CCCC PDF

MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITÉ DE CARTHAGE
LES FACTEURS EXPLICATIFS DE LA VARIABILITÉ

DES RENDEMENTS BOURSIERS TUNISIENS
PRÉSENTÉ COMME EXIGENCE PARTIELLE DU

MASTER DE RECHERCHE EN FINANCE
PAR
KHALED CHOUAT
ENCADRÉ PAR :
Mr. EZZEDDINE DELHOUMI
Année universitaire 2012/2013

DÉDICACE
REMERCIEMENT
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
TABLE DES MATIÈRES
INTRODUCTION GÉNÉRALE ............................................................................................ 4

La première Partie : Le contexte théorique de l’étude ......................................................... 8
Chapitre I : Le modèle uni-factoriel : Le MÉDAF. ........................................................... 8
1) Présentation du MÉDAF : ....................................................................................................... 8
2) Les hypothèses du MÉDAF :................................................................................................... 9
3) Le modèle et ses implications:............................................................................................... 10
a- Le modèle : ........................................................................................................................ 10
b- Les implications du MÉDAF :........................................................................................... 10
4) La notion d‘équilibre et le choix du portefeuille optimal : .................................................... 11
5) Les critiques du MÉDAF : .................................................................................................... 14
Chapitre II : Les modèles multifactoriels ......................................................................... 16
1) Le modèle d‘évaluation par arbitrage (MÉA) : ..................................................................... 16
a- Le modèle et ses hypothèses :............................................................................................ 16
b- L‘identification des facteurs du modèle : .......................................................................... 20
1- Les modèles à facteurs implicites : ................................................................................ 20
 L‘analyse factorielle standard:................................................................................... 21
 L‘analyse en composantes principales : .................................................................... 23
2- Les modèles à facteurs explicites : ................................................................................ 23
 Les modèles macroéconomiques : ............................................................................. 24
 Les modèles fondamentaux : ..................................................................................... 26
2) Les modèles à facteurs fondamentaux : Fama et French (1993) ........................................... 27
a- La prime de la taille (size premium) :................................................................................ 29
b- La prime de la valeur : ....................................................................................................... 30
Chapitre III : La littérature dans le contexte tunisien .................................................... 33
1) Le marché boursier tunisien : ................................................................................................ 33
2) La littérature dans le contexte tunisien: ................................................................................. 37
La deuxième partie : Étude empirique ................................................................................. 40
Chapitre I : Données et Méthodologie .............................................................................. 41
1) Description de l‘échantillon : ................................................................................................ 41
2) La construction des variables : .............................................................................................. 42
a- La construction des variables dépendantes :...................................................................... 42
b- La construction des variables indépendantes :................................................................... 53
3) Méthodologie des tests empiriques: ...................................................................................... 60
1
Table des matières 2
Chapitre II : Les résultats des tests empiriques ............................................................... 63

1) Le MÉDAF dans le contexte tunisien.................................................................................... 63
a- La régression temporelle sur la période entière ................................................................. 63
b- La régression Transversale du MÉDAF : .......................................................................... 67
2) Les modèles à facteurs fondamentaux dans le contexte tunisien .......................................... 73
a- Analyse des données fondamentales: ................................................................................ 73
b- La régression temporelle sur la période entière des modèles à facteurs fondamentaux: ... 75
c- La régression Transversale du modèle fondamental: ........................................................ 85
3) Les modèles macroéconomiques dans le contexte tunisien ................................................... 88
a- Analyse des données macroéconomiques :........................................................................ 88
b- La régression temporelle des modèles à facteurs macroéconomiques: ............................. 92
c- La régression transversale des modèles à facteurs macroéconomiques: ......................... 100
Conclusion générale ............................................................................................................. 103
Bibliographie......................................................................................................................... 106
2
Résumé 3
LES FACTEURS EXPLICATIFS DE LA VARIABILITÉ

DES RENDEMENTS BOURSIERS TUNISIENS
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.
Mots clés : Risque systématique, Facteurs fondamentaux, Facteurs macroéconomiques,

Prime de risque, Rendement boursier, MÉDAF, Modèles multifactoriels.
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.
Richard Roll (1977) conteste jusqu'à la possibilité de tester empiriquement le MÉDAF de

manière valide en raison de l‘impossibilité pratique de définir un vrai portefeuille de marché
efficient dans l‘espace moyenne-variance. D‘autres théoriciens ont critiqué le MÉDAF en se
demandant s‘il est logique de considérer un seul facteur de risque (le risque de marché) β pour
expliquer le rendement d‘un actif. William Sharpe, l‘un des premiers théoriciens qui ont
instauré le MÉDAF, s‘est exprimé sur ce point dans une interview parue dans le Dow Jones
Asset Manager, 1998, en disant :
‗‘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
Ainsi, dans le but de remédier au problème statique et uni-factoriel du MÉDAF, deux

modèles alternatifs ont apparu :
- Le modèle multi-périodique : le MÉDAF inter-temporel ou encore

« Intertemporel Capital Asset Pricing Model », élaboré par Robert C. Merton (1973).
- Et le modèle multifactoriel : le Modèle d‘Évaluation par Arbitrage, « MÉA »,
ou encore l‘Arbitrage Pricing Theory, « APT », établi par Ross (1976).
Dans ce même cadre d‘apparition des extensions multifactorielles du MÉDAF,

Fama et French (1992, 1993) ont développé un modèle à trois facteurs en introduisant deux
facteurs de risque supplémentaires explicatifs du rendement boursiers, basés sur la taille de
l‘entreprise et le ratio (valeur comptable/valeur du marché). Un prolongement du modèle à
trois facteurs a été proposé par Carhart (1997) en introduisant l‘effet du rendement historique,
soit « l‘effet momentum », comme un quatrième facteur du risque.
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
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.
Le deuxième chapitre de la première partie sera consacré aux modèles multifactoriels.

Dans la première section nous étudierons le modèle d‘évaluation par arbitrage (MÉA). En
premier lieu, nous présenterons le modèle et ses hypothèses. En second lieu, nous
expliquerons les méthodes d‘identification des facteurs explicatifs de MÉA. La première
méthode développera deux approches implicites, à savoir l‘approche de l‘analyse factorielle
standard et l‘approche de l‘analyse en composantes principales. La deuxième méthode
présentera l‘emploie des facteurs explicites, soit les facteurs macroéconomiques et les facteurs
fondamentaux. Pour chacune de ces méthodes, nous citerons les études empiriques réalisées et
les critiques soulignant les insuffisances de chacune. Dans la deuxième section de ce chapitre,
nous nous focaliserons sur les modèles à facteurs fondamentaux de Fama et French (1993) et
de Carhart(1997).
Le troisième chapitre de cette partie développera la littérature dans le contexte tunisien.

D‘abord, nous présenterons le marché boursier tunisien et ses spécificités. Ensuite, nous
énumérons les résultats des études empiriques faites dans le contexte tunisien.
La deuxième partie se compose de deux chapitres. Le premier chapitre sera consacré à la

description des données et la méthodologie des tests empiriques. Ainsi, une première section
6
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.
Le deuxième chapitre de la deuxième partie s‘occupera des résultats empiriques et la

sélection des facteurs explicatifs ayant les capacités explicatives les plus élevées sur le marché
boursier tunisien. Dans la première section nous présenterons les résultats des régressions
chronologiques et transversales du MÉDAF et leurs interprétations. La deuxième section
affichera les résultats des régressions des modèles fondamentaux et les interprétations
nécessaires. La troisième section sera réservée aux modèles à facteurs macroéconomiques
dont nous exposerons les résultats des régressions chronologiques et en coupe transversale.
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
La première Partie : Le contexte théorique de l’étude
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.
Chapitre I : Le modèle uni-factoriel : Le MÉDAF.

1) Présentation du MÉDAF :
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
2) Les hypothèses du MÉDAF :
Le MÉDAF se repose sur un certain nombre d‘hypothèses dont quelques-unes semblent

trop simplistes et parfois irréalistes. Toutefois, cette simplicité rend le MÉDAF plus attractif
d‘un point de vue empirique en facilitant l‘obtention et l‘interprétation de ses résultats.
―Needless to say, these are
Les hypothèses principales du MÉDAF sont les suivantes : highly restrictive and
undoubtedly unrealistic
assumptions. However,
En ce qui concerne le marché : since the proper test of a
theory is not the realism
of its assumptions but the
H1 : Le marché a un fonctionnement mono-périodique. Ce qui signifie que la acceptability of its
implications, and since
période d‘investissement est la même pour tous les investisseurs de tel sorte these assumptions imply
equilibrium conditions
qu‘ils ont tous le même horizon correspond à l‘instant final, date à laquelle tous which form a major part
of classical financial
les titres sont vendus. doctrine, it is far from
clear that this formulation
should be rejected-
H2 : Le marché est parfait. Ce qui signifie que : especially in view of the
dearth of alternative
models leading to similar
- Le marché est de type concurrentiel. results‖. Sharpe 1964
- Les titres sont parfaitement divisibles.
- L‘information est totale, gratuite et accessible à tous.
- Les prix d‘équilibre reflètent toute l‘information.
- Les opérations d‘achat et de vente à découvert sont autorisées.
- Il existe deux types d‘actifs : Les actifs risqués et l‘actif non risqué.
- Le taux de l‘actif non risqué est à la fois un taux d‘emprunt et un taux de prêt.
- Il n‘y a de taxe d‘aucune sorte.
- Il n‘y a pas de cout de transaction.
- Il n‘y a pas d‘inflation.
En ce qui concerne les opérateurs :
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
3) Le modèle et ses implications:
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.
Dans sa forme classique la relation du MÉDAF s‘établit comme suit :
Où :
 : désigne le rendement espéré de la valeur i.

 : est le taux sans risque.
 : est la sensibilité du rendement du titre i par rapport au rendement excédentaire du
marché ou encore la volatilité du rendement de l'actif rapporté à celui du marché. Elle
est donnée par le rapport suivant :

―A market in which prices
 : Le rendement espéré du marché. always "fully reflect"
available information is
 [ : La prime du risque de marché. called «efficient».‖ Fama
(1970)
 [ : La prime du risqué du titre i.
―Three forms of financial
Remarquons que cette prime ne rémunère que le risque relatif au market efficiency: First,
weak form tests, in which
portefeuille du marché ou encore le risque non diversifiable. the information set is just
historical prices, are
discussed. Then semi-
b- Les implications du MÉDAF : strong form tests, in which
the concern is whether
prices efficiently adjust to
other information that is
Le MÉDAF a fait l‘objet d‘une grande variété de tests économétriques en obviously publicly
available (e.g.,
vue de vérifier sa validité. announcements of annual
earnings, stock splits, etc.)
are considered. Finally,
Fama et Macbeth (1973) ont souligné trois implications majeures de ce modèle: strong form tests
concerned with whether
given investors or groups
C1- Pour tout portefeuille efficient M, la relation entre le rendement have monopolistic access
to any information
espéré d‘un actif et son risque est linéaire. relevant for price
formation is reviewed.‖
Fama (1970)
10
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.
Selon Fama et Macbeth (1973), tester la validité de la première et la deuxième

implication revient à tester l‘efficience du marché. Autrement dit, si C1 et C2 sont valides,
cela implique que les « Prix » des actifs reflètent complètement l‘information disponible sur le
marché.
Néanmoins à l‘instar de Fama (1970), Fama et Macbeth (1973) caractérisent cette

efficience d‘une ―forme faible d‘efficience‖ étant donné que les prix des actifs générés par le
modèle incorporent uniquement l‘information historique de marché, c'est-à-dire l‘évolution
historique des prix et des volumes traités.
Outre que l‘efficience de marché, la deuxième implication révèle le caractère uni-factoriel

du MÉDAF. Celui-ci a fait l‘objet de long débat et de vives critiques par plusieurs théoriciens,
notamment Ross 1976, Merton 1973, Fama et French 1993, Cambell 1996, etc...
L‘importance de la troisième implication est évidente de fait qu‘un investisseur rationnel

et averse au risque (la troisième hypothèse du MÉDAF, susmentionnée) exige une prime de
risque plus élevée pour un niveau de risque (β) plus grand.
4) La notion d’équilibre et le choix du portefeuille optimal :
Le MÉDAF postule que :
- Le marché ne rémunère que les individus qui détiennent des portefeuilles

efficients.
- À l‘équilibre la droite du marché des capitaux (en anglais Capital Market
Line, CML) représente les meilleurs couples rendement/risque pour les investisseurs.
- À l‘équilibre tous les portefeuilles et tous les actifs sont sur la droite du
marché des titres (en anglais Securities Market Line, SML).
- Selon le modèle de Markowitz, pour un niveau de risque donné, les
portefeuilles efficients représentent les meilleurs rendements. L‘ensemble de ces
portefeuilles constitue la frontière efficiente (figure1).
11
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.
Le choix de chaque investisseur dépend de sa fonction d‘utilité représentée par les

courbes d’indifférence. Ainsi, la combinaison optimale pour chaque individu entre l‘actif
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
sans risque et le portefeuille M correspond au point de tangence entre sa courbe d‘indifférence

la plus élevée et la droite du marché des capitaux comme l‘indique la figure 1.2
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
La relation du MÉDAF représente l‘équation de la droite du marché des titres 1 (en

anglais Securities Market Line, SML) sur laquelle se situent tous les titres à l‘équilibre.
Un titre situé au-dessus de la droite du marché est considéré sous-évalué. Cependant un

titre situé au-dessous de la droite du marché est considéré surévalué. (Figure 1.3)
1
Notons que la pente de la SML est [ E(Rm) – Rf ] et la pente de la CML est [ E(Rm) – Rf ] / σm .
13
E(Rp)
Titre sous évalué.

SML
Rf
Titre sur évalué
βp
Figure 1.3 La droite du marché des titres.
5) Les critiques du MÉDAF :
Le MÉDAF a été soumis à des fortes critiques qui ont abouti à des nombreuses
ramifications et à l‘apparition des théories alternatives.
La critique de Roll (1977) est considérée comme étant la plus vive à

―The theory (CAPM) is
l‘encontre du MÉDAF. Il a montré qu‘il est impossible de tester empiriquement not testable unless the
exact composition of the
le MÉDAF d‘une manière valide de fait qu‘il est impossible de définir la true market portfolio is
known and used in the
composition exacte du portefeuille du marché. Celui-ci, selon Roll (1977), doit tests. This implies that
inclure tous les actifs risqués dans le monde entier (valeurs mobilières, the theory is not testable
unless all individual
propriétés immobilières, le capital humain, tous les actifs corporels et assets are included in
the sample.‖ Roll (1977)
incorporels).
Dans ce cadre, les hypothèses irréalistes du MÉDAF ont donné matière à

plusieurs études ayant pour but de remédier à ses insuffisances.
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
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).
En s‘appuyant sur ce principe multifactoriel Fama et French (1993) ont

développé un modèle à trois facteurs faisant intervenir les variables
fondamentales de l‘entreprise (la taille et la valeur) dans l‘explication des rendements
boursiers des titres. Celui-ci est considéré comme étant le modèle le plus caustique à l‘égard
du MÉDAF.
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
Chapitre II : Les modèles multifactoriels
La difficulté de valider empiriquement le MÉDAF a mené certains théoriciens à

développer d‘autres modèles alternatifs plus généraux et dont les hypothèses sont moins
restrictives.
Ces modèles, collectivement désignés sous l‘appellation de « modèles multifactoriels »,

stipulent que plusieurs facteurs du risque, autres que l‘évolution du marché (le portefeuille du
marché), participent à l‘explication de la structure des actifs risqués.
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).
1) Le modèle d’évaluation par arbitrage (MÉA) :
a- Le modèle et ses hypothèses :
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‘‘
l‘opportunité d‘arbitrage et propose des hypothèses moins restrictives et plus

réalistes que le MÉDAF. En effet, à l‘inverse du MÉDAF qui suppose que les rendements des
actifs sont normalement distribués, le MÉA ne fait aucune hypothèse ni sur la nature de la loi
de distribution des rendements ni sur les préférences des investisseurs (la fonction d‘utilité des
individus). Autrement dit, le MÉA n‘exige pas que les investisseurs soient situés dans un
espace moyenne-variance.
16
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 :
 En premier lieu, le MÉA fait intervenir plusieurs facteurs communs de plusieurs

risques systématiques, qui sont connus par tous les investisseurs.
 En second lieu, le MÉA exige à l‘équilibre l‘absence d‘opportunité d‘arbitrage 1
(AOA). D‘ici se découle la linéarité du modèle (démontré dans ce qui suit).
L‘équation initiale du modèle d‘évaluation par arbitrage s‘établit de la façon suivante :
Où :
- : est le rendement aléatoire du titre i.

- : est un constant.
- : Une variable aléatoire qui désigne la valeur du jième facteur commun affectant les
rendements des titres. j =1, 2,…, k.
- : est la sensibilité du titre i au facteur j.
- : est un terme d‘erreur qui inclut le risque idiosyncratique du titre i. Il possède les
propriétés suivantes :
( ) ( )
En soustrayant de cette équation sa valeur espérée, on obtient :
[ [ [
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
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
Un tel portefeuille d‘arbitrage exige à l‘équilibre trois conditions nécessaires et suffisantes :
- 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.
Ainsi, l‘équation du rendement de ce portefeuille est donnée par :
18
En se référant aux trois conditions précitées, il en découle successivement que :
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.
Ainsi, il existe K+1 coefficient tel que :
En présence d‘un actif sans risque , prend sa valeur et est interprété comme étant la
prime du risque relative au jième facteur.
Sous les hypothèses susmentionnées stipulant que ( ) et ( ) i j, on

peut citer que:
( ) ( )
, ainsi correspond au usuel vu dans le cadre du MÉDAF.
1
En appliquant la loi des grands nombres xԐ est estimé négligeable.
19
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.
b- L’identification des facteurs du modèle :
La principale difficulté du MÉA réside dans le choix et la sélection des facteurs

susceptibles d‘influencer les rendements des actifs et l‘appréciation de leurs poids. En effet, le
MÉA part de l‘hypothèse supposant que les investisseurs sont tous d‘accords sur ces K
facteurs communs. Néanmoins le modèle reste muet sur ce que sont ces facteurs.
Dans ce cadre, il existe essentiellement deux approches pour déterminer la nature de

facteurs du risque dans le MÉA :
- La méthode des facteurs implicites et

- La méthode des facteurs explicites.
1- Les modèles à facteurs implicites :
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.
En se référant aux principes de l‘analyse factorielle des données, la méthode permet

d‘estimer simultanément les facteurs (factors) et leurs coefficients de sensibilité (factors
loadings).
Dans ce cadre, on distingue deux techniques :
- L‘analyse factorielle standard fondée sur le principe du maximum de la vraisemblance.

- Et l‘analyse en composantes principales fondée sur le principe de la variance
maximale (ou encore l‘inertie maximale).
20
 L’analyse factorielle standard:
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.
L‘équation utilisée dans ce cadre est la suivante :
Où :
est le vecteur (N x 1) des rendements des titres à la date t.
est le vecteur (K x 1) à la date t, composé de K facteurs communs aux N titres.
est la matrice (N x K) des coefficients (loadings), appelée la matrice des saturations.
est le vecteur (N x 1) des termes d‘erreurs composé de N facteurs spécifiques.
Le nombre des titres est supposé très grand et beaucoup plus supérieur que le nombre des
périodes T.
L‘estimation se fait sur deux étapes :
- 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
À partir du modèle suscité, nous pouvons exprimer la matrice (N x N) des variances-

covariances des rendements, appelée « modèle de structure des covariance », de la manière
suivante :
Où :
est la matrice (K x K) des variances-covariances des facteurs communs et est la matrice

des variances-covariances des termes d‘erreurs.
Pour continuer, l‘analyse factorielle exige trois hypothèses fondamentales :
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 :
L‘estimateur ̂ est donné par :
̂ ̂ ̂ ̂ ̂ ̂
22
 L’analyse en composantes principales :
L‘analyse en composantes principales (ACP) est légèrement analogue à l‘analyse

factorielle standard. Elle consiste à extraire les facteurs communs (des combinaisons linéaires
des Ri) permettant de décrire au mieux que possible la variabilité des rendements. Ainsi, cette
technique s‘articule autour de la notion de la variance plutôt que la covariance. La logique qui
se cache derrière l‘ACP se résume dans la sélection des facteurs qui reflètent la direction de la
variance (l‘inertie) des rendements et la réduction de leur nombre d‘autant que possible sans
perdre trop d‘informations.
Les composantes principales sont les facteurs communs à estimer. Ceux-ci doivent avoir
des variances maximales et être deux à deux orthogonaux (indépendants).
La première composante principale est la combinaison linéaire des rendements, issue de la

maximisation de leurs variances. La deuxième est la combinaison linéaire des rendements,
issue de la maximisation de leurs variances et orthogonale à la première composante
principale. Et ainsi de suite…
Soit Xi la proportion du titre i dans l‘indice à estimer (le facteur commun). Ainsi,
et le vecteur X (X1, X2, …, Xn).
La première composante principale est donnée par où est le vecteur (N x 1),

solution de la maximisation de la fonction suivante :
Max sous la contrainte :
est la matrice des variances-covariances des rendements.
La deuxième composante principale est donnée par : où est la solution de la

même fonction de maximisation en ajoutant une deuxième contrainte : , afin
d‘assurer l‘orthogonalité des facteurs.
Les mêmes étapes sont répliquées afin d‘obtenir les autres facteurs.
2- Les modèles à facteurs explicites :
À l‘inverse de la méthode implicite, les facteurs communs dans les modèles explicites sont
exogènes et économiquement interprétables.
23
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 :
 Les modèles macroéconomiques.

 Et les modèles fondamentaux.
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.
 Les modèles macroéconomiques :
L‘article de Chen, Roll et Ross (1986) présente la prémisse des modèles

macroéconomiques. Il a dégagé cinq facteurs macroéconomiques influençant les rendements
boursiers des titres. Il s‘agit de la production industrielle, la prime du risque de défaut1 , la
structure à termes des taux d‘intérêt2, l‘inflation inattendue et la variation du taux d‘intérêt
réel.
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
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.
Économétriquement parlant, les modèles macroéconomiques consistent à sélectionner

arbitrairement les facteurs pouvant affecter les rendements des titres et étudier par la suite
leurs significativités.
En suivant la méthode de Fama et MacBeth (1973), la démarche se résume en deux étapes

principales:
- Dans un premier lieu, la sensibilité ij de chaque portefeuille i (titre i) à chaque

facteur j est dérivée de la régression chronologique de l‘équation suivante :
- En second lieu, on estime la prime du risque associées à chaque facteur par le

billet des régressions transversales. L‘équation de régression est la suivante :
Il convient de mentionner que l‘estimation de en utilisant des portefeuilles diversifiés à

la place des titres individuels est plus précise de fait que ceci conduit à la réduction des biais
individuels (par un effet de compensation) générés par la volatilité des titres. La méthode a été
initialement employée par Blume (1970), Freind et Blume (1970) et Black, Jensen et Sholes
(1972). La constitution des portefeuilles se fait en classant les titres, sur la base d‘un critère
donné tel que le niveau du risque historique approximé par le , en groupes des portefeuilles
diversifiés.
En conclusion, les facteurs macroéconomiques offrent l‘avantage d‘interpréter facilement

les estimations vu leur explicité. Cependant le choix arbitraire des facteurs présente
l‘inconvénient majeur de cette méthode.
25
 Les modèles fondamentaux :
Les facteurs fondamentaux désignent les caractéristiques spécifiques aux attributs de

l‘activité de l‘entreprise. Il s‘agit notamment de la taille de la firme, du taux d‘endettement, de
sa valeur comptable, de sa politique de distribution des dividendes, de son rendement
historique, etc.
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
2) Les modèles à facteurs fondamentaux : Fama et French (1993)
À l‘inverse du modèle d‘évaluation par arbitrage établi sur le principe de la théorie

d‘arbitrage, le modèle de Fama et French (1993) est inspiré, de manière ad hoc, des travaux
empiriques sans qu‘il dispose d‘une théorie justifiant sa forme finale. Toutefois, le modèle est
souvent considéré comme une ramification du modèle d‘évaluation par arbitrage.
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.
L‘équation du modèle en rendements excédentaires s‘établit comme suit :
[ ]
Où :
 est le rendement du titre i pour le mois t.

 est le taux sans risque.
 est le rendement du marché.
 (Small Minus Big) est la prime du risque généré par la taille de l‘entreprise.
C‘est la différence entre les rendements des portefeuilles diversifiés composés
d‘actions à faibles capitalisations boursières (Small) et les rendements des
portefeuilles diversifiés composés d‘actions à grandes capitalisations boursières
(Big).
 (High Minus Low) est la prime du risque relatif à la valeur de l‘entreprise.
Elle correspond à la différence entre les rendements des portefeuilles diversifiés
composés des actions ayant un ratio VC/VM élevé (High), communément connues
sous l‘appellation « actions dépréciées » ou encore « action de valeur » (traduction
approximative de l‘appellation anglaise « value stocks »), et les rendements des
portefeuilles diversifiés composés des actions ayant un ratio VC/VM faible (Low),
connues sous l‘appellation « actions de croissance » (Groth stocks).
27
 Enfin, désignent les coefficients de sensibilités relatifs

successivement aux trois facteurs des risques : le risque de marché, la taille de
l‘entreprise et sa valeur.
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.
Le modèle à quatre facteurs de Carhart (1997) s‘écrit de la manière suivante :
[ ]
Le nouveau facteur (Winners Minus Losers) désigne la prime du risque sur la

performance historique de l‘action. C‘est la différence entre les rendements des portefeuilles
des titres ayant un rendement historique élevé et les rendements des portefeuilles des titres
ayant un rendement historique faible.
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
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.
Également, Wilma de Groot et al (2012) ont documenté la présence de l‘effet de

momentum, l‘effet de la valeur, ainsi qu‘un effet local de la taille sur les marchés frontières
émergents.
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.
a- La prime de la taille (size premium) :
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
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).
D‘après Fama et French (1996), les interprétations économiques données à l‘effet de la

valeur (aussi bien qu‘à l‘effet taille) se répartissent en trois courants principaux.
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.
Le deuxième courant fonde ses explications sur les principes de la finance

comportementale en notifiant que les rendements élevés des actions de valeur (value stocks)
sont motivés par un comportement irrationnel. Lakonishok, Sheifer et Vishny, LSV (1994)
suggèrent que les stratégies ‗‘naïves‘‘ d‘investissement, prévoyant pour la valeur de demain la
valeur d‘aujourd‘hui, créent des opportunités d‘arbitrage d‘en les investisseur dans les actions
de valeur tirent profits. Mieux encore, ces stratégies ‗‘naïves‘‘ tendent à extrapoler
abusivement dans le futur (de manière irrationnelle) les performances passées des actions. Ce
qui donne lieu pendant les mauvais (bons) temps à une sur-réaction (overreaction) traduite
par des ventes excessives (en cas des mauvaises nouvelles) ou des achats excessifs (en cas des
bonnes nouvelles). Ce comportement des ventes exagérées (achats exagérés) créent les actions
de valeur sous-évaluées (les actions de croissance, « glamour stocks », surévaluées). D‘où
30
l‘opportunité d‘arbitrage exprimée par des sous-investissements dans les actions surévaluées
et des surinvestissements dans les actions sous-évaluées.
Le dernier courant associe la significativité de la prime de valeur (taille) à des tests

erronés. Ils stipulent que le biais de survivants1 (Kothari, Shanken et Sloan (1995)) et le data
snooping2 (Lo et Mackinlay (1988)) sont à l‘origine de ces résultats.
En conclusion, le modèle de Fama et French est souvent proposé comme alternatif au

MÉDAF. Cependant, l‘absence d‘une théorie substantielle, l‘obscurité de ses interprétations
économiques, ainsi que le surgissement des nouvelles anomalies (Fama et French 2008)
inexpliquées par le modèle révèlent ses propres limites. Pour ces motifs, des modèles récents
désirant combler ces lacunes ont été établis, à titre d‘exemple le modèle à trois facteurs de
Chen et al (2010).
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
Les modèles multifactoriels
Les modèles fondés sur une théorie Les modèles ad hoc

Le modèle d’évaluation par arbitrage (MÉA) .Ross (1976) Fama et French (1993) / Carhart(1997)
- Théorie d‘arbitrage. - Modèle linéaire.

- Modèle linéaire. - Risques systématiques communs.
- Risques systématiques communs. - Principe de diversification.
- Principe de diversification.
Facteurs implicites Facteurs explicites
Analyse Analyse en Facteurs Facteurs
Factorielle composante macroécono Fondamentau
standard principale miques x
- Les facteurs sont des

indices, économiquement - Le choix des facteurs est justifié par
non observables. - Choix arbitraire des des tests empiriques.
-détermination simultanée facteurs.
des facteurs et leurs Betas.
- 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
Chapitre III : La littérature dans le contexte tunisien
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.
1) Le marché boursier 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.
Le tableau ci-après montre que la pénétration du marché boursier tunisien dans

l‘économie, comparée à d‘autres pays similaires1, est fortement faible.
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
Tableau 1 : La capitalisation boursière des entreprises cotées (% du PIB)

Cisjordanie
Égypte Jordanie Liban Malaisie Maroc Tunisie Turquie
et gaza
2008 34 52.7 163.1 32.1 81 74 14.2 16.1
2009 35.35 47.6 133.8 37.2 126.6 69.2 20.9 36.7
2010 29.5 37.7 116.8 33.9 166.3 76.2 24.1 41.9
2011 28.5 21.2 94.3 25.3 137.2 60 20.8 26
Moyenne 31.837 39.8 127 32.125 127.775 69.85 20 30.175
Sources : Banque mondiale 2013, Le bureau palestinien central des statistiques et la bourse
de Palestine.
La Tunisie, avec une moyenne de 20% du PIB désignant la proportion de la capitalisation

boursière totale du marché tunisien, présente le rapport le plus décalé parmi les huit pays
étudiés. Elle se trouve loin derrière la Jordanie (127% en moyenne), encore plus faible que le
Maroc (70%), l‘Égypte (40%) et la Turquie (30%).
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.
Tableau 2: Nombre des entreprises locales cotées en bourse.

Cisjordanie
Égypte Jordanie Liban Malaisie Maroc Tunisie Turquie
et gaza
2008 37 373 262 11 977 77 49 317
2009 39 305 272 10 960 78 52 315
2010 40 213 277 10 957 73 56 337
2011 45 231 247 10 941 75 57 362
2012 47 234 243 10 921 76 59 405
Source : Banque mondiale 2013.
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
Tableau 3: Évolution du taux de financement des investissements privés (2000-2011).

En millions de dinars.
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011
Émissions de
titres de 33 113 8 13.5 70 63.8 164 126.4 251.7 301.3 301.7 94.8
capital
Émissions de
titres de 154 297 233 101 103.5 130.8 150.8 313.2 392 675 713.9 415.4
créance
Fonds
communs de - - - - - - 50 50 - - - -
créances
Total 187 410 241 114.5 173.5 194.6 364.8 489.6 643.7 976.3 1015.6 510.2
Taux de
financement
Des 4.9% 9.6% 5.8% 2.6% 3.8% 4% 6.7% 7.5% 7.9% 11.9% 11.6% 5.7%
investissements
privés
Source : Conseil du Marché Financier tunisien, rapport annuel 2011.
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‘‘.
En général, la faible contribution du marché boursier tunisien dans le financement des

investissements privés s‘explique par l‘exclusion des financements directs (émissions des
titres) par le financement bancaire qui est plus facilement accessible.
La liquidité du marché est un autre indicateur important sur le développement de la

bourse. Comparée aux autres pays, la liquidité du marché tunisien est structurellement faible
(tableau 4).
Tableau 4: Le ratio de rotation % (la valeur des actions transigées en pourcentage de la

capitalisation boursière totale)
Cisjordanie La
Égypte Jordanie Liban Malaisie Maroc Tunisie Turquie moy
et gaza
2008 52 61.9 72.7 6.9 33.2 31.1 25.5 118.5
2009 22.2 60.1 40.3 9.3 32.9 45.7 16.2 141.7
2010 18.7 43 30.1 14.7 27.1 16.3 17.2 158.4
2011 14.7 33.5 13.9 4.5 32 9.8 11 162.7
2012 9.5 37.8 10.3 4 28.6 6.2 13.5 136.5
La
23.42 47.26 33.46 7.88 30.76 21.82 16.68 143.56 40.61
Moyenne
Sources : Banque mondiale 2013 et la bourse de Palestine.
35
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.
Tableau 5: Évolution de la répartition sectorielle des émetteurs de titres de capital

(2009-2011). En MD.
2009 % 2010 % 2011 %
Secteur financier 258.3 60.2 165.5 51.8 136 74.7
Banques. 206.8 48.2 98.3 30.7 89.9 49.4
Assurances. 24 5.6 23.9 7.5 15 8.2
Leasing et factoring. 27.5 6.4 14 4.4 5 2.7
Autres services financiers. - - 29.3 9.2 26 14.3
Sociétés d‘investissement à capital risque. - - 29.3 9.2 26 9.2
Biens de consommation 12.5 2.9 9.9 3.1 20.5 11.3
Matériaux de base 4 0.9 3 0.9 7.2 3.9
Industries 102.4 23.9 138.1 43.2 2.4 1.3
Services aux consommateurs 49.9 11.6 3 0.9 9.3 5.1
Pétrole et gaz 1.7 0.4 - - - -
Technologie - - - - 6.8 3.7
Total 428.8 100 319.6 100 182.2 100
Source: Le Conseil du Marché Financier tunisien, Rapport annuel 2011.
La concentration sectorielle est aussi parmi les caractéristiques du marché boursier

tunisien. En effet, la BVMT est dominée par les titres émis par le secteur financier pour près
de 75% dont 50% sont des valeurs bancaires (Tableau 5). De plus, le secteur bancaire se taille
la part du lion dans la capitalisation boursière (plus de 40%1). Ceci nous amène à adopter
l‘hypothèse stipulant que l‘activité bancaire affecte largement les rendements des titres sur le
marché tunisien.
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
La dernière caractéristique est la faible internationalisation de la place de Tunis. En effet

la participation étrangère dans la capitalisation boursière est de 20.4% en 20121. Cela offre
l‘avantage d‘alléger l‘effet des chocs internationaux sur le marché tunisien. Cependant,
l‘ouverture du marché aux investisseurs étrangers permettra d‘améliorer la liquidité,
d‘augmenter la capitalisation boursière et d‘enrichir la demande.
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.
2) La littérature dans le contexte 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.
Leurs résultats montrent qu‘approximativement 50% des primes du risque de deux

modèles sont négatives. Ceci est expliqué par la situation de détresse du marché boursier
tunisien durant la période de l‘étude.
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
(Notes sur l‘endettement, mesures de la corruption, stabilité politique, sécurité, facteurs

macroéconomiques…) ajoutés aux trois facteurs du modèle de Fama et French.
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
des crédits accordés par les banques privées et l‘indice mensuel des prix des ventes familiales,
surperforme les autres modèles étudiés.
Hammami et al (2013) renforcent cette position en démontrant que les investisseurs

tunisiens ne suivent pas les stratégies classiques basées sur la taille de l‘entreprise, sa valeur et
son performance historique. Par contre, un modèle GARCH multi-varié qui tient en
considération la structure à terme du taux d‘intérêt semble plus performent dans l‘analyse des
rendements des fonds d‘investissement sur le marché tunisien.
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
La deuxième partie : Étude empirique
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.
Le deuxième chapitre s‘occupe des résultats empiriques et fournit les interprétations

nécessaires. En effet, trois modèles empiriques seront mis sous la lumière des analyses
économétriques afin de dégager leurs capacités explicatives de la variation des rendements
boursiers tunisiens. Il s‘agit du MÉDAF, d‘un modèle à facteurs fondamentaux et d‘un
modèle à facteurs macroéconomiques.
40
Chapitre I : Données et Méthodologie 41
Chapitre I : Données et Méthodologie
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.
L‘échantillon se compose des rendements mensuels (dividendes compris) des actions

cotées à la BVMT. Le nombre des entreprises cotées pendant la période d‘observation varie,
selon leur adhérence aux conditions d‘intégration dans l‘échantillon, entre 35 et 56. La
formule ci-après est adoptée pour calculer les rendements mensuels des actions :
représentent respectivement le cours de l‘action i enregistré à la fin du mois t et t-

1. c‘est le dividende de l‘action i versé durant le mois t.
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
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).
2) La construction des variables :
a- La construction des variables dépendantes :
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
zéro. En regroupant les actions en portefeuilles, il est possible d‘observer des

différences significatives au niveau des rendements moyens des actions »1.
- « Cochrane (2001) et Fama et French (1993) précisent que la formation des
portefeuilles répond au désir de mimer le comportement des investisseurs qui
recourent généralement à la construction des portefeuilles afin de tirer profit de la
diversification »2.
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 construction des 7 portefeuilles selon le niveau du risque systématique Beta

(Les portefeuilles Beta) :
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
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
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.
La répartition du nombre filtré

Le nombre total des Le nombre des entreprises sur les 7 portefeuilles
entreprises cotées après filtrage
1 2 3 4 5 6 7
2001 45 35 5 5 5 5 5 5 5
2002 46 39 6 6 5 5 5 6 6
2003 45 38 6 5 5 6 5 5 6
2004 44 39 6 6 5 5 5 6 6
2005 45 39 6 6 5 5 5 6 6
2006 48 39 6 6 5 5 5 6 6
2007 51 39 6 6 5 5 5 6 6
2008 50 38 6 5 5 6 5 5 6
2009 52 41 6 6 6 5 6 6 6
2010 56 42 6 6 6 6 6 6 6
2011 57 45 7 6 6 7 6 6 7
2012 59 46 7 7 6 6 6 7 7
Le tableau A1 présente une analyse de corrélation des rendements excédentaires de ces

sept portefeuilles Beta avec les rendements excédentaires des secteurs boursiers tunisiens
calculés comme étant les moyennes des rendements des actions qui constituent chaque
secteur, diminuées du rendements du taux sans risque.
Nous remarquons que le coefficient de corrélation du secteur bancaire augmente avec

l‘évolution des portefeuilles Beta ce qui montre qu‘une part importante de ces portefeuilles est
dominée par des banques. De même, nous constatons du tableau A1 que les secteurs disposant
du risque de marché le plus élevé en tenant les coefficients de corrélations les plus importants
avec le septième portefeuille sont successivement le secteur de «télécommunications » (68%),
le secteur d‘ « agro-alimentaire et Boissons » (60%), le secteur des « services financiers »
(58%) et le secteur bancaire (57%).
45
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
 La construction des 4 portefeuilles selon le croisement des critères Taille et

Book-to-market :
La procédure de la formation des 4 portefeuilles selon l‘intersection Taille/ Book-to-

market est similaire à la méthode de Fama et French (1993). Néanmoins, deux contraintes
nous ont poussés à ajuster cette méthode pour qu‘elle soit adéquate au contexte tunisien.
D‘une part, les portefeuilles construits doivent inclure le maximum des actions de telle sorte
qu‘ils soient bien diversifiés. D‘autre part, le nombre des portefeuilles doit être élevé afin de
s‘assurer de la significativité des tests empiriques en augmentant le degré de liberté. Ainsi, en
tenant compte du nombre faible des actions sur le marché boursier tunisien, ces deux
prémisses deviennent contradictoires. Une solution à ce dilemme est proposée par Hammami
et Jilani (2011) qui consiste à construire 20 portefeuilles selon 5 critères différents à la place
des 25 portefeuilles formés selon l‘intersection Taille et Book-to-market proposés par Fama et
French (1993).
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
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).
De même, à la fin du mois de Décembre de l‘année précédente (t-1), on arrange les

entreprises cotées selon leurs ratios Book-to-market (B/M). Par la suite, on les classe, par
rapport à la médiane, entre un niveau élevé du ratio B/M (High) et un niveau faible (Low).
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
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.
Le tableau A2 expose la corrélation des rendements excédentaires des quatre portefeuilles

de croisement des critères Tailles/BM et les rendements excédentaires des secteurs boursiers.
Tableau A2 : Analyse de corrélation entre les quatre portefeuilles croisés Taille/BM et

les secteurs boursiers.
Small- Big- Small- Big-
LowB/M LowB/M HighB/M HighB/M
Banques 0.39 0.67 0.44 0.81
Services Financiers 0.60 0.57 0.56 0.61
Assurance 0.36 0.39 0.41 0.32
Télécommunications 0.46 0.67 0.40 0.36
Distribution 0.48 0.55 0.45 0.36
Voyages et loisirs 0.16 0.26 0.37 0.31
Santé 0.31 0.48 0.31 0.16
Automobiles et Equips 0.54 0.43 0.43 0.27
Agro-alimentaire et Boiss 0.50 0.47 0.53 0.38
Prdts méngers _soins pers 0.36 0.43 0.42 0.18
Bâtiment_Matériaux_Construction 0.27 0.27 0.39 0.22
Biens et Services Industriels 0.20 0.27 0.29 0.11
Chimie 0.19 0.26 0.31 0.12
Matières premières 0.30 0.60 0.37 0.46
Pétrole et Gaz 0.26 0.45 0.34 0.24
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
De même, nous remarquons que la majorité des entreprises constituant le secteur de

« télécommunications », le secteur de «distribution » et le secteur des « matières
premières » sont des grandes entreprises à faibles ratios B/M.
 La construction des 4 portefeuilles selon le croisement des critères Taille et

Momentum :
La formation des 4 portefeuilles selon l‘intersection de deux critères Taille et Momentum

suit la même logique décrite dans la sous-section précédente, sauf que les arrangements sont
faits chaque mois et non pas uniquement à la fin du mois de Juin de chaque année.
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.
Ainsi, à chaque mois de la période allant de Juillet-1999 à Décembre-2012, nous avons

scindé les entreprises cotées à la BVMT en deux groupes sur la base de leurs CB. Celles ayant
une CB inferieure à la médiane sont qualifiées de petite taille (Small) et celles ayant une CB
supérieure à la médiane sont qualifiées de grande taille (Big). Pour le même mois, les
entreprises sont classées en deux groupes selon leurs valeurs de momentum. Dans le premier
groupe, nous trouvons les entreprises disposant d‘un momentum supérieur à la médiane. Elles
sont les entreprises gagnantes (Winners) sur les six dernières années. Dans le deuxième
groupe, nous trouvons les entreprises disposant d‘un momentum inferieur à la médiane. Elles
sont les entreprises perdantes (Losers) sur les six dernières années. Par la suite, les
croisements suivants sont faits afin d‘obtenir les 4 portefeuilles Taille/Momentum :
Small/Losers, Small/Winners, Big/Losers, Big/Winners.
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.
Enfin, on s‘intéresse à calculer le rendement mensuel de chaque portefeuille qui n‘est

d‘autre que la moyenne simple des rendements des actions le composant.
49
Les variables dépendantes sont les rendements mensuels excédentaires par rapport au taux
sans risque (TRE) de chacun des 4 portefeuilles.
L‘analyse de corrélation de rendements excédentaires de ces portefeuilles avec les secteurs

boursiers tunisiens est exposée dans le tableau A3. Nous constatons que les grandes
entreprises sont concentrées sur le secteur bancaire. Il en va de même pour le secteur de
« télécommunications ». En revanche, le secteur des « services financiers » est plus
diversifier.
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.
Les secteurs « banques », « télécommunications » et « automobiles et équipements » sont

les plus corrélés avec les rendements des entreprises perdantes. Cela souligne que ces secteurs
ont tendance à conserver leurs historiques des faibles rendements boursiers dans le futur.
Tableau A3 : Analyse de corrélation des rendements excédentaires des 4 portefeuilles

de croisement Taille/Momentum avec les rendements excédentaires des différents
secteurs boursiers.
Small- Small- Big-
Losers Winners Big-Losers Winners
Banques 0.39 0.35 0.64 0.72
Assurance 0.30 0.42 0.26 0.44
Distribution 0.50 0.37 0.38 0.52
Santé 0.36 0.23 0.58 0.23
Chimie 0.25 0.20 0.16 0.23
Pétrole et Gaz 0.32 0.33 0.40 0.35
 La construction des 4 portefeuilles selon le croisement des critères Taille et le

ratio earning-to-price :
50
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 même procédure expliquée dans le cadre du croisement Taille/Book-to-market a été

répliquée chaque année pour la période 1999-2012 jusqu'à l‘obtention de quarte séries
chronologiques des rendements mensuels excédentaires des portefeuilles de croisement
Taille/EPR.
Le tableau A4 présente la corrélation de ces rendements avec les rendements

excédentaires des différents secteurs boursiers.
Tableau A4: Analyse de corrélation des rendements excédentaires des 4 portefeuilles

de croisement Taille/EPR avec les rendements excédentaires des secteurs boursiers.
Small-Low Big-Low Small-High Big-High
EPR EPR EPR EPR
Banques 0.21 0.63 0.54 0.85
Assurance 0.30 0.38 0.45 0.33
Distribution 0.50 0.50 0.43 0.36
Santé 0.38 0.47 0.27 0.14
Chimie 0.20 0.26 0.25 0.11
Pétrole et Gaz 0.32 0.43 0.34 0.23
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
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.
Le secteur de « télécommunication » affiche un coefficient de corrélation de 68% avec les

entreprises de type «Big-Low EPR». Par conséquent, nous constatons que les entreprises
constituants ce secteurs sont en général des grandes entreprises dont le bénéfice net par action
est faible en le comparant au niveau de son cours.
 La construction des 4 portefeuilles selon le croisement des critères Taille et le

ratio Dividend-Yield :
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.
Le tableau A5 expose la corrélation des rendements excédentaires de ces 4 portefeuilles

avec les rendements excédentaires des différents secteurs boursiers. Les données montrent que
le secteur bancaire domine l‘activité boursière par sa forte capitalisation boursière.
Le secteur de « télécommunication » est caractérisé par les entreprises de grandes tailles et

de faible distribution des dividendes. Par contre, le secteur de « matières premières » est
dominé par les grandes entreprises disposant un ratio élevé de Dividend-Yield.
52
Tableau A5 : Analyse de corrélation des rendements boursiers excédentaires des

quatre portefeuilles de croisement Taille/Dividend-Yield avec les rendements
excédentaires des différents secteurs boursiers.
Small-Low Big-Low Small-High Big-High
Dividend Dividend Dividend Dividend
Yield Yield Yield Yield
Banques 0.32 0.71 0.45 0.74
Assurance 0.47 0.42 0.28 0.30
Distribution 0.37 0.48 0.48 0.54
Santé 0.28 0.46 0.29 0.23
Chimie 0.23 0.19 0.25 0.27
Pétrole et Gaz 0.28 0.40 0.35 0.34
b- La construction des variables indépendantes :
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).
Le recours aux portefeuilles mimiques afin d‘approximer les facteurs fondamentaux, à

savoir la taille, le ratio B/M, le momentum et la liquidité, est inspiré de la méthodologie de
Fama et French (1993). Un portefeuille mimique est définit comme étant un portefeuille des
53
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 :
- Le Taux de croissance mensuel de la production industrielle.

- La structure à terme des taux d‘intérêts.
- L'inflation.
- Le taux d‘intérêt réel.
- Le taux de croissance mensuel de l‘indice des prix de vente.
- Le niveau mensuel de la monnaie centrale.
- Les crédits accordés par les banques à l‘économie.
- Variation mensuelle du taux de change entre le dinar tunisien et le dollar américain.
- La variation mensuelle de la liquidité du marché boursier.
On s‘intéresse à détailler la méthode de construction de ces variables dans les deux sous-
sections suivantes.
 La construction des variables fondamentales :
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
Les rendements mensuels de chacun des groupes d‘intersections sont déterminés en

calculant la moyenne simple des rendements des actions le constituent.
La variable fondamentale SMB est obtenue en soustrayant le rendement moyen des

groupes composés des grandes entreprises (Big/Low et Big/High) du rendement moyen des
groupes composés des petites entreprises (Small/Low et Small/High):
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.
Ainsi, à chaque mois de la période allant de Juillet-1999 à Décembre-2012, les actions

cotées à la BVMT et disposant d‘une CB disponible à la fin du mois et d‘un momentum
(calculé selon la formule expliquée dans la partie de construction des variables dépendantes
comme étant le rendement cumulatif durant les six derniers mois) ont été scindées en deux
classes selon leurs CB (Small/Big) et deux classes selon leurs valeurs de momentum
(Winners/Losers).
Après avoir réalisé les intersections suivantes, Small/Losers, Small/Winners, Big/Losers et

Big/Winners, la variable WML est obtenue en diminuant le rendement moyen des entreprises
Losers (Small/Losers et Big/Losers) du rendement moyen des entreprises Winners
(Small/Winners et Big/Winners) :
Concernant la variable IMV, représentant l‘effet de la liquidité de l‘action sur son

rendement boursier, elle est construite dans le même esprit que Chan et Faff (2005). De ce
55
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) :
Enfin, on tient à signaler que la variable représentant le rendement excédentaire du

marché, utilisé dans le cadre du MÉDAF et les modèles fondamentaux et économétriques, est
approximé par le rendement mensuel de l‘indice boursier Tunindex diminué du taux mensuel
de rémunération de l‘épargne considéré comme étant le taux sans risque.
 La construction des variables macroéconomiques :
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
Un premier facteur est la production industrielle. En fait, théoriquement une variation

dans la production industrielle aura un effet potentiel sur les profits et par la suite sur la
politique de distribution des dividendes des entreprises cotées. Ceci affectera par voie de
conséquence les rendements des actions. Par ce fait, nous pouvons faire l‘hypothèse stipulant
que la croissance mensuelle de la production industrielle a un effet sur la variation des
rendements boursier.
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.
Ainsi, afin de construire l‘historique de la variable indépendante relative à la production

industrielle, on s‘intéresse à calculer le taux de croissance mensuel de l‘indice de la
production industrielle (TCMIPI) selon la formule suivante :
Où représente l‘indice de la production industrielle au mois t.
De même, on suppose que la variation à long terme de la production industrielle affecte

les rendements boursiers. Ainsi, nous avons calculé le taux de croissance annuelle (12 mois)
de l‘indice de la production industrielle (TCAIPI) à chaque mois t selon la formule :
Où est l‘indice de la production industrielle avant 12 mois.
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
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) :
La série de l‘Indice des Prix à la Consommation familiale allant de Janvier-1999 à Décembre-

2012 et à base 100 en 1990 est obtenue de la base des données de l‘Institut National de la
Statistique (INS).
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:
- TCMIPV : Taux de croissance mensuel de l‘indice des prix de vente.
Où est l‘Indice des Prix de Vente Industriels au mois t obtenu de la base des
données de l‘INS.
- TCMMC : Taux de croissance mensuel du niveau de la monnaie centrale.
58
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.
- USDTND : la variation mensuelle du taux de change USD/TND.
Où est le taux de change USD/TND au mois t obtenu de la base des données de l‘INS.
- MRKLIQ : la variation mensuelle de la liquidité du marché boursier.
désigne le ratio de turnover du marché boursier tunisien au mois t calculé selon la

formule :
Les données sont extraites des Bulletins des Statistiques Financiers de la Banque Centrale de
Tunisie.
Le tableau 7 présente un résumé des variables macroéconomiques :
59
Tableau 7 : Les variables macroéconomiques.
Période
Nom Désignation Formule Source
Couverte
le taux de croissance mensuel de

TCMIPI l‘indice de la production ( ) INS 2000/2012
industrielle.
le taux de croissance annuelle de

TCAIPI ( ) INS 2001/2012
l‘indice de la production industrielle
la structure à terme des taux

TERM BCT 1999/2012
d‘intérêts.
INF le taux d‘inflation. INS 1999/2012
le taux d‘intérêt réel du marché BCT

TMMR 1999/2012
monétaire INS
le taux de croissance mensuel de

TCMIPV INS 2000/2012
l‘indice des prix de vente.
le taux de croissance mensuel du

TCMMC BCT 1999/2012
niveau la monnaie centrale.
le taux de croissance mensuel des

TCMCBE crédits accordés par les banques à BCT 1999/2012
l‘économie.
la variation mensuelle du taux de

USDTND INS 2000/2012
change USD/TND.
la variation mensuelle de la
MRKLIQ BCT 1999/2012
liquidité du marché boursier.
3) Méthodologie des tests empiriques:
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.
Dans un premier lieu, il s‘agit d‘effectuer la régression temporelle des rendements

mensuels en excès des 23 portefeuilles (les variables dépendantes) sur les facteurs du modèle
étudié (les variables indépendantes) durant toute la période (1999-2012) afin d‘estimer les
coefficients de sensibilité ̂ , soit 23 ̂ font l‘objet des tests de significativité. La pertinence
60
du modèle dans l‘explication de la variation du rendement boursier de chaque portefeuille

dans le temps est mesurée par la significativité de ses paramètres, le coefficient de
détermination ajusté moyen et le critère d‘information d‘Akaike (1973) ou son dérivé le
critère d'information bayésien de Gideon Schwarz (1978).
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 :
- La période totale d‘observation (Juillet-1999 à Décembre-2012) est divisée en 6 sous-

périodes, chacune est de 27 mois. Pour chacune des sous-périodes, nous faisons dans
un premier temps une régression temporelle afin d‘avoir (au nombre des portefeuilles)
23 ̂ estimés.
Le modèle d‘estimation est le suivant :
Où est le rendement excédentaire du portefeuille p au mois t, correspond à la constante

de la régression temporelle relative à la régression temporelle des rendements du portefeuille
p et est le coefficient de sensibilité du portefeuille p associé au facteur
- 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.
Le modèle est le suivant :
̂ ̂ ̂ ̂
Où ̂ est le coefficient estimé moyennant la première étape sur la sous-période de 27

mois et est la prime de risque associé au facteur de risque .
61
- 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.
En fin, on tient à souligner que Le calcul des « t » de Student est effectué en

employant la correction de Newey et West (1987) pour tenir compte, le cas échéant,
de l‘hétéroscédasticité ou de l‘autocorrélation des erreurs.
62
Chapitre II : Les résultats des tests empiriques 63
Chapitre II : Les résultats des tests empiriques
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.
1) Le MÉDAF dans le contexte tunisien
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.
a- La régression temporelle sur la période entière
L‘objectif de cette sous-section est d‘investiguer la capacité du risque de marché à

expliquer la variation des rendements des portefeuilles d‘actions dans le temps. Ainsi, le
modèle à implémenter est le suivant :
Où représente le rendement en excès du portefeuille p par rapport au taux sans risque

(TRE) au mois t, il s‘agit des rendements des 23 portefeuilles de référence. est le
rendement excédentaire du marché (rendement de Tunindex – TRE) au mois t.
Dans un premier lieu, sept régressions temporelles ont été effectuées en introduisant les
sept portefeuilles Beta comme variables dépendantes expliquées par le rendement
excédentaire du marché. Les résultats sont donnés par le tableau 8.
63
Le MÉDAF dans le contexte tunisien 64
Tableau8 : Sont exposés dans le tableau la constante du modèle ̂ et le coefficient du risque

de marché ̂ ainsi que les « t » de Student correspondants. Les régressions sont faites pour
chacun des 7 portefeuilles Beta. Le coefficient de détermination ajusté et le critère
d’information d’Akaike sont utilisés pour étudier la pertinence du modèle.
Les « t » de Student en gras sont significatives au seuil de 5%.
Numéro de portefeuille
Critères 1 2 3 4 5 6 7 Moyenne
̂ 0.006 0.003 0.003 0.008 -0.007 -0.005 -0.008 -0.001
(̂ ) 1.52 0.90 0.76 1.93 -1.95 -1.49 -1.62 -0.05
̂ 0.363 0.617 0.734 0.824 0.7 0.761 1.160 0.762
̂ 3.73 7.64 6.52 7.80 7.80 8.08 9.07 6.4
0.083 0.286 0.225 0.295 0.294 0.310 0.362 0.223
AIC -479.731 -533 -437.578 -455.780 -503.233 -488.969 -400.653 -440.192
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.
Le test de significativité montre que les coefficients du risque de marché ̂ sont

significativement positifs et inferieurs à 1, à l‘exception du septième portefeuille. Cela nous
renseigne sur le caractère défensif de la majorité des actions sur le marché tunisien qui tendent
à amortir les variations de marché. Ce résultat confirme celui de Ben Naceur et Ghazouani
(2007) anisi que Chaibi et Ben Naceur (2009) où ils ont interprété la faiblesse du coefficient
Beta (> 1) par la liquidité modeste du marché tunisien.
Dans le même cadre, en se référant à la méthode de la construction des portefeuilles Betas,

nous remarquons que les termes constants ̂ sont positifs pour les portefeuilles à faibles Betas
(de 1 à 4) et négatifs pour les portefeuilles ayant des Betas élevés (de 5à 7). Ceci signifie que
les actions de la BVMT ayant de risque systématique élevé sur la période 1999-2012 ont
réalisé des rendements inférieurs à ceux espérés par le modèle et les actions à faible risque
systématique ont réalisé des rendements supérieurs aux prédictions du modèle. Autrement dit,
le MÉDAF tende à exagérer les rendements espérés par rapport aux rendements réalisés des
64
actions disposant du risque systématique élevé et inversement en sous-évaluant les actions à

faible risque systématique. Ces résultats sont en concordance avec les conclusions citées par
Friend et Blume (1970), Black, Jensen and Scholes (1972) et Stambaugh (1982).
Globalement, le facteur du risque de marché jouit d‘une capacité explicative significative

des rendements boursiers chronologiques sur le marché tunisien. Néanmoins, cette conclusion
mérite d‘être consolider par des tests de robustesse afin qu‘elle soit généralisée aux autres
types des portefeuilles. Ainsi, dans le but de tester la robustesse de ces résultats nous avons
répliqué les régressions temporelles du modèle en substituant les sept portefeuilles Beta par
les 16 portefeuilles restants construits sur la base de quatre critères différents, à savoir le
croisement Taille/Book-to-market, le croisement Taille/Momentum, le croisement Taille/EPR
et le croisement Taille/Dividend-yield.
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.
L‘étude transversale de la sous-section suivante met en lumière le MÉDAF et son pouvoir

à expliquer les variations en coupe transversale des rendements boursiers tunisiens.
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
b- La régression Transversale du MÉDAF :
L‘objectif dans le cadre de cette sous-section vise à étudier le pouvoir du MÉDAF à

expliquer les variations des rendements boursiers tunisiens entre les différents portefeuilles
d‘actions à un moment donné.
La démarche se compose de deux étapes:
- Pour chacune des 6 sous-périodes, 23 régressions temporelles sont faites en employant

les 23 portefeuilles de référence et cela afin d‘obtenir les estimateurs ̂ qui vont servir
à être les variables dépendantes dans les régressions transversales de cette sous-
période. Le modèle à employer est celui de la régression temporelle, soit :
Où représente le rendement en excès du portefeuille p par rapport au taux sans risque

(TRE) au mois t, il s‘agit des rendements des 23 portefeuilles. est le rendement
excédentaire du marché (rendement de Tunindex – TRE) au mois t.
- 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
de l‘intervalle de confiance de ̂ au seuil de 5% dans le tableau 10, nous ne pouvons pas

rejeter l‘hypothèse nulle voulant que la constante soit égale à zéro. Ce qui va en
concordance avec la première implication du MÉDAF. Néanmoins, les résultats
soulignent qu‘une portion élevée des constantes (76/162) est significativement différentes
de zéro au seuil de 10%. De même, nous remarquons que le modèle s‘oriente à surévaluer
les actions dans plus que la moitié des cas. En effet, parmi les 162 régressions, nous avons
84 constantes qui sont négatives. De plus, la moitié des constantes significatives sont
négatives, à savoirs 37 sur 76 observations. Ce qui confirme nos résultats présentés dans le
cadre de la régression temporelle prévoyant que les outputs du MÉDAF sont exagérés.
Cela confirme l‘existence d‘autres facteurs pouvant améliorer la capacité explicative de
modèle.
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%
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
S‘agissant de la prime du risque de marché ̂, 55.55% des estimations (90/162) sont

significatives au seuil de 10% (dont 77 qui sont significatifs à 5%). L‘intervalle de
confiance au seuil de 5% montre que ̂ n‘est pas significativement différente de zéro avec
une moyenne sensiblement faible de 0.0008. D‘où l‘impertinence du risque de marché à
exprimer les variations en coupe transversale des rendements boursiers. Cela est approuvé
par une part indéniable des estimateurs de ̂ qui sont négatifs. En effet, 82 parmi 162
estimateurs sont négatifs. À plus forte raison, nous ne pouvons pas rejeter l‘hypothèse
stipulant que la prime est inférieure à zéro en se basant sur l‘intervalle de confiance au
seuil de 5%. Ce qui est irrationnel et contradictoire avec les implications du MÉDAF
notifiant qu‘un niveau du risque de marché ( ̂ élevé doit être rémunéré par une
Graphique1: La prime du risque de marché espérée (valeurs

négatives)
mars-09
sept.-99
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
Graphique2: La prime du risque de marché réalisée (valeurs

négatives)
mars-07
sept.-07
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
augmentation en prime de risque ( ̂). Dans ce cadre, deux interprétations opposées se

dévoilent : Ou bien le modèle n‘a pas fonctionné correctement dans le contexte tunisien à
cause de la liquidité modeste du marché boursier tunisien, sa situation de détresse et le
comportement de ses investisseurs. Ou bien le problème réside dans le modèle lui-même
et donc la prime du risque de marché estimée via le MÉDAF est biaisée et ne reflète pas
proprement l‘évolution de la prime de risque réelle sur le marché tunisien.
Le premier et le deuxième graphique montrent que l‘allure de la courbe des valeurs

négatives de la prime du risque de marché estimée par le MÉDAF est similaire à celle de
la prime réalisée du risque de marché. Par conséquent, le modèle a décrit correctement
l‘évolution de la prime du risque de marché tunisien. Ainsi, il en découle que le MÉDAF
n‘a pas altérer les données réelles offertes par le marché tunisien, mais plutôt le marché
lui-même caractérisé d‘une faible liquidité est à l‘origine de la prime irrationnelle
négative. Ce résultat renforce la conclusion de Ben Naceur et Ghazouani (2007) en ce qui
concerne les primes négatives du marché tunisien. Du moins, le troisième graphique
montre que le modèle tend à sous-évaluer les titres dans le cas où la tendance de marché
Graphique3: La constante Alpha (valeurs positives)
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
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.
D‘ailleurs, le coefficient de détermination ajusté figurant dans le tableau 10 varie entre

11.22% et 19.80% avec une moyenne de 16.30%. Ainsi, une grande partie de la variabilité
transversale des rendements boursiers n‘est pas expliquée par le modèle.
Somme toute, les régressions chronologiques et transversales du MÉDAF mettent en

valeurs une capacité explicative insatisfaisante illustrée par un coefficient de détermination
ajusté à l‘ordre de 26% en moyenne. Les insuffisances du MÉDAF ne trouvent pas leurs
explications exclusivement dans la simple description de ses outputs mais aussi la situation de
détresse du marché tunisien ainsi que sa faible liquidité imposent leurs contraintes à l‘encontre
de l‘applicabilité du modèle. Cela est justifié, d‘une part, par les valeurs faibles des
coefficients de sensibilité ( ̂ estimés par la régression temporelles et comprises entre 0 et1, et
d‘autre part, par les primes de risque négatives vues dans le cadre de la régression
transversale. Du moins, les rendements espérés surévalués et sous-évalués fournis par le
modèle respectivement dans le cas des actions ayant un risque systématique élevé et les
actions ayant un risque systématique faible, ainsi que dans le cas des primes positives et les
primes négatives, nous renseignent sur l‘existence d‘autres facteurs explicatifs pouvant
absorber la partie restante de la variabilité des rendements boursiers tunisien non expliquée
par le MÉDAF. Ces derniers peuvent être des facteurs fondamentaux spécifiques aux attributs
de l‘action, comme nous l‘avons déduit dans le cadre de la régression temporelle du MÉDAF.
L‘étude du pouvoir explicatif de ces facteurs fondamentaux fait l‘objet de la prochaine
section.
72
Les modèles à facteurs fondamentaux dans le contexte tunisien 73
2) Les modèles à facteurs fondamentaux dans le contexte tunisien
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.
a- Analyse des données fondamentales:
L‘analyse de la corrélation dans le tableau B1 souligne l‘indépendance des variables

fondamentales. En effet le coefficient de corrélation varie entre -0.28 et 0.156. De plus, nous
remarquons qu‘à l‘exception du portefeuille WML, les rendements des trois autres
portefeuilles fondamentaux sont négativement corrélés avec le rendement excédentaire du
portefeuille de marché. Ce qui conteste l‘existence des primes du risque accordées aux petites
entreprises, aux entreprises ayant un ratio B/M élevé et aux entreprises non liquides. Le
portefeuille mimique SMB présente le coefficient de corrélation négatif le plus fort avec le
portefeuille du marché. Ceci nous renseigne sur son pouvoir explicatif.
Tableau B1 : Analyse de corrélation des facteurs fondamentaux.

Rm-rf SMB HML WML IMV
Rm-rf 1.000
SMB -0.280 1.000
HML -0.010 -0.100 1.000
WML 0.101 -0.079 0.156 1.000
IMV -0.179 0.066 0.068 0.063 1.000
Le tableau B2 expose la corrélation entre les facteurs fondamentaux et les rendements

excédentaires des différents secteurs boursiers calculés comme étant la simple moyenne des
rendements des actions qui composent chaque secteur diminuée du rendement du taux sans
73
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
Le tableau B3 affiche l‘analyse de corrélation des facteurs fondamentaux avec nos 23

portefeuilles croisés. Le portefeuille de marché est le facteur explicatif le plus corrélé avec les
rendements des portefeuilles croisés. En effet la majorité de ses coefficients sont supérieurs à
30%. Par la suite nous trouvons successivement le facteur SMB, le facteur HML, le facteur
WML et le facteur IMV. Ceci nous renseigne sur l‘ordre des capacités explicatives des
différents variables fondamentales.
74
Tableau B3 : Analyse de corrélation des facteurs fondamentaux avec les 23 portefeuilles de

référence.
23 portefeuilles croisés Rm-rf SMB HML WML IMV
Small_LowB/M 0.48 0.39 -0.54 -0.12 -0.26
Big_LowB/M 0.67 -0.31 -0.42 -0.12 -0.22
Small_HighB/M 0.47 0.41 0.22 -0.07 -0.12
Big_HighB/M 0.78 -0.43 0.18 0.04 -0.31
Small_Losers 0.37 0.34 -0.13 -0.50 -0.32
Small_Winners 0.44 0.34 0.08 0.34 -0.13
Big_Losers 0.63 -0.23 -0.28 -0.43 -0.14
Big_Winners 0.75 -0.30 -0.24 0.35 -0.25
Small_Low EPR 0.22 0.41 -0.37 -0.14 -0.16
Big_LowEPR 0.68 -0.29 -0.40 -0.11 -0.25
Small_Hign EPR 0.60 0.24 0.03 0.00 -0.30
Big_High EPR 0.76 -0.41 0.03 0.10 -0.17
Small_Low DivYield 0.40 0.48 -0.02 -0.09 -0.10
Big_Low DivYield 0.66 -0.29 -0.33 -0.17 -0.22
Small_High DivYield 0.53 0.35 -0.05 -0.09 -0.32
Big_HighDivYield 0.77 -0.27 -0.09 0.10 -0.19
1_LOW BETA 0.30 0.34 -0.02 -0.26 -0.17
2_ BETA 0.53 0.07 0.04 0.02 -0.09
3_ BETA 0.47 0.08 0.00 -0.06 -0.10
4_ BETA 0.54 0.10 0.03 -0.05 -0.31
5_ BETA 0.54 -0.15 -0.15 -0.02 -0.11
6_ BETA 0.55 -0.10 -0.16 0.06 -0.16
7_High BETA 0.61 -0.11 -0.25 -0.20 -0.16
b- La régression temporelle sur la période entière des modèles à facteurs fondamentaux:
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
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.
S‘agissant des coefficients de sensibilité ̂ et ̂ de deux facteurs explicatifs SMB et

HML, le tableau 11 met en valeur un pouvoir explicatif plus significatif pour le facteur SMB
que le facteur HML. Ainsi qu‘en témoigne, 19 sur 23 ̂ sont significatifs contre uniquement
12 sur 23 pour ̂ . Mieux encore, le facteur SMB arrive à enrichir 16 coefficients significatifs
au seuil de 1% pour les 16 portefeuilles construits sur la base des croisements 2x2 du critère
taille avec le ratio B/M, le momentum, l‘EPR et le Dividend-Yield contre 9 coefficients
significatifs pour le facteur HML. En outre, les signes attendus pour les deux coefficients ̂
et ̂ sont en général vérifiés. En effet, les petites entreprises disposent d‘un coefficient ̂
positif indiquant que leurs rendements évoluent dans le même sens que la prime du facteur
SMB. Cependant, les grandes entreprises montrent des ̂ négatifs par le fait que leurs
rendements évoluent inversement au facteur SMB.
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
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.
Graphique 4 : La prime du risque de la taille

de l'entreprise, réalisée sur le marché tunisien: SMB
0.15
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
Graphique 5 : La prime du risque de valeur de

l'entrprise réalisée sur le marché tunisien: HML
0.15
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
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.
La significativité du coefficient ̂ du facteur WML est focalisée sur les quatre

portefeuilles momentum contrairement à celui du facteur IMV qui est significatif pour la
majorité des portefeuilles.
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 ̂ .
Les deux graphiques 6 et 7 mettent en doute la présence de l‘effet momentum et l‘effet de

la liquidité sur le marché boursier tunisien.
80
Graphique 6: La prime réalisée de Graphique 7: La prime réalisée de la

momentum sur le marché tunisien liquidité sur le marché tunisien
0.15 0.15
0.1 0.1
0.05
0.05
0
0
Apr-01
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
En effet la prime de momentum et la prime de la liquidité ne sont pas justifiées sur

l‘intégralité de la période d‘observation 1999-2012. Les variations des primes, tantôt positives
et tantôt négatives, affirment que les entreprises gagnantes sur les six derniers mois ainsi que
les entreprises non liquides ne réalisent pas toujours des rendements supérieurs aux autres
entreprises.
Le tableau 13 relève l‘augmentation remarquable du pouvoir explicatif du modèle

regroupant tous les facteurs susvisés. En effet, le coefficient de détermination moyen a évolué
de 35.5% dans le cadre du MEDAF et de 27% dans le cadre du modèle incluant les quatre
facteurs SMB, HML, WML et IMV à 62% dans le cadre du modèle regroupant tous ces
facteurs. De même, les critères d‘information d‘Akaike et Bayésien ont été réduits
successivement de -527 (AIC MEDAF) et -543 (AIC du modèle à quatre facteurs) à -647.6 et
de -570 (BIC MEDAF) et -528 (BIC du modèle à quatre facteurs) à -629.25.
Nous remarquons dans le tableau 13 que le facteur du risque de marché dispose de la

capacité explicative la plus élevée où il a enrichi 23 coefficients ̂ significatifs au seuil de
1% sur les 23 portefeuilles de types différents. Par la suite nous trouvons les facteurs de la
taille SMB et le facteur de la valeur HML avec successivement 17 coefficients ̂ et 10
coefficients ̂ significatifs au seuil de 1%. Enfin, les facteurs du momentum WML et de la
81
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%
Croisement Moyenne
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.

Croisement Moyenne
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
c- La régression Transversale du modèle fondamental:
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.
D‘abord, il s‘agit de déterminer les variables indépendantes à implémenter dans la

régression transversale à chaque mois t, qui ne sont autre que les coefficients des sensibilités
des facteurs SMB, HML, WML et IMV estimés sur chacune des six sous-périodes pour
chacun des rendements en excès des 23 portefeuilles comme c‘est expliqué dans la
méthodologie des tests empiriques. Ensuite, on s‘intéresse à réaliser la régression en coupe
transversale à chaque mois t de la période allant de Juillet-1999 à Juin-2012 afin d‘estimer la
prime du risque de chaque facteur fondamental. Ainsi, nous avons en total 156 primes de
risque pour chacune des variables explicatives.
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
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.
Enfin, notre modèle a été formellement amélioré en introduisant les facteurs

fondamentaux mais il est encore inapte pour décrire convenablement la variabilité des
rendements boursiers tunisiens. Ainsi, en ajoutant des facteurs macroéconomiques, le modèle
deviendrait-il plus adéquat au contexte tunisien ?
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
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
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
̅̅̅̅̅̅̅̅
̂ 0.0008 -0.0002 0.0083 0.0106 -0.006 -0.00028 0.0022
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
̅̅̅̅̅̅̅̅
̂ -0.0057 0.0062 -0.014 0.0112 0 -0.0101 -0.0020
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
3) Les modèles macroéconomiques dans le contexte tunisien
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 :
- Le Taux de croissance mensuel de la production industrielle.

- Le Taux de croissance annuel de la production industrielle.
- La structure à terme des taux d‘intérêts.
- L'inflation.
- Le taux d‘intérêt réel.
- Le taux de croissance mensuel de l‘indice des prix de vente.
- Le niveau mensuel de la monnaie centrale.
- Les crédits accordés par les banques à l‘économie.
- La variation mensuelle du taux de change entre le dinar tunisien et le dollar
américain.
- La variation mensuelle de la liquidité du marché boursier.
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.
a- Analyse des données macroéconomiques :
L‘analyse de corrélation des variables macroéconomiques, exposée dans le tableau C1,

montre une forte corrélation négative de -82% entre la structure à terme des taux d‘intérêt
(TERM) et le taux d‘intérêt réel (TMMR). Rappelons que la variable TERM est approximée
par la différence entre le taux des bons du Trésor à 10 ans et le taux de rendement de
l‘épargne, alors que la variable TMMR est approximée par la différence entre le taux du
marché monétaire (TMM) et le taux d‘inflation (INF). Ainsi, une forte corrélation existe
malgré l‘emploie des variables différentes. Ceci n‘est pas surprenant de fait qu‘une
augmentation dans le taux d‘inflation (et par la suite une diminution du taux d‘intérêt réel à
court terme) sera récompensé par une augmentation dans les taux d‘intérêt à long terme. De
même, nous remarquons que la corrélation est de -53% entre le taux d‘intérêt réel (TMMR) et
l‘inflation (INF). Cela est dû à la présence du proxy de l‘inflation dans les deux variables. De
88
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.
Tableau C1 : Analyse de corrélation des variables macroéconomiques

MARKLIQ TCMIPI TCAIPI USDTND INF TCMIPV TCMMC TCMCBE TERM TMMR
MARKLIQ 1.0000
TCMIPI -0.0174 1.0000
TCAIPI 0.0498 0.2547 1.0000
USDTND -0.0299 0.0656 0.0222 1.0000
INF 0.0945 0.0478 0.0687 -0.0745 1.0000
TCMIPV -0.0330 -0.0166 0.2208 0.0306 0.2528 1.0000
TCMMC -0.0463 -0.2764 -0.1968 -0.0492 0.0007 -0.0041 1.0000
TCMCBE 0.0097 0.0238 0.1313 -0.0605 0.0480 0.0121 -0.0582 1.0000
TERM 0.0090 0.0050 -0.1728 0.0506 0.2188 -0.0390 -0.0090 0.0449 1.0000
TMMR -0.0272 -0.0202 0.1482 -0.0290 -0.5278 -0.1536 0.0022 -0.0395 -0.8204 1.0000
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
À priori, trois facteurs macroéconomiques affichent des coefficients de corrélations

dépassant 15% avec les différents types des portefeuilles, à savoir le facteur de la liquidité du
marché boursier (MRKLIQ), la parité de change USD/TND (USDTND) et la structure à terme
des taux d‘intérêt. En particulier, cette dernière est positivement corrélée avec tous les
portefeuilles et présente la portion la plus élevée des coefficients supérieurs à 15%. Ainsi,
nous supposons que la structure à terme des taux d‘intérêt dispose d‘une capacité explicative
significative de la variabilité des rendements boursiers tunisiens.
De surcroît, nous constatons du tableau C2 que le facteur représentant le taux de

croissance mensuel du niveau de la monnaie centrale (TCMMC) est négativement corrélé
avec la majorité des portefeuilles et essentiellement avec le portefeuille des grandes
entreprises ayant un ratio EPR élevé et le portefeuille des entreprises ayant un niveau élevé du
risque de marché (le cinquième portefeuille Beta). Ceci est expliqué par la dominance du
secteur bancaire dans l‘activité boursière, ainsi qu'en témoigne les fortes corrélations positives
(85% et 65%) ,affichée successivement dans les tableau A4 et A1, entre le rendement du
secteur bancaire et ces deux types des portefeuilles, ainsi que la corrélation négative la plus
forte (-16%) ,affichée dans le tableau C3, entre le rendement boursier du secteur bancaire et le
niveau de la monnaie centrale. En fait, le niveau de la monnaie centrale est nettement lié aux
avoirs monétaires, détenus par les banques, par le billet des réserves obligatoires. Ainsi, une
augmentation de la monnaie centrale est expliquée par une augmentation des dépôts à vue ou
à terme chez les banques et donc une dégradation du besoin de financement direct par des
levés des fonds sur le marché boursier, ce qui est traduit par une baisse dans les rendements
boursiers et vice-versa. Cela souligne l‘inconvénient de la forte dépendance entre l‘activité
boursière et l‘activité bancaire.
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
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
que les rendements sectoriels excédentaires. Dans les deux sous-sections suivantes, nous
présenterons les régressions temporelles et transversales des modèles à facteurs
macroéconomiques.
b- La régression temporelle des modèles à facteurs macroéconomiques:
La régression temporelle des modèles macroéconomiques sera développée sur deux

étapes. Tout d‘abord, nous étudierons la pertinence des variables proposées par Chen, Roll et
Ross (1986) dans le contexte tunisien. Par la suite, nous présenterons les autres variables
macroéconomiques de cette étude.
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 :
Où est le rendement du portefeuille p au mois t, est la constante relative à la régression

du portefeuille p, est le rendement excédentaire de Tunidex, est le taux de
croissance annuel de l‘indice de production industriel au mois t, est le taux de
croissance mensuel de l‘indice de production industriel au mois t, est le taux d‘inflation
au mois t et est la structure à terme des taux d‘intérêt au mois t. Notons que Chen,
Roll et Ross (1986) ont employé aussi le taux d‘inflation non anticipé et la variation de
l‘inflation espéré ainsi que le risque de défaut qui ne figurent pas dans ce modèle.
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
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.
Le tableau 15 souligne que les secteurs boursiers dépendants de la structure à terme de

taux d‘intérêts sont essentiellement le secteur bancaire, les services financiers, le secteur
d‘agroalimentaire et boissons, le secteur de bâtiment et matériaux de construction et le secteur
du pétrole et gaz. À l‘exception du secteur bancaire, tous ces secteurs sont positivement
corrélés avec l‘évolution de la structure à terme. En faisant la liaison avec les résultats du
tableau 14 concernant le signe de , nous constatons que les grandes entreprises disposant
d‘une capitalisation boursière élevée sont représentées principalement par des banques. De
même nous constatons l‘inconvénient de la concentration de l‘activité boursière autour du
secteur bancaire. En effet, une augmentation dans la structure à terme des taux d‘intérêts doit
pénaliser le financement par crédits bancaires et stimuler en contrepartie l‘activité boursière
en encourageant le recours au financement par l‘intermédiaire du marché boursier. Mais de
fait que le marché boursier tunisien est dominé par le secteur bancaire, une telle augmentation
aura l'effet inverse à celui escompté.
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.
Moyenne
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
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.
Concernant le dernier facteur macroéconomique dans le cadre de ce modèle, à savoir

l‘inflation, il dispose uniquement de 3 coefficients significatifs sur 23, ce qui témoigne son
faible pouvoir explicatif. Toutefois, les signes de ses coefficients sont globalement attendus et
vérifiés de fait qu‘une augmentation dans le taux d‘inflation affecte négativement l‘activité
boursière. Ces résultats confirment les conclusions de Ben Naceur et Gazouani (2007) ainsi
que Cherif et Gazdar (2010) sur le non significativité de l‘inflation dans la détermination des
rendements boursiers dans la région MENA et en particulier en Tunisie.
Enfin, le tableau 14 montre une faible augmentation de 3% du coefficient de

détermination ajusté comparé à celui du tableau 9. De plus, les critères d‘information
d‘Akaike et Bayésien sont plus élevé dans le cas du modèle à facteurs macroéconomiques. Le
tableau 15 affiche un coefficient de détermination ajusté de 18% en moyenne et de 74% pour
le secteur bancaire. Les deux tableaux 14 et 15 mettent en valeur la capacité explicative de la
structure à terme des taux d‘intérêt. Ainsi, nous supposons que la pertinence du modèle à cinq
facteurs, présenté dans la deuxième section de ce chapitre, s‘améliorera en ajoutant le facteur
approximant la structure à terme des taux d‘intérêts.
La suite de cette section s‘intéresse à l‘exploration du pouvoir explicatif des variables

macroéconomiques restantes.
95
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.
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 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.
Pour conclure, les régressions chronologiques des modèles à facteurs macroéconomiques

distinguent deux facteurs macroéconomiques jouissant d‘une capacité explicative élevée
comparée au reste des facteurs. Il s‘agit de la structure à terme des taux d‘intérêts et la parité
de change USD/TND. Nous supposons que ces deux facteurs peuvent améliorer la pertinence
du modèle à cinq facteurs vu dans la section précédente. Dans la sous-section suivante, nous
présenterons les régressions transversales du modèle composé de ces deux facteurs
macroéconomiques ajoutés au portefeuille de marché.
97
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%
Moyenne
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
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
c- La régression transversale des modèles à facteurs macroéconomiques:
Dans le cadre de cette sous-section, l‘objectif consiste à investiguer la capacité du modèle

à deux facteurs macroéconomiques, à savoir la structure à terme des taux d‘intérêts et la parité
de change USD/TND, à expliquer la variabilité transversale des rendements boursiers
tunisiens.
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.
Les intervalles de confiance au seuil de 5% de deux variables macroéconomiques

contestent leurs significativité de fait qu‘on ne peut pas rejeter l‘hypothèse nulle voulant que
les primes sont égales à zéro. Il en va de même pour les primes négatives où l‘hypothèse des
primes de risque positives n‘est pas vérifiée au seuil de 5%.
S‘agissant du coefficient de détermination, le tableau 18 montre une augmentation de 11%

en moyenne par rapport aux résultats du tableau 10. En effet, le modèle à deux facteurs
macroéconomique a réussi à absorber 27.2% en moyenne de la variation transversale des
rendements boursier. Par contre, le portefeuille de marché tout seul n‘a exprimé que 16.3% de
100
la variation transversale des rendements boursiers tunisiens comme le montre le tableau 10 du

MÉDAF. De plus, la part non expliquée de la variabilité transversale des rendements
boursiers a été réduite de 8.85%. La preuve en est que la portion des constantes significatives
a diminué de 76/162 (47%) dans le cadre du MÉDAF à 59/155 (38%) dans le cas du modèle à
deux facteurs macroéconomiques.
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.
Fév-00/Sep-01 Oct-01/Déc-03 Janv-04/Mars-06 Avr-06/Jui08 Juil-08/Sep-10 Oct-10/Déc-12 Moyenne

̅
̂ -0.085 -0.009 0.019 0 0.013 0.006 -0.0093
̂ P-value 0.1953 0.306 0.279 0.409 0.273 0.297 0.2932
̅̅̅̅̅̅̅̅̅
̂ -0.009 0.0038 -0.0066 0.011 0.0052 -0.2 -0.0326
̂ P-value 0.243 0.313 0.226 0.272 0.255 0.219 0.2546
̅̅̅̅̅̅̅̅̅̅̅
̂ 0.009 0.0076 0.0018 0.002 0.003 0.0004 0.0039
̂ P-value 0.395 0.348 0.359 0.444 0.413 0.475 0.405
̅̅̅̅̅̅̅̅̅
̂ 0.0004 -0.0007 0 0.0003 0.032 0.0026 0.0057
̂ P-value 0.3102 0.406 0.303 0.412 0.410 0.401 0.3737
̅̅̅̅̅̅ 0.38 0.29 0.2764 0.1569 0.2845 0.2442 0.272
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
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 tests empiriques de cette étude aboutissent aux résultats suivants :
- 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
Eu égard à ce qui précède, il semble plus rationnel d‘établir les stratégies

d‘investissement sur le marché boursier tunisien en tenant compte des risques
fondamentaux et macroéconomiques. D‘autre coté, le calcul du cout d‘opportunité de
capital, le mesure de la performance des fonds d‘investissement et les études
d‘évènements peuvent être réalisés en incluant dans le modèle à utiliser les facteurs des
risques susmentionnés, à savoir le risque de marché, la taille de l‘entreprise, sa valeur
comptable, son rendement historique, sa liquidité, la structure à terme des taux d‘intérêts
et la parité de change USD/TND.
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
A. BOURI, J. M. (2002). A Multi-criterion Approach for Selecting Attractive Portfolio. JOURNAL OF

MULTI-CRITERIA DECISION ANALYSIS, 269–277.
Bergaoui, N. (2013). BOOK-TO-MARKET EQUITY AND SIZE AS DETERMINANTS OF

RETURNS: EVIDENCE FROM THE TUNISIAN STOCK EXCHANGE . СОВРЕМЕННАЯ
ЭКОНОМИКА: ПРОБЛЕМЫ, ТЕНДЕНЦИИ, ПЕРСПЕКТИВЫ.
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.
Christian Walkshäusl, S. L. (2011). The Alternative Three-Factor Model: An Alternative beyond US

Markets? European Financial Management, Vol. 00, No. 0, 1–38.
CLIFFORD S. ASNESS, T. J. ( 2013). Value and Momentum Everywhere. THE JOURNAL OF

FINANCE • VOL. LXVIII, NO. 3, 929-985.
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.
Edwin J.Elton, M. J. (s.d.). Modern Portfolio Theory And Investment Analysis.
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. (1988). DIVIDEND YIELDS AND EXPECIED STOCKS RETURNS. Journal of

Financial Economics 22, 3-25.
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. (AUGUST 2008). Dissecting Anomalies. THE JOURNAL OF FINANCE • VOL.

LXIII, NO. 4, 1653-1677.
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.
Gazdar, M. C. ( 2010). INSTITUTIONAL AND MACROECONOMIC DETERMINANTS OF

STOCK MARKET DEVELOPMENT IN MENA REGION: NEW RESULTS FROM A
PANEL DATA ANALYSIS. The International Journal of Banking and Finance, Vol. 7, 139-
159.
Gruber, E. J. (s.d.). Multi-Index Models Using Simultaneous Estimation of all Parameters.
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.
Hammami, Y. (2008). LES FACTEURS EXPLICATIFS DES RENDEMENTS BOURSIERS EN

TUNISIE : ANALYSE PAR LES MODELES MULTIFACTEURS.
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.
Michael A. O‘Brien, T. B. (2010). Interaction of size, book-to-market and momentum effects in

Australia. Accounting and Finance 50, 197–219.
MICHAEL R. GIBBONS, S. R. (September, 1989). A TEST OF THE EFFICIENCY OF A GIVEN

PORTFOLIO . Econometrics, Vol. 57, No. 5, 1121-1152 .
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
TAYLOR, S. A. ( 1991). MACROECONOMIC FACTORS AND THE UK STOCK MARKET .

Journal of Buriness Financc &Accounting, 18(5), 619-636.
THOMAS, A. D. (April 1994). MACROECONOMIC FACTORS, THE APT AND THE UK

STOCKMARKET . Journal of Business Finance & Accouniiaz, 21 (3), 0306-686X .
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.
Wang, J. M. (2011). The Barra US Equity Model (USE4). MSCI.
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.
Yasushi, H. (1988). AN EMPIRICAL EXAMINATION OF THE ARBITRAGE PRICING THEORY

Using Japanese Data. Japan and the World Economy 1, 45-61.
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

CCCC PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

CCCC PDF

Transféré par

Droits d'auteur :

Formats disponibles

MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE

LES FACTEURS EXPLICATIFS DE LA VARIABILITÉ

PRÉSENTÉ COMME EXIGENCE PARTIELLE DU

Mr. EZZEDDINE DELHOUMI

Année universitaire 2012/2013

TABLE DES MATIÈRES

INTRODUCTION GÉNÉRALE ............................................................................................ 4

Chapitre II : Les résultats des tests empiriques ............................................................... 63

LES FACTEURS EXPLICATIFS DE LA VARIABILITÉ

Mots clés : Risque systématique, Facteurs fondamentaux, Facteurs macroéconomiques,

Richard Roll (1977) conteste jusqu'à la possibilité de tester empiriquement le MÉDAF de

Ainsi, dans le but de remédier au problème statique et uni-factoriel du MÉDAF, deux

- Le modèle multi-périodique : le MÉDAF inter-temporel ou encore

Dans ce même cadre d‘apparition des extensions multifactorielles du MÉDAF,

Le deuxième chapitre de la première partie sera consacré aux modèles multifactoriels.

Le troisième chapitre de cette partie développera la littérature dans le contexte tunisien.

La deuxième partie se compose de deux chapitres. Le premier chapitre sera consacré à la

Le deuxième chapitre de la deuxième partie s‘occupera des résultats empiriques et la

La première Partie : Le contexte théorique de l’étude

Chapitre I : Le modèle uni-factoriel : Le MÉDAF.

2) Les hypothèses du MÉDAF :

Le MÉDAF se repose sur un certain nombre d‘hypothèses dont quelques-unes semblent

En ce qui concerne les opérateurs :

3) Le modèle et ses implications:

Dans sa forme classique la relation du MÉDAF s‘établit comme suit :

 : désigne le rendement espéré de la valeur i.

est donnée par le rapport suivant :

Selon Fama et Macbeth (1973), tester la validité de la première et la deuxième

Néanmoins à l‘instar de Fama (1970), Fama et Macbeth (1973) caractérisent cette

Outre que l‘efficience de marché, la deuxième implication révèle le caractère uni-factoriel

L‘importance de la troisième implication est évidente de fait qu‘un investisseur rationnel

4) La notion d’équilibre et le choix du portefeuille optimal :

Le MÉDAF postule que :

- Le marché ne rémunère que les individus qui détiennent des portefeuilles

Le choix de chaque investisseur dépend de sa fonction d‘utilité représentée par les

sans risque et le portefeuille M correspond au point de tangence entre sa courbe d‘indifférence

La relation du MÉDAF représente l‘équation de la droite du marché des titres 1 (en

Un titre situé au-dessus de la droite du marché est considéré sous-évalué. Cependant un

Titre sous évalué.

Figure 1.3 La droite du marché des titres.

5) Les critiques du MÉDAF :

La critique de Roll (1977) est considérée comme étant la plus vive à

Dans ce cadre, les hypothèses irréalistes du MÉDAF ont donné matière à

En s‘appuyant sur ce principe multifactoriel Fama et French (1993) ont

Chapitre II : Les modèles multifactoriels

La difficulté de valider empiriquement le MÉDAF a mené certains théoriciens à

Ces modèles, collectivement désignés sous l‘appellation de « modèles multifactoriels »,

1) Le modèle d’évaluation par arbitrage (MÉA) :

a- Le modèle et ses hypothèses :

l‘opportunité d‘arbitrage et propose des hypothèses moins restrictives et plus

 En premier lieu, le MÉA fait intervenir plusieurs facteurs communs de plusieurs

L‘équation initiale du modèle d‘évaluation par arbitrage s‘établit de la façon suivante :

- : est le rendement aléatoire du titre i.

En soustrayant de cette équation sa valeur espérée, on obtient :

Un tel portefeuille d‘arbitrage exige à l‘équilibre trois conditions nécessaires et suffisantes :

Ainsi, l‘équation du rendement de ce portefeuille est donnée par :

En se référant aux trois conditions précitées, il en découle successivement que :

Ainsi, il existe K+1 coefficient tel que :

Sous les hypothèses susmentionnées stipulant que ( ) et ( ) i j, on

, ainsi correspond au usuel vu dans le cadre du MÉDAF.

b- L’identification des facteurs du modèle :

La principale difficulté du MÉA réside dans le choix et la sélection des facteurs

Dans ce cadre, il existe essentiellement deux approches pour déterminer la nature de