas précédant.
Le signe du coefficient ̂ n‘est pas surprenant. En effet, les portefeuilles des actions
gagnantes sont positivement corrélés avec le facteur WML et les portefeuilles des actions
perdantes sont négativement corrélés avec WML. Néanmoins, nous remarquons que le signe
du coefficient du facteur IMV est toujours négatif comme le montre le tableau 12. Ceci veut
dire que sur le marché tunisien les rendements des actions liquides sont beaucoup plus
important que les actions non liquides d‘où l‘absence de l‘effet de la liquidité expliqué comme
étant la prime exigé par les investisseurs pour accepter à acheter les actions les moins liquides
puisqu‘elles sont plus risquées. Les rendements de nos portefeuilles expliqués sont dominés
par les actions liquides qui sont négativement corrélées avec le facteur IMV et qu‘ils
paraissent plus risqués que les actions moins liquides dans le contexte tunisien. D‘où la raison
du signe négatif de tous les coefficients ̂ .
80
Les modèles à facteurs fondamentaux dans le contexte tunisien 81
Apr-08
Jul-99
Oct-04
Oct-11
Jan-03
Jan-10
Jul-06
Dec-00
Jun-09
May-02
Apr-12
Oct-03
Mar-05
Aug-06
Jan-08
Jul-99
Nov-10
-0.05 MOM WML IMV
-0.05
-0.1
-0.1
-0.15
-0.2 -0.15
-0.25 -0.2
81
Les modèles à facteurs fondamentaux dans le contexte tunisien 82
liquidité IMV disposent des capacités explicatives les moins élevées où ils ont réalisés 9 et 7
coefficients significatifs au seuil de 1%.
En guise de conclusion, les modèles fondamentaux offrent une explication plus étendue
couvrant 62% de la variabilité des rendements boursiers tunisien. Ce qui prouve l‘intérêt de
tenir en considération la taille de l‘entreprise, sa valeur, son rendement historique et sa
liquidité pendant l‘établissement des stratégies d‘investissement sur le marché boursier
tunisien. Toutefois, nos résultats ont dégagé l‘inexistence de l‘effet de la taille, l‘effet de la
valeur, l‘effet momentum et l‘effet de la liquidité dans le contexte tunisien. En effet, nous
avons remarqué que les petites entreprises sur le marché boursier tunisien ne sont pas plus
risquées que les grandes entreprises de faits que leurs rendements ne sont pas toujours
supérieurs aux rendements des grandes entreprises. En outre le rendement des entreprises,
disposant d‘un ratio B/M élevé, ne sont pas continuellement plus supérieurs que les
rendements des entreprises disposant d‘un ratio B/M faible. De même pour les entreprises
gagnantes sur les six derniers mois et les entreprises non liquides qui sont évaluées moins
risquées par les investisseurs tunisiens.
82
Tableau 12: Ce tableau expose les résultats de la régression suivante ̂ ̂ ̂ ̂ pour chacun de nos 23 portefeuilles. ̂ est
le terme constant. ̂ , ̂ , ̂ et ̂ sont successivement les coefficients de sensibilité des facteurs suivants : la taille SMB, la valeur HML, le momentum WML et la liquidité IMV.
est le coefficient de détermination ajusté. AIC et BIC sont les critères d‘information d‘Akaike et son dérivé Bayésien. Les tests empiriques montrent que l‘emploie de la correction de
Newey et West (1987) tenant compte, le cas échéant, de l‘hétéroscédasticité et de l‘autocorrélation des erreurs n‘a pas améliorer la significativité des résultats obtenus par la MCO.
La significativité des coefficients est désignée par : *** : significatif à 1% ; ** : significatif à 5% ; *: significatif à 10%
23 portefeuilles formés sur la base des 4 croisements 2x2 et sept portefeuilles Beta.
BM Momentum EPR Div Yield Sept portefeuilles Beta
Croisement Moyenne
Low High Losers Winners Low High Low High 1 2 3 4 5 6 7
0.005
Small .0065** .0052 .0026 .002 -.0024 .013*** .0067 .006**
0.006
̂ .0071* .0078** .0093* .017*** .0015 .0033 .0054
0.007
Big .0052 .0066** .0095*** .01*** .0093*** .005 .0026 .0082**
0.53
Small .51*** .55*** .51*** .53*** .56*** .4*** .78*** .42***
0.05375
̂ .42*** .094 .13 .18 -.21* -.14 -.28*
-0.425
Big -.45*** -.49*** -.38*** -.4*** -.45*** -.47*** -.44*** -.32***
-0.072
Small -.78*** .38*** -.01 .11 -.5*** .13 .078 .016
-0.19
̂ .068 .057 .024 .047 -.26** -.31** -.54***
-0.31
Big -.62*** .22** -.35*** -.47*** -.63*** -.0079 -.48*** -.17
-0.047
Small .0041 -.079 -.61*** .45*** -.068 .036 -.071 -.037
-0.030
̂ -.24*** .039 -.046 .021 .033 .15 -.25
-0.014
Big -.079 .0041 -.48*** .47*** -.072 .081 -.16* .12
-0.33
Small -.37*** -.21** -.49*** -.25*** -.23** -.48*** -.22* -.39***
-0.28
̂ -.22* -.14 -.18 -.59*** -.18 -.3** -.31
-0.23
Big -.21** -.37*** -.1 -.33*** -.27*** -.18** -.23** -.21**
0.2862
Small .46 .25 .43 .27 .29 .14 .23 .22
0.27
.17 -.012 -.012 .085 .034 .048 .098
0.2575
Big .32 .27 .3 .34 .3 .17 .25 .11
-535
Small -566 -564 -537 -535 -524 -488 -482 -585
-543
AIC -466 -458 -376 -397 -434 -419 -328
-551
Big -564 -566 -549 -547 -538 -561 -539 -543
-520
Small -550 -549 -522 -520 -509 -473 -467 -570
-528
BIC -451 -443 -361 -382 -419 -405 -314
-535
Big -549 -550 -534 -532 -523 -545 -524 -528
83
Tableau 13 : Ce tableau expose les résultats de la régression suivante ̂ ̂ ̂ ̂ ̂ pour chacun de nos 23
portefeuilles. ̂ est le terme constant. ,̂ ̂ , ̂ , ̂ et ̂ sont successivement les coefficients de sensibilité des facteurs suivants :le rendement excédentaire de marché Rm, la taille
SMB, la valeur HML, le momentum WML et la liquidité IMV. est le coefficient de détermination ajusté. AIC et BIC sont les critères d‘information d‘Akaike et son dérivé Bayésien.
Les tests empiriques montrent que l‘emploie de la correction de Newey et West (1987) tenant compte, le cas échéant, de l‘hétéroscédasticité et de l‘autocorrélation des erreurs n‘a
pas améliorer la significativité des résultats obtenus par la MCO.
La significativité des coefficients est désignée par : *** : significatif à 1% ; ** : significatif à 5% ; *: significatif à 10%
23 portefeuilles formés sur la base des 4 croisements 2x2 et sept portefeuilles Beta.
Small -0.0013 -0.0021 -.0046* -0.0047 -.0068* 0.0033 -0.0017 0 -0.00232 0.0023 0.0017 0.0017 .0088** -0.0047 -0.0035 -0.0058
̂ -0.0015
Big -0.0021 -0.0013 0.0017 0.0018 0.0014 -0.0025 -.0048* 0 -0.0007
Small .82*** .76*** .74*** .7*** .46*** .96*** .87*** .69*** 0.75 .53*** .68*** .83*** .91*** .68*** .75*** 1.2***
̂ 0.78
Big .76*** .82*** .82*** .86*** .83*** .78*** .78*** .84*** 0.81
Small .74*** .76*** .72*** .73*** .68*** .67*** 1*** .62*** 0.74 .57*** .28*** .36*** .43*** -0.029 0.066 0.048
̂ 0.27
Big -.24*** -.26*** -.15** -.16** -.22*** -.25*** -.22*** -0.083 -0.198
Small -.74*** .42*** 0.025 .15* -.48*** .17** 0.12 0.048 -0.036 0.09 0.084 0.058 0.084 -.23** -.28** -.49***
̂ -0.15
Big -.58*** .26*** -.31*** -.43*** -.59*** 0.029 -.44*** -.13* -0.274
Small -0.069 -.15*** -.67*** .38*** -0.11 -0.05 -.15* -.099* -0.11 -.28*** -0.011 -0.11 -0.046 -0.018 0.098 -.34***
̂ -0.10
Big -.15*** -0.069 -.55*** .39*** -.15** 0.011 -.23*** 0.045 -0.088
Small -.22*** -0.075 -.36*** -.13* -0.15 -.31*** -0.065 -.27*** -0.19 -0.17 -0.085 -0.11 -.52*** -0.12 -.24** -0.21
̂ -0.14
Big -0.075 -.22*** 0.043 -.18*** -.12* -0.044 -0.095 -0.06 -0.09
Small 0.78 0.63 0.66 0.53 0.39 0.57 0.53 0.6 0.58 0.34 0.31 0.26 0.42 0.3 0.32 0.46
0.62
Big 0.67 0.71 0.68 0.73 0.66 0.61 0.59 0.6 0.656
Small -708 -675 -619 -603 -546 -596 -559 -689 -624 -496 -509 -417 -459 -476 -466 -399
AIC -647.6
Big -675 -708 -669 -687 -649 -678 -633 -668 -671
Small -690 -656 -601 -585 -528 -577 -541 -671 -606
BIC -629.25 -479 -491 -400 -442 -459 -448 -382
Big -656 -690 -651 -669 -631 -659 -614 -649 -652
84
Les modèles à facteurs fondamentaux dans le contexte tunisien 85
L‘objectif de cette sous-section consiste à explorer le pouvoir des primes des risques
fondamentaux susmentionnés à savoir SMB, HML, WML et IMV à expliquer la variabilité
transversale des rendements boursiers tunisiens.
Les résultats des régressions transversales donnés par le tableau 14 montrent que la
proportion des constantes significatives au seuil de 10% a diminué de 48% (76/162) dans le
cas du MÉDAF (Tableau 10) à 30.7% (48/156) dans le cadre du modèle à facteurs
fondamentaux. Ceci implique qu‘environ 17% de la variation transversale des rendements
boursiers tunisiens non expliquée par le MÉDAF, a été absorbée par le modèle à facteurs
fondamentaux. D‘où l‘intérêt d‘inclure les facteurs fondamentaux dans les modèles de
valorisation des actifs financiers sur le marché tunisien. Cette conclusion est renforcée par
l‘évolution du coefficient de détermination ajusté illustré dans le tableau 14 comparé au
tableau 10. En effet, le a enregistré une augmentation moyenne de 32.4% en présence
des facteurs fondamentaux par rapport aux résultats fournis par le MÉDAF, soit une valeur
moyenne de 48.74%. Toutefois, cette valeur atteste l‘existence d‘autres facteurs pouvant
améliorer le pouvoir explicatif du modèle. Ceci est validé par le rejet de l‘hypothèse nulle
stipulant que la constante ̂ n‘est pas significativement différente de zéro en se basant sur
l‘intervalle de confiance au seuil de 5%. Ainsi, les facteurs fondamentaux jouent un rôle
crucial dans l‘explication transversale des rendements boursiers tunisiens mais ils ne sont pas
suffisants de fait qu‘une part importante de la variabilité transversale n‘est pas encore
expliquée par le modèle.
Dans le même cadre, les résultats montrent que le portefeuille mimique SMB dispose de la
capacité explicative la plus élevée. En effet, il a réalisé 87 primes significatives au seuil de
85
Les modèles à facteurs fondamentaux dans le contexte tunisien 86
10% parmi 156 observations. Par la suite, nous trouvons successivement les portefeuilles
mimiques HML (73 parmi 156), WML (69 parmi 156), le portefeuille de marché (64 parmi
156) et le portefeuille IMV (55 parmi 156). Ce qui met en valeur la capacité explicative du
facteur de la taille ainsi que les autres facteurs fondamentaux sur le marché boursier tunisien.
Cependant, la portion élevée des primes négatives infirme l‘existence de l‘effet de la taille,
l‘effet de la valeur, l‘effet momentum et l‘effet de la liquidité sur le marché boursier tunisien.
Cela est validé par le rejet de l‘hypothèse, voulant que ces primes soient supérieures à zéro, en
se référant à l‘intervalle de confiance de chacune au seuil de 5%. Ceci confirme nos résultats
trouvés dans le cadre de la régression temporelle.
Pour conclure, nous tenons à souligner deux faits tirés des régressions chronologiques et
transversales en présence des facteurs fondamentaux. Dans un premier lieu, les facteurs
fondamentaux ont participé à améliorer considérablement le pouvoir explicatif de la variation
des rendements boursiers tunisiens. Ceci est confirmé par l‘abaissement de la constante et
l‘amélioration du coefficient de détermination. En second lieu, les primes de risque ne sont
pas significativement supérieures à zéro. Cela n‘est pas dû à l‘irrationalité des investisseurs
tunisiens mais plutôt à la spécificité du marché tunisien. En effet, la prime du risque de
marché n‘est pas significativement positive vu que le marché souffre d‘une situation de
détresse et d‘un problème de liquidité. De même, la prime SMB de la taille n‘est pas toujours
positive étant donné que les petites entreprises dans le contexte tunisien ne sont pas
nécessairement plus risquées que les grandes entreprises. La même raison explique les primes
HML négatives. Quant à la prime WML, elle dispose de la portion des primes négatives la
moins élevée, soit 65/156. Cependant l‘effet de momentum n‘est pas vérifié de fait que les
entreprises gagnantes sur le marché tunisien durant les six derniers mois ne gardent pas
forcément les mêmes tendances dans le futur. S‘agissant de la prime de liquidité, elle offre la
portion la plus élevée des primes négatives, soit 80/156. Le fait que les coefficients du facteur
IMV, vus dans la régression temporelle, sont tous négatifs renforce notre conclusion stipulant
que les actions les plus liquides sur le marché tunisien sont plus risquées.
86
Tableau 14: Sont exposés dans ce tableau les résultats de la régression transversale des rendements boursiers de nos 23 portefeuilles sur les coefficients de sensibilité du
portefeuille de marché, du facteur SMB, du facteur HML, du facteur WML et du facteur IMV. ̂ ̅ représente la moyenne des termes constants sur chacune des six sous-
périodes. ̅̅̅̅̅̅̅̅̅
̂ est la prime moyenne du risque de marché, ̅̅̅̅̅̅̅̅
̂ est la prime moyenne du risque de la taille, ̅̅̅̅̅̅̅̅
̂ est la prime moyenne du risque de la valeur, ̅̅̅̅̅̅̅̅
̂
est la prime moyenne du risque de momentum et ̂ ̅̅̅̅̅̅̅ est la prime moyenne du risque de la liquidité. Les intervalles de confiances au seuil de 5% sont obtenus après
avoir arranger les valeurs estimées sur les six sous-périodes par ordre croissant et la suppression de 2.5% du nombre des observations de chacune de deux extrémités. La
significativité des estimateurs est données par la portion significative parmi l‘ensemble des estimations. La pertinence du modèle ainsi que la validité de ses hypothèse
sont tirés du coefficient de détermination ajusté moyen ̅̅̅̅̅̅ et de la portion des primes négatives.
Juil-99/Sep-01 Oct-01/Déc-03 Janv-04/Mars-06 Avr-06/Jui08 Juil-08/Sep-10 Oct-10/Juin-12 Moyenne
̅
̂ -0.011 -0.004 0.023 -0.0027 -0.0017 -0.002 0.0002
Portion des ̂ significatifs à 10% 12/27 6/27 9/27 5/27 9/27 7/21 48/156
Portion des ̂ négatifs 19/27 19/27 10/27 13/27 12/27 10/21 83/156
IC de ̂ à 5% sur la période totale [-0.0155 ; -0.0150 ; -0.0142 ; … ; -0.0010 ; -0.0003 ; 0.0003 ; 0.0004 ; … ; 0.0699; 0.0735 ; 0.0748]
̅̅̅̅̅̅̅̅̅
̂ 0.017 -0.0038 -0.0119 0.015 0.0198 -0.005 0.0051
Portion des ̂ significatifs à 10% 16/27 10/27 9/27 7/27 11/27 11/21 64/156
Portion des ̂ négatifs 11/27 13/27 15/27 11/27 12/27 10/21 72/156
IC de ̂ à 5% sur la période totale [-0.0958 ; -0.0940 ; -0.0934 ; … ; -0.0011 ; -0.0005 ; 0.0000 ; 0.0003 ; … ; 0.1232 ; 0.1339 ; 0.1356]
̅̅̅̅̅̅̅̅
̂ -0.0003 -0.005 -0.0033 0.0032 0.0111 0.0141 0.0033
Portion des ̂ significatifs à 10% 14/27 17/27 11/27 15/27 19/27 11/21 87/156
Portion des ̂ négatifs 12/27 19/27 15/27 10/27 10/27 7/21 73/156
IC de ̂ à 5% sur la période totale [-0.0658 ; -0.0594 ; -0.0592 ; … ; -0.0023 ; -0.0010 ; 0.0000 ; 0.0002 ; … ; 0.0716 ; 0.0880 ; 0.0918]
̅̅̅̅̅̅̅̅
̂ 0.0008 -0.0002 0.0083 0.0106 -0.006 -0.00028 0.0022
Portion des ̂ significatifs à 10% 22/27 15/27 9/27 8/27 7/27 12/21 73/156
Portion des ̂ négatifs 14/27 12/27 8/27 9/27 15/27 11/21 69/156
IC de ̂ à 5% sur la période totale [-0.0721 ; -0.0643 ; -0.0610 ; … ; -0.0002 ; 0.0000 ; 0.0000 ; 0.0004 ; … ; 0.0577 ; 0.0680 ; 0.0712]
̅̅̅̅̅̅̅̅
̂ 0.0189 -0.010 0.0017 0.0038 0.0087 0.0141 0.0062
Portion des ̂ significatifs à 10% 15/27 17/27 9/27 8/27 11/27 9/21 69/156
Portion des ̂ négatifs 9/27 13/27 14/27 12/27 10/27 7/21 65/156
IC de ̂ à 5% sur la période totale [-0.0864 ; -0.0857 ; -0.0847 ; … ; -0.0021 ; -0.0007 ; 0.0000 ; 0.0023 ; … ; 0.0755 ; 0.0798 ; 0.0826]
̅̅̅̅̅̅̅̅
̂ -0.0057 0.0062 -0.014 0.0112 0 -0.0101 -0.0020
Portion des ̂ significatifs à 10% 10/27 13/27 8/27 7/27 10/27 7/21 55/156
Portion des ̂ négatifs 9/27 13/27 21/27 13/27 12/27 12/21 80/156
IC de ̂ à 5% sur la période totale [-0.0946 ; -0.0883 ; -0.0873; … ; -0.0013 ; -0.0013 ; 0.0000 ; 0.0001 ; … ; 0.0880 ; 0.0909 ; 0.0918]
̅̅̅̅̅̅ 0.6362 0.5768 0.3899 0.3376 0.4778 0.5064 0.4874
87
Les modèles macroéconomiques dans le contexte tunisien 88
Nous nous penchons, dans le cadre de cette section, sur l‘impact des facteurs
macroéconomiques sur les rendements boursiers tunisiens. Ainsi, dix variables
macroéconomiques font l‘objet de cette étude :
Nous commençons dans un premier lieu par une analyse des données macroéconomiques,
ensuite nous présentons les régressions chronologiques du modèle à facteurs
macroéconomiques et nous finissons par les régressions transversales.
88
Les modèles macroéconomiques dans le contexte tunisien 89
ces faits, nous désirons supprimer la variable du taux d‘intérêt réel dans le but de respecter
l‘hypothèse de l‘indépendance des variables explicatives.
Le tableau C2 expose une analyse de la corrélation des variables macroéconomiques avec les
rendements en excès de nos 23 portefeuilles croisés.
Tableau C2 : Analyse de corrélation des variables macroéconomiques avec les rendements en excès
de 23 portefeuilles croisés.
23 portefeuilles croisés MARKLIQ TCMIPI TCAIPI USDTND INF TCMIPV TCMMC TCMCBE TERM
Small_LowB/M 0.13 0.10 0.03 0.19 0.17 0.15 -0.04 0.08 0.23
Big_LowB/M 0.08 0.10 -0.06 0.26 0.05 0.00 -0.10 0.05 0.17
Small_HighB/M 0.20 0.03 0.04 0.08 0.05 -0.03 0.01 0.07 0.28
Big_HighB/M 0.24 0.07 0.09 0.07 0.09 -0.02 -0.09 0.02 0.12
Small_Losers 0.16 0.03 0.01 0.18 0.09 0.03 -0.05 0.06 0.21
Small_Winners 0.15 0.08 0.04 0.10 0.07 -0.04 0.03 0.06 0.41
Big_Losers 0.15 0.14 -0.04 0.17 0.07 -0.01 -0.09 0.01 0.08
Big_Winners 0.10 0.06 0.04 0.22 0.09 0.08 -0.08 0.07 0.18
Small_Low EPR 0.05 0.06 -0.07 0.17 0.08 0.06 -0.06 0.04 0.23
Big_LowEPR 0.08 0.10 -0.05 0.26 0.03 0.02 -0.05 0.07 0.15
Small_Hign EPR 0.21 0.05 0.09 0.11 0.08 0.06 -0.01 0.03 0.18
Big_High EPR 0.20 0.05 0.01 0.05 0.12 -0.05 -0.19 0.01 0.18
Small_Low DivYield 0.20 0.08 0.04 0.08 0.16 0.04 0.02 0.04 0.29
Big_Low DivYield 0.07 0.08 -0.04 0.25 0.05 -0.01 -0.11 0.02 0.15
Small_High DivYield 0.13 0.02 0.02 0.12 0.04 0.00 0.00 0.08 0.27
Big_HighDivYield 0.22 0.02 0.02 0.11 0.08 0.01 -0.09 0.05 0.19
1_LOW BETA 0.04 0.08 0.09 0.13 0.08 0.03 -0.06 -0.08 0.15
2_ BETA 0.13 0.04 -0.04 0.11 0.02 -0.03 0.00 0.00 0.18
3_ BETA 0.13 0.05 -0.02 0.01 0.02 0.00 -0.03 0.10 0.22
4_ BETA 0.12 0.20 0.14 0.14 -0.03 0.01 -0.08 0.05 0.24
5_ BETA 0.01 -0.04 -0.03 0.09 0.11 0.12 -0.18 -0.11 0.11
6_ BETA 0.07 0.06 0.00 0.08 0.07 -0.11 -0.09 0.08 0.26
7_High BETA 0.20 0.09 0.03 0.28 0.05 -0.06 -0.13 0.08 0.18
89
Les modèles macroéconomiques dans le contexte tunisien 90
D'autre part, dans le but de mieux cerner la relation entre les facteurs macroéconomiques
et le marché boursier tunisien, nous avons inscrit dans le tableau C3 l‘analyse de corrélation
des variables macroéconomiques et les rendements sectoriels excédentaires calculés comme
étant les moyennes des rendements des actions composant chaque secteur diminuées du taux
sans risque.
90
Les modèles macroéconomiques dans le contexte tunisien 91
Tableau C3: Analyse de corrélation des variables macroéconomiques avec les rendements sectoriels excédentaires
TCMIP
Rendement sectoriel en excès MARKLIQ TCMIPI TCAIPI USDTND INF TCMMC TCMCBE TERM
V
Banques 0.16 0.0 0.05 0.6 0.8 0.0 -0.16 -0.01 0.12
Services Financiers 0.12 0.02 0.06 0.09 0.01 -0.01 -0.03 0.10 0.17
Assurance 0.15 0.05 0.11 0.10 0.12 0.07 -0.13 0.02 0.06
Télécommunications 0.11 0.14 -0.01 0.29 0.02 -0.07 -0.04 0.10 0.12
Distribution 0.09 -0.02 -0.02 0.09 0.07 0.03 -0.15 0.05 0.17
Voyages et loisirs 0.10 0.11 0.04 -0.01 0.04 -0.08 0.12 0.10 0.11
Santé 0.07 0.08 0.00 0.06 0.00 0.01 -0.03 0.10 -0.03
Automobiles et Equips 0.09 0.09 0.06 0.48 0.04 0.04 0.06 0.04 0.13
Agro-alimentaire et Boiss 0.11 0.13 -0.01 0.12 0.11 -0.05 -0.10 0.00 0.21
Prdts méngers _soins pers 0.09 0.03 -0.06 0.18 0.04 -0.06 0.07 0.01 0.23
Bâtiment_Matériaux_Construction 0.12 0.10 -0.05 0.03 0.00 0.02 -0.08 0.11 0.25
Biens et Services Industriels 0.08 -0.01 -0.23 0.07 0.10 -0.06 0.00 0.02 0.20
Chimie 0.09 0.03 0.00 0.20 -0.06 0.15 0.08 -0.01 0.06
Matières premières 0.27 0.08 0.07 -0.14 0.18 0.02 0.12 0.06 0.09
Pétrole et Gaz 0.02 0.03 -0.04 0.14 -0.04 0.04 0.07 0.01 0.16
Le tableau C3 offre des résultats similaires à ceux donnés par le tableau C2. En effet, nous
remarquons qu‘il y a principalement trois facteurs qui présentent des coefficients considérés
élevés en les comparants aux autres facteurs, à savoir la liquidité du marché, la parité
USD/TND et la structure à terme des taux d‘intérêt. Les deux secteurs
« Télécommunications » et « Automobiles et Équipements » sont les plus corrélés avec le
facteur de la parité USD/TND en raison de leurs activités liées au marché international. En
effet, SOTETEL, la société fondamentale dans le secteur de télécommunications, assure à
l‘étranger (Lybie, Mauritanie, Yémen) l‘ensemble des prestations qu‘elle assure sur le
marché national. Concernant le secteur d‘« automobiles et équipements », son leader ASSAD
a créé depuis 1989 sa société de commerce international : ASSAD INTERNATIONAL. De
même GIF, l‘en faisant partie, exporte ses produits dans le monde à travers un réseau de
distribution dans 6 pays étrangers : Hollande, Maroc, Argentine, Grèce, Malte et France.
Somme toute, nos analyses primitives soulignent des pouvoirs explicatifs apparents de la
liquidité du marché boursier, de la parité de change USD/TND et de la structure à terme des
taux d‘intérêts comparées aux autres facteurs macroéconomiques. Ceci est justifié par les
analyses de corrélation avec les rendements excédentaires de nos 23 portefeuilles croisés ainsi
91
Les modèles macroéconomiques dans le contexte tunisien 92
que les rendements sectoriels excédentaires. Dans les deux sous-sections suivantes, nous
présenterons les régressions temporelles et transversales des modèles à facteurs
macroéconomiques.
Pour chacune de deux étapes, les variables à expliquées sont, dans un premier lieu, les
rendements excédentaires de nos 23 portefeuilles de référence et en second lieu, les
rendements sectoriels excédentaires calculés comme étant les moyennes des rendements des
actions qui composent chaque secteur.
S‘agissant des variables macroéconomiques citées par Chen, Roll et Ross (1986), le
modèle à implémenter est le suivant :
Les résultats de cette régression sont présentés dans le tableau 14. La structure à terme des
taux d‘intérêts semble à être le facteur macroéconomique le plus pertinent. En effet, elle
dispose de 11 coefficients de sensibilité qui sont tous significatifs au seuil de 5% à l‘exception
d‘un seul coefficient significatif à 10%. Les coefficients varient entre -1.05 et 3.938
avec une moyenne de 1.21. Contrairement aux grandes entreprises, les rendements boursiers
des petites entreprises dépendent largement de la structure à terme des taux d‘intérêts. À
preuve, tous les coefficients significatifs sont associés aux petites entreprises sauf un seul cas.
92
Les modèles macroéconomiques dans le contexte tunisien 93
Mieux que ça, tous les coefficients des petites entreprises sont positifs et supérieurs à 1,
alors que ceci n'est pas le cas pour les grandes entreprises.
93
Tableau 14: Ce tableau expose les résultats de la régression temporelle suivante
pour chacun de nos 23 portefeuilles de référence. ̂ est le terme constant. , , , et sont successivement les coefficients de sensibilité des facteurs
macroéconomiques exposés dans le tableau 7. est le coefficient de détermination ajusté. AIC et BIC sont les critères d‘information d‘Akaike et son dérivé
Bayésien. La détermination de la significativité des coefficients est effectuée en employant la correction de Newey et West (1987) pour tenir compte, le cas
échéant, de l‘hétéroscedasticité ou de l‘autocorrélation des erreurs. Le nombre de retard choisi est de 12.
La significativité des coefficients est désignée par : *** : significatif à 1% ; ** : significatif à 5% ; *: significatif à 10%
23 portefeuilles formés sur la base des 4 croisements 2x2 et sept portefeuilles Beta.
BM Momentum EPR Div Yield Sept portefeuilles Beta
Moyenne
Low High Losers Winners Low High Low High 1 2 3 4 5 6 7
Small -.067** -.08*** -.071** -.144*** -.091** -.036 -.111** -.067** -.09 0 -.054* -.019 -.066 -.070* .008 -.077** -.039
̂
Big -.012 .013 .043** -.013 -.005 -.003 -.003 -.014 .00
Small .580*** .540*** .531*** .532*** .270* .783*** .528*** .515*** .53 0.705 .333*** .635*** .715*** .810*** .705*** .740*** 1.13***
Big .841*** .927*** .852*** .946*** .872*** .903*** .858*** .880*** .88
Small .021 .056 .016 .067 -.064 .090 .050 .037 .03 0 .077 -.044 -.008 .089* -.055 .010 .033
Big -.087** .051 -.099** .028 -.075* -.016 -.072* .010 -.03
Small .054 .009 .019 .057 .055 -.003 .045 .005 .03 .020 .006 .033 .138** -.066 .031 .061
0.035
Big .070 .010 .098* .006 .073 .013 .062 -.021 .04
Small 1.466 -1.136 -.073 -2.091 .192 -.503 1.331 -1.33** -.27 -0.47 .054 -1.041 -1.597 -2.81** 1.366 -1.277 -1.103
Big -.826 -.569 -.340 -.701 -1.50* .086 -.716 -.793 -.67
Small 1.695** 2.30*** 1.83** 3.938*** 2.35** 1.128 2.97** 1.94** 2.27 1.12 1.52* .673 1.931 2.20** -.474 1.95** .893
Big .281 -.419 -1.05** .370 .212 -.026 -.025 .388 -.03
Small .250 .287 .167 .320 .096 .352 .213 .313 .25 0.385 .111 .310 .244 .370 .325 .337 .427
Big .463 .605 .443 .557 .460 .606 .444 .602 .52
Small -443 -492 -428 -494 -410 -462 -404 -530 -458 -500 -430 -478 -391 -422 -458 -442 -391
AIC
Big -514 -574 -524 -561 -504 -580 -502 -584 -543
Small -426 -475 -411 -476 -392 -444 -386 -512 -440 -482
BIC
Big -497 -556 -506 -544 -487 -562 -485 -566 -525 -413 -461 -373 -404 -441 -425 -374
94
Les modèles macroéconomiques dans le contexte tunisien 95
Notons que la pertinence de la structure à terme des taux d‘intérêts dans l‘explication de la
variabilité des rendements boursiers tunisiens confirme les résultats cités par Hammami et
Jilani (2011).
Outre que la structure à terme, nous trouvons parmi les facteurs macroéconomiques
affectant les rendements boursiers tunisiens, mais à un degré moindre, le taux de croissance de
l‘indice de la production industrielle. Là, nous remarquons dans le tableau 14 que le taux
annuel dispose d‘une capacité explicative plus importante que le taux mensuel. Ce constat
n'est pas surprenant, étant donné que la répercussion de l‘activité industrielle sur le marché
boursier n‘est pas instantanée comme c‘est souvent le cas des variables facilement
apercevables.
95
Tableau 15: Ce tableau expose les résultats de la régression temporelle suivante
pour chacun des 15 secteurs boursiers tunisiens. ̂ est le terme constant. , , , et sont successivement les coefficients de sensibilité des facteurs
macroéconomiques exposés dans le tableau 7. est le coefficient de détermination ajusté. AIC et BIC sont les critères d‘information d‘Akaike et son dérivé
Bayésien. La détermination de la significativité des coefficients est effectuée en employant la correction de Newey et West (1987) pour tenir compte, le cas
échéant, de l‘hétéroscedasticité ou de l‘autocorrélation des erreurs. Le nombre de retard choisi est de 12.
La significativité des coefficients est désignée par : *** : significatif à 1% ; ** : significatif à 5% ; *: significatif à 10%
15 portefeuilles sectoriels formés sur la base des simples moyennes des rendements en excès des actions qui composent chaque secteur
Matériaux
Financiers
alimentair
_Construc
Télécomm
Bâtiment_
Assurance
unications
premières
Automobi
Industriel
Distributi
Pétrole et
e et Boiss
moyenne
Matières
Banques
méngers
et loisirs
Voyages
Services
Services
tion et
Chimie
Equips
_soins
Agro-
Santé
Prdts
les et
pers
Gaz
Biens
on
s
̂
.023* -.035 .023 -.114 -.062 -.043 .139 -.100 -.12*** -.241 -.12*** -.06 -.024 .025 -.105 -0.05
.90*** .75*** .94*** 1.1*** .64*** .55*** .68*** .69*** .71*** 1*** .4*** .3 .3*** .95*** .57** 0.70
.027 .065 .16* -.105 -.011 .017 -.144 .092 -.052 -.156 -.058 -.422 .015 -.015 -.040 -0.04
-.033 -.013 .008 .303 -.032 .144 .26** .119 .181 .076 .122 .032 -.017 .027 .038 0.08
-.490 -2.328 2.390 -1.521 -.341 -1.484 -.707 -.618 .897 -.784 -1.973 1.959 -1.440 2.001 -3.3** -0.52
-.6* 1* -.586 2.799 1.727 1.098 -3.139 2.516 3** 6.631 3.4*** 1.867 .821 -.874 3* 1.51
.74 .37 .16 .13 .16 .10 .03 .08 .19 .11 .13 .08 .06 .35 .08 0.18
-695.49 -485.01 -264.12 -143.86 -375.41 -308.71 -39.30 -187.62 -307.39 -110.38 -350.62 -255.36 -420.78 -151.44 -240.11 -289.04
AIC
-677.67 -467.44 -246.55 -126.30 -357.59 -291.15 -21.96 -170.33 -289.83 -92.95 -333.05 -237.55 -402.96 -139.08 -222.59 -271.80
BIC
96
Les modèles macroéconomiques dans le contexte tunisien 97
Les tableaux 16 et 17 exposent les résultats de la régression du modèle tenant compte des
variables macroéconomiques restantes, à savoir la liquidité du marché boursier, la parité de
change USD/TND, le taux de croissance mensuel de l‘indice des prix de vente industriels, le
taux de croissance mensuel du niveau de la monnaie centrale et le taux de croissance mensuel
des crédits accordés par les banques à l‘économie.
Le tableau 16 montre que la parité de change dispose du pouvoir explicatif le plus élevé
avec 10 coefficients significatifs dont cinq qui sont significatifs au seuil de 1%. Les
coefficients varient entre -0.046 et 0.51. La dominance des signes positifs montre qu‘une
augmentation de 1% dans la parité de change USD/TND génère une augmentation moyenne
de 0.18% dans les rendements boursiers tunisiens. Le tableau 17 souligne que le secteur de
« télécommunications », le secteur d‘ « automobiles et équipements », le secteur de «produits
ménagers et soins personnels » et le secteur de « chimie » sont les plus concernés par la
variation du taux de change.
Les quatre autres facteurs macroéconomiques jouissent des capacités explicatives moins
importantes. En effet, la variation des prix de ventes industriels ne dispose que de 3
coefficients significatifs sur 23 comme le montre le tableau 16. Le niveau de la monnaie
centrale dispose d‘un seul coefficient significatif. Néanmoins, le tableau 17 montre que les
secteurs significativement dépendants du niveau de la monnaie centrale sont au nombre de
quatre, à savoir le secteur bancaire, le secteur de « voyages et loisirs », le secteur de
« chimie » et le secteur de « matières premières ». S‘agissant du secteur bancaire, le signe
négatif de est attendu comme c‘est déjà souligné dans la sous-section précédente. Cela
confirme l‘inconvénient de la forte concentration de l‘activité boursière autour du secteur
bancaire. Enfin, la liquidité de marché et les crédits accordés à l‘économie sont les deux
facteurs les moins puissants dans l‘explication de la variabilité des rendements boursiers
tunisiens.
97
Tableau 16: Ce tableau expose les résultats de la régression temporelle suivante
pour chacun de nos 23 portefeuilles de référence. ̂ est le terme constant. , , , , et sont successivement
les coefficients de sensibilité des facteurs macroéconomiques exposés dans le tableau 7. est le coefficient de détermination ajusté. AIC et BIC sont les critères
d‘information d‘Akaike et son dérivé Bayésien. Les tests empiriques montrent que l‘emploie de la correction de Newey et West (1987) tenant compte, le cas
échéant, de l‘hétéroscédasticité et de l‘autocorrélation des erreurs n‘a pas améliorer la significativité des résultats obtenus par la MCO.
La significativité des coefficients est désignée par : *** : significatif à 1%; ** : significatif à 5% ; *: significatif à 10%
23 portefeuilles formés sur la base des 4 croisements 2x2 et sept portefeuilles Beta.
BM Momentum EPR Div Yield Sept portefeuilles Beta
Moyenne
Low High Losers Winners Low High Low High 1 2 3 4 5 6 7
Small -.0084 .0017 -.0066 -.0024 -.0079 .0028 .0019 -.0014 -0.003 0.00 .01 .0024 -.005 .0042 -.0018 -.0084 -.011
̂
Big -.0078* -.0035 -.0011 -.006 -.0076 -.001 -.008* -.0036 -0.005
Small .61*** .55*** .53*** .56*** .31*** .77*** .58*** .54*** 0.56 0.71 .36*** .62*** .74*** .83*** .71*** .77*** 1.1***
Big .84*** .88*** .81*** .95*** .88*** .87*** .87*** .84*** 0.87
Small .0021 .008 .0083 .0037 0 .0071 .013 0 0.01 -.0011 .0014 .0018 0 -.0088 -.0063 .0091
0.00
Big -.0058 .0045 0 -.0068 -.0071 0 -.0063 .0032 0.00
Small .24** .085 .28** .13 .24* .13 .11 .11 0.17 .16 .097 -.046 .2* .056 .05 .51***
0.18
Big .3*** .043 .19** .24*** .32*** .0078 .3*** .09 0.19
Small 1.2* -.31 .2 -.48 .46 .47 .34 -.15 0.22 0.02 .25 -.36 -.26 -.099 1.1* -1.3* -1.1
Big -.27 -.28 -.25 .41 -.051 -.53 -.29 -.097 -0.17
Small -.011 .063 .0034 .069 -.021 .031 .067 .03 0.03 0.00 -.014 .081 .07 .029 -.099 .0052 -.037
Big -.031 -.021 -.022 -.018 .0035 -.091** -.028 -.026 -0.03
Small .51 .34 .45 .39 .27 .19 .21 .41 0.35 0.29 -.73 .11 1.1 .34 -1* .97* .92
Big .33 .09 .11 .41 .49 -.015 .13 .3 0.23
Small .27 .25 .19 .22 .084 .34 .18 .28 0.23 0.38 .12 .31 .25 .33 .35 .34 .44
Big .51 .6 .43 .59 .51 .61 .49 .59 0.54
Small -468 -506 -446 -493 -428 -481 -416 -546 -473.00 -524 -450 -501 -406 -431 -479 -462 -383
AIC
Big -554 -602 -547 -600 -543 -613 -539 -611 -576.13
Small -489 -527 -468 -514 -449 -502 -437 -567 -494.13 -545
BIC -471 -522 -427 -452 -500 -483 -404
Big -575 -623 -568 -621 -564 -634 -560 -632 -597.13
98
Tableau 17: Ce tableau expose les résultats de la régression temporelle suivante
pour chacun des 15 secteurs boursiers tunisiens. ̂ est le terme constant. sont
successivement les coefficients de sensibilité des facteurs macroéconomiques exposés dans le tableau 7. est le coefficient de détermination ajusté. AIC et BIC
sont les critères d‘information d‘Akaike et son dérivé Bayésien. Les tests empiriques montrent que l‘emploie de la correction de Newey et West (1987) tenant
compte, le cas échéant, de l‘hétéroscédasticité et de l‘autocorrélation des erreurs n‘a pas améliorer la significativité des résultats obtenus par la MCO.
La significativité des coefficients est désignée par : *** : significatif à 1%; ** : significatif à 5% ; *: significatif à 10%
15 portefeuilles sectoriels formés sur la base des simples moyennes des rendements en excès des actions qui composent chaque secteur
Matériaux
Financiers
alimentair
_Construc
Bâtiment_
Télécomm
Assurance
unications
premières
Automobi
Industriel
Distributi
Pétrole et
e et Boiss
moyenne
Matières
Banques
méngers
et loisirs
Voyages
Services
Services
tion et
Chimie
Equips
_soins
Agro-
Santé
Prdts
les et
pers
Gaz
Biens
on
s
0 -.0066 .008 -.024 -.0026 -.014 -.0086 -.015 .0034 .003 -.005 .0012 -.0013 -.028 -.0066
̂
.88*** .76*** .84*** 1.2*** .65*** .67*** .54 .65*** .75*** 1.2*** .39** .27 .28** 1*** .66***
-.0022 -.003 .013 .0075 0 .0037 .015 .013 .0032 .011 .01 .0088 .0065 .015 -.0031
.0033 .084 .21 1.2*** .15 -.031 .32 1.5*** .24 .78** .05 .19 .3** -.32 .36
-.16 -.27 1.1 -2.3 .14 -1.3 -.11 .41 -.98 -2 .25 -1 1.4* .34 .47
-.058* -.0014 -.14 -.061 -.13 .25** .0013 .24 -.13 .38 -.046 .047 .13* .33** .22
-.17 .69* .078 2.4* .46 .97 3 .87 -.054 .64 .74 .37 -.042 1.9 .36
.72 .36 .16 .21 .17 .14 .028 .29 .15 .13 .078 .025 .12 .45 .09
-725 -504 -274 -138 -388 -311 -17 -200 -306 -90 -351 -250 -450 -144 -219
AIC
-746 -525 -295 -159 -409 -332 -38 -220 -327 -111 -372 -271 -471 -159 -239
BIC
99
Les modèles macroéconomiques dans le contexte tunisien 100
Tout d‘abord, nous avons estimé les coefficients de sensibilité de chaque facteur pendant
chacune des six sous-périodes comme c‘est expliqué dans la méthodologie des tests
empiriques. Les coefficients estimés, soit ̂ et ̂ , prennent le rôle des variables
explicatives dans la deuxième régression transversale répliquée pendant chaque mois de la
sous-période afin d‘estimer les primes du risque de chaque facteur. Étant donné que la série
chronologique de la parité de change commence le 02 Février 2000, nous avons en totalité, au
nombre des mois de la période totale 02-Fév-2000/12-Déc-2012, 155 primes de risque
estimées, pour chacune de deux variables macroéconomiques.
Les résultats de ces régressions transversales sont exposés dans le tableau 18. Il en ressort
que les pouvoirs explicatifs de la parité de change et de la structure à terme sont semblables.
En effet la parité de change USD/TND a enrichit 43 coefficients significatifs et la structure à
terme des taux d‘intérêts a enrichit en totalité 41 coefficients significatifs. Toutefois, les
primes ̅̅̅̅̅̅̅̅̅
̂ de la structure à terme sont en général plus importantes que celles de la parité
de change avec une moyenne de 0.57% contre 0.39%. De même, les p-values de la structure à
terme sont moins élevés que les p-values de la parité de change, ce qui souligne la pertinence
du facteur représentant la structure à terme des taux d‘intérêts à expliquer la variabilité
transversale des rendements boursiers.
100
Les modèles macroéconomiques dans le contexte tunisien 101
Somme toute, la structure à terme des taux d‘intérêts et la parité de change USD/TND ont
prouvé qu‘ils disposent d‘une capacité explicative importante. D‘où la nécessité de tenir en
compte ces deux facteurs macroéconomiques pendant la valorisation des rendements boursiers
dans le contexte tunisien.
101
Tableau 18: Sont exposés dans ce tableau les résultats de la régression transversale des rendements boursiers de nos 23 portefeuilles de référence sur les coefficients de
sensibilité du portefeuille de marché, du facteur macroéconomique approximant la structure à terme des taux d‘intérêts (TERM) et du facteur macroéconomique
approximant la croissance mensuelle du taux de change USD/TND (USDTND). ̅ ̂ représente la moyenne des termes constants sur chacune des six sous-périodes. ̅̅̅̅̅̅̅̅̅
̂
̅̅̅̅̅̅̅̅̅̅̅
est la prime moyenne estimée du risque de marché, ̂ ̅̅̅̅̅̅̅̅̅
est la prime moyenne estimée du risque du taux de change et ̂ est la prime moyenne estimée du risque
de la structure à terme des taux d‘intérêts. Les intervalles de confiances au seuil de 5% sont obtenus après avoir arranger les valeurs estimées sur les six sous-périodes par
ordre croissant et la suppression de 2.5% du nombre des observations de chacune de deux extrémités. La significativité des estimateurs est données par la portion
significative parmi l‘ensemble des estimations. La pertinence du modèle ainsi que la validité de ses hypothèse sont tirés du coefficient de détermination ajusté moyen
̅̅̅̅̅̅ et de la portion des primes négatives.
102
Conclusion générale 103
Conclusion générale
Cette étude s‘articule autour d‘une question centrale sur les facteurs explicatifs des
rendements boursiers tunisiens. Les réponses offertes par la théorie financière moderne sont
divergentes et parfois contradictoires. En effet, les hypothèses du MÉDAF stipulent que le
risque de marché est susceptible d‘absorber, tout seul, l‘intégralité de la variabilité des
rendements boursiers. En revanche, le modèle d‘évaluation par arbitrage (MÉA) postule que
les rendements des actifs sont générés par un processus stochastique linéaire multifactoriel. En
conséquence, une multitude des facteurs explicatifs affecte les rendements boursiers.
Néanmoins, la théorie de l‘évaluation par arbitrage demeure silencieuse sur la nature, le
nombre et l‘identité de ces facteurs.
Dans cette optique, une panoplie des modèles financiers, visant l‘identification de ces
facteurs, a émergé. Ces modèles se répartissent en deux grandes catégories, à savoir les
modèles à facteurs implicites et les modèles à facteurs explicites. S‘agissant de la première
catégorie, l‘identité économique des facteurs explicatifs des rendements boursiers reste
indéterminée. Cependant, leur nombre est défini en employant l‘analyse factorielle standard et
l‘analyse en composantes principales. Concernant la deuxième catégorie, les modèles à
facteurs fondamentaux et les modèles à facteurs macroéconomiques présentent ses deux
grands axes. Ce travail s‘implémente dans le cadre de cette deuxième catégorie. Aussi, nous
avons exposé les résultats empiriques du MÉDAF afin d‘analyser la pertinence du risque de
marché dans l‘explication des rendements boursiers tunisiens.
Les tests empiriques de cette étude se reposent sur l‘emploie de la méthode des
portefeuilles croisés pour construire les rendements boursiers à expliquer. Ceci est justifié par
la réduction de la volatilité des rendements des titres individuels. À cet effet, seize
portefeuilles de référence ont été formés sur la base du croisement du critère de la taille de
l‘entreprise avec son ratio de valeur comptable sur la valeur de marché, son rendement
historique, son ratio EPR et son ratio du rendement des dividendes. De plus, nous avons
construit sept portefeuilles dont les actions sont regroupées selon leurs niveaux du risque
systématique de marché. De surcroît, la méthodologie de Fama et Macbeth (1973) est adoptée
pour réaliser les tests empiriques. Pour ce faire, nous avons exécuté les régressions
temporelles sur la totalité de la période d‘observation 1999-2012 afin d‘étudier la
103
Conclusion générale 104
significativité des coefficients de sensibilité. Pa la suite, nous avons répliqué les régressions
transversales pendant chaque mois de cette période dans le but d‘estimer la prime de risque de
chaque facteur.
- Les rendements boursiers tunisiens ne sont pas affectés exclusivement par le risque de
marché, mais plutôt des facteurs fondamentaux et macroéconomiques contribuent
sensiblement à leur détermination.
- Le risque de marché dispose du pouvoir explicatif le plus significatif. Toutefois, il n‘a
pas réussi à absorber une part indéniable de la variabilité des rendements boursiers
tunisien.
- Le MÉDAF tend à surévaluer les actions ayant un risque systématique élevé et à sous-
évaluer les actions ayant un risque systématique faible. De même, le modèle surévalue
les titres lorsque la prime du risque de marché est positive et il sous-évalue les titres
lorsque la prime du risque de marché est négative.
- Les implications du MÉDAF concernant la prime positive du risque de marché ne sont
pas validées dans le contexte tunisien.
- Les principales variables fondamentales déterminantes des rendements boursiers
tunisiens sont successivement : la taille de l‘entreprise, sa valeur comptable, son
rendement historique et sa liquidité.
- La capacité explicative du modèle de marché a considérablement augmenté en
introduisant les facteurs fondamentaux.
- L‘effet de la taille, l‘effet de la valeur, l‘effet de momentum et l‘effet de la liquidité ne
sont pas significativement existants sur le marché boursier tunisien. Ainsi, dans le
contexte tunisien les petites entreprises, les entreprises disposant de ratio B/M élevé,
les entreprises gagnantes sur les six derniers mois et le entreprises les moins liquides
ne sont pas plus risquées que les autres entreprises cotées.
- Les facteurs macroéconomiques jouissant d‘un pouvoir explicatif significatif de la
variation des rendements boursiers tunisien sont la structure à terme des taux d‘intérêts
et la parité de change USD/TND. À un dégrée moindre, nous avons dégagé la
significativité des facteurs approximant le taux de croissance de l‘indice de production
industrielle et le taux de croissance de la monnaie centrale.
104
Conclusion générale 105
Il convient de préciser que cette étude présente une limite relative à l‘étroitesse de
l‘échantillon d‘observation. En effet, le nombre faible des actions cotées sur la bourse des
valeurs mobilières de Tunis, ainsi que la courte période s‘étalant sur 13 ans ont conduit à
la réduction du dégrée de liberté pendant la construction des portefeuilles et l‘exécution
des tests empiriques. De plus, la concentration du marché boursier tunisien sur le secteur
bancaire et sa liquidité modeste relativisent la généralité des conclusions tirées de cette
étude. Encore, ce travail n‘a pas investiguer la capacité explicative d‘autres variables
susceptibles d‘influencer les rendements boursiers tels que les indices générés par
l‘analyse factorielle, le risque de défaut et la production intérieure brute. Cela est dû,
d‘une part, du non disponibilité des données nécessaires sur l‘intégralité de la période
d‘étude, comme c‘est le cas des entreprises notées par les agences de notation utilisées
pour approximer le risque de défaut. D‘autre part, c‘est à cause de la complexité de la
construction des variables, c‘est le cas de l‘analyse factorielle standard et l‘analyse en
composantes principales.
Enfin, les thèmes discutés dans le cadre de cette étude donnent l‘occasion à entamer
des nouvelles voies de recherche. Il s‘agit notamment de l‘emploie d‘un modèle contenant
le portefeuille de marché, les portefeuilles mimiques des risques fondamentaux et les
facteurs macroéconomiques dans les études comparatives entre les portefeuilles
d‘investissement de types différents (par exemple : conventionnels vs conformes aux lois
de la finance islamique). Au surplus, la validité du modèle peut être testée sur un autre
type des titres tels que les obligations. De plus, nous pouvons soulever la question sur les
facteurs explicatifs des rendements des titres sur les marchés boursiers des pays du Grand
Maghreb et l‘existence d‘interdépendance entre eux.
105
Bibliographie 106
Bibliographie
Black, F. (s.d.). Beta and Return: "Announcements of the 'death' of beta seem premature. ".
Campbel, J. Y. (Apr., 1996). Understanding Risk and Return . Journal of Political Economy, Vol. 104,
No. 2, 298-345.
Campbell, J. Y. (1993). Intertemporal Asset Pricing without Consumption Data. The American
Economic Review, Vol. 83, No. 3, 487-512.
Chen, N.-F., ROLL, R., & Ross, S. A. (Jul, 1986). Economic Forces and the Stock Market. The
Journal 0fBosine.s's, Vol. 59, No. 3 , 383-403.
Chen, Y.-C. S.-S.-F.-J. (2013). The evolution of capital asset pricing models. Rev Quant Finan Acc.
CLIFFORD S. ASNESS, T. J. (JUNE 2013). Value and Momentum Everywhere. THE JOURNAL OF
FINANCE • VOL. LXVIII, NO. 3, 929-985.
Cochrane, J. H. (2005). Asset Pricing. Princeton University Press, Princeton and Oxford.
Discussion, E. C. ( 1970). William F. Sharpe. The Journal of Finance, Vol. 25, No. 2, 418-420.
ELISABETH DEDMAN, S. M. (2009). Accounting, Intangible Assets, Stock Market Activity, and
Measurement and Disclosure Policy—Views From the U.K. ABACUS, Vol. 45, No. 3, 312-
341.
Eric Girard, M. O. (2007). What are the risks when investing in thin emerging equity markets:
Evidence from the Arab world. Int. Fin. Markets, Inst. and Money 17, 102–123.
Eugene F. Fama, K. R. (1997). Industry costs of equity. Journal of Financial Economics 43 , 153-193.
Eugene F. Fama, K. R. (2012). Size, value, and momentum in international stock returns. Journal of
Financial Economics 105 , 457–472.
Fama, E. F. ( 1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal
of Finance, Vol. 25, No. 2, 383-417.
106
Bibliographie 107
Fama, E. F. ( 1976). Efficient Capital Markets: Reply. The Journal of Finance, Vol. 31, No. 1, 143-
145.
Fama, E. F., & MacBeth, J. D. (May - Jun., 1973). Risk, Return, and Equilibrium: Empirical Tests.
The Journal of Political Economy, Vol. 81, No. 3, 607-636.
FRENCH*, E. F. ( JUNE 1992 ). The Cross-Section of Expected Stock Returns . THE JOURNAL OF
FINANCE * VOL. XLVII, NO. 2 , 427-465.
FRENCH, E. F. ( MARCH 1995 ). Size and Book-to-Market Factors in Earnings and Returns . THE
JOURNAL OF FINANCE * VOL. L, NO. 1, 131-155.
French, E. F. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial
Economics 33 , 3-56.
FRENCH, E. F. (1996 ). The CAPM is Wanted, Dead or Alive . THE JOURNAL OF FINANCE VOL.
LI, NO. 5, 1947-1958.
FrencH, E. F. (Mar., 1996). Multifactor Explanations of Asset Pricing Anomalies. The Journal of
Finance, Vol. 51, No. 1, 55-84.
FRENCH, E. F. (OCTOBER 2006). The Value Premium and the CAPM. THE JOURNAL OF
FINANCE • VOL. LXI, NO. 5 , 2163-2185.
FRENCH, E. F. (OCTOBER 2010). Luck versus Skill in the Cross-Section of Mutual Fund Returns.
THE JOURNAL OF FINANCE • VOL. LXV, NO. 5, 1915-1947.
French, E. F. (Summer, 2004). The Capital Asset Pricing Model: Theory and Evidence. The Journal of
Economic Perspectives, Vol. 18, No. 3, 25-46.
Gaunt, C. (2004). Size and book to market effects and the Fama French three factor asset pricing
model: evidence from the Australian stockmarket. Accounting and Finance 44, 27–44.
Hamadi Fehri, S. M. (2012 ). La Bourse des Valeurs Mobilières de Tunis Entre exigences de
financement et impératifs de réformes. La Lettre du Cercle des Economistes de Tunisie
Numéro 7.
107
Bibliographie 108
Hasna Chaibi, S. B. (2009). The Best Asset Pricing Model for Estimating Industry Costs of Equity in
Tunisia. Review of Middle East Economics and Finance, Article 4.
Hearn, B. (2011). Modelling size and liquidity in North African industrial sectors. Emerging Markets
Review 12, 21–46.
Howard W. Chan, R. W. (2005). Asset Pricing and the Illiquidity Premium. The Financial Review 40
(2005) , 429-458.
John Y. Campbell, A. W. (s.d.). The Econometrics of Financial Markets. Princeton University Press.
Princeton, New Jersey.
Lakonishok, J., Shleifer, A., & Vishny, R. W. ( 1994). Contrarian Investment, Extrapolation, and Risk.
The Journal of Finance, Vol. 49, No. 5, 1541-1578.
LeRoy, S. F. ( 1976). Efficient Capital Markets: Comment. The Journal of Finance, Vol. 31, No. 1,
139-141.
Lintner, J. ( 1965). Security Prices, Risk, and Maximal Gains From Diversification. The Journal of
Finance, Vol. 20, No. 4, 587-615.
Lintner, J. (1965). The Valuation of Risk Assets and the Selection of Risky Investments in Stock
Portfolios and Capital Budgets. The Review of Economics and Statistics, Vol. 47, No. 1, 13-37.
Lintner, J. (Feb., 1965). The Valuation of Risk Assets and the Selection of Risky Investments in Stock.
The Review of Economics and Statistics, Vol. 47, No. 1, 13-37.
Long Chen, R. N.-M. (April 2010). An Alternative Three-Factor Model. Electronic copy available at:
http://ssrn.com/abstract=1418117.
Marie-Claude Beaulieu, J.-M. D. (2010). Asset-pricing anomalies and spanning: Multivariate and
multifactor tests with heavy-tailed distributions. Journal of Empirical Finance 17, 763–782.
McElroy, E. B. ( 1988). Joint Estimation of Factor Sensitivities and Risk Premia for the Arbitrage
Pricing Theory. The Journal of Finance, Vol. 43, No. 3,, 721-733.
Merton, R. C. ( 1973). An Intertemporal Capital Asset Pricing Model. Econometrica, Vol. 41, No. 5,
867-887.
Mossin, J. (1966). Equilibrium in a Capital Asset Market. Econometrica, Vol. 34, No. 4, 768-783.
Mounira, H. H. (2012 ). Asset pricing and liquidity risk interrelation: an empirical investigation of the
Tunisian stock Market . Journal of Research in International Business and Management , 312-
322.
108
Bibliographie 109
Nadia Loukil, M. B. (2010). Impact of liquidity on stock returns: an empirical investigation of the
Tunisian stock market. Macroeconomics and Finance in Emerging Market Economies, 261-
283.
Nizar Hachicha, A. A. (2008). Can Extension of fundamental Models Cancel the Existence of
Abnormal Returns in Emerging Market? International Review of Business Research Papers,
182-206 .
Nusret Cakici, F. J. (2013). Size, value, and momentum in emerging market stock returns. Emerging
Markets Review 16 , 46–65.
Performance, O. P. (Mar, 1997). Mark M. Carhart. The Journal of Finance, Vol. 52, No. 1, 57-82.
Pin-Huang, C. P.-H.-C. (2012). Do industries matter in explaining stock returns and asset-pricing
anomalies? Journal of Banking & Finance 36 , 355–370.
Priestley, R. (1996). The arbitrage pricing theory, macroeconomic and financial factors, and
expectations generating processes. Journal of Banking & Finance 20, 869-890 .
ROLL, R. (1977). A CRITIQUE OF THE ASSET PRICING THEORY‘S TESTS Part I: On Past and
Potential Testability of the Theory. Journal of Financial Economics 4, 129-176.
Ross, R. R. (1980). An Empirical Investigation of the Arbitrage Pricing Theory. The Journal of
Finance, Vol. 35, No. 5, 1073-1103.
ROSS, S. A. (1976). The Arbitrage Theory of Capital Asset Pricing . Jornal Of Economic Theory 13,
341-360.
SABINE ARTMANN, P. F. (2012). Determinants of Expected Stock Returns: Large Sample Evidence
from the German Market. Journal of Business Finance & Accounting, 0306-686X.
SAMY BEN NACEUR, S. G. (2007). Asset Pricing and Cost of Equity in the Tunisian Banking
Sector: Panel Data Evidence. Economic Notes by Banca Monte dei Paschi di Siena SpA, 89–
113.
Samy Ben Naceur, S. G. (2007). Does Inflation Impact on Financial Sector Performance in the MENA
Region ? Review of Middle East Economics and Finance, Article 4.
Schwartz, R. A. ( 1970). Efficient Capital Markets: A Review of Theory and Empirical Work:
Discussion. The Journal of Finance, Vol. 25, No. 2, 421-423.
Sharpe, W. F. ( 1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of
Risk. The Journal of Finance, Vol. 19, No. 3, 425-442.
Sharpe, W. F. (1982). Some Factors in New York Stock Exchange Security Returns, 1931—1979.
Research Paper.
Shepard, J. M. (2008). The Barra Global Equity Model (GEM2). MSCI Barra Research.
Soon-Ho Kim, D. K.-S. (2012). Evaluating asset pricing models in the Korean stock market. Pacific-
Basin Finance Journal 20, 198–227.
109
Bibliographie 110
Trabelsi, M. A. (2008). Overreaction on the Tunisian stock market: an empirical test. Munich Personal
RePEc Archive.
Wai Cheong Shum, G. Y. (2005). Common risk factors in returns in Asian emerging stock markets.
International Business Review 14, 695–717.
Wilma de Groot, J. P. (2012). The cross-section of stock returns in frontier emerging markets. Journal
of Empirical Finance 19, 796–818.
Yacine Hammami, F. J. (2013). Mutual fund peformance in Tunisia: A multivariate GARCH approch.
Research in International Business and Finance 29, 35–51.
Zoghlami, F. (2011). Momentum in the Tunisian stocks returns: identification of some risk factors .
Journal of Applied Finance & Banking, vol.1, no.2, 207-229 .
110