Académique Documents
Professionnel Documents
Culture Documents
2010-2011
M1 IEF
PROJET D’ECONOMETRIE
Partie 2
LE MODELE DE RENTABILITE
A TROIS FACTEURS
DE
FAMA ET FRENCH(1993)
KUNAL TAYLAN
Sommaire
Seconde partie du projet :
En 1981, Selon BANZ, la taille de l’entreprise, mesurée par sa capitalisation boursière renforce le Beta
pour expliquer les rentabilités des titres. En effet, par rapport à l’estimation de leur Beta, les rentabilités
moyennes des petites capitalisations sont trop élevées par rapport aux celles des grandes capitalisations qui
sont trop faibles.
Chan et Chen (1988) montrent une très forte corrélation entre la taille moyenne des titres de chaque
portefeuille et les estimations des coefficients de Beta de ces mêmes portefeuilles.
En France, Hamon (1986) observe une rentabilité des titres de faible capitalisation plus importante. Cette
anomalie serait liée à un effet liquidité du marché.
En 1992 Girerd Potin confire une plus forte rentabilité de pf de petites firmes.
La mesure de la taille par la capitalisation boursière repose sur le cours. L’évaluation du cours d’un titre reposant
sur l’actualisation de ces flux futurs et le taux d’actualisation étant lié au risque, il est logique d'observer une plus
grande rentabilité des titres sous-évalués. Berk met en évidence l'une des difficultés des recherches empiriques sur la
rentabilité des titres. La rentabilité des titres dépend directement de leur prix et de son évolution sur une période de
référence : Ri(t-1:t) = , avec Ri(t-1; t) , rentabilité arithmétique du titre i sur la périodes (t-1,t) et
Fama et French (1991), sur le marché américain identifient le ratio VC/VM comme facteur explicatif
important des rentabilités: Les entreprises avec un ratio VC/VM élevée sont associées des rentabilités
espérées élevées. Ils démontrent que le ratio VC/VM est une variable explicative plus significative que la
variable taille.
Pour Daniel et Titman (1997), la rentabilité attendue d'un titre est déterminée par les caractéristiques de la
firme et non par des primes de risque.
VM= Il existe une relation inverse entre rentabilité attendue et valeur de marché.
une relation positive doit être observée entre le ratio VC/VM, et la rentabilité espérée des titres.
2.2 Le modèle à trois facteurs de Fama et French
Fama et French (1992, 1993), propose un modèle à trois facteurs qui corrige les défaillances du modèle
d’évaluation des actifs financiers Medaf. Le modèle à trois facteurs inclut le risque du marché (le bêta
utilisé dans le MÉDAF), et utilise également le risque relié à la taille et celui attribué au ratio VC / VM
pour mieux expliquer la variabilité des rendements des actions cotée sur le NYSE, l’AMEX et le
NASDAQ.
Selon ces auteurs, on aurait tendance à observer un risque plus élevé dans le cas des petites entreprises et
des entreprises de valeur (ratio VC / VM élevé) comparativement aux grandes entreprises et aux
entreprises de croissance (ratio VC / VM faible), ce qui amènerait les marchés financiers à requérir un
plus fort rendement en compensation.
: Rentabilité du portefeuille basé sur la différence entre la rentabilité des titres avec un
ratio valeur comptable sur valeur de marché élevé et la rentabilité des titres avec un ratio valeur
comptable sur valeur de marché faible (HML, high minus low).
La méthodologie de cette étude est adaptée de Fama et French (1993). Elle repose sur la construction de
portefeuilles de titres tant pour les variables expliquées que pour les variables explicatives fondamentales
(SMB, HML) et de marché (RM - Rf).
Les données sont prises sur le site d’internet de Kenneth R. French. Les portefeuilles construits sont
l’intersection de 2 portefeuilles classée par leurs tailles (Small Capi, Big Capi) et 3 portefeuilles classés
par leur ratio de valeur comptable / valeur de marché (High,Neutral,Low).
Les portefeuilles construits de juillet de l’année t à Juin de l’année t+1 inclue tous les titres de NYSE,
d’AMEX et de NASDAQ.
Le placement à taux sans risque utilisé dans le modèle à trois facteurs, Rf, est le placement sur le marché
monétaire à 1 mois. Le taux sans risque retenu dans l'équation est donc le taux moyen mensuel de Bon du
Trésor.
La taille de l'entreprise est représentée par sa capitalisation boursière (nombre de titres multiplié par le
cours de bourse). Le classement suivant la taille repose sur la capitalisation boursière des titres en juin t.
La capitalisation boursière de l'entreprise fin décembre t-1 est utilisée pour calculer le ratio valeur
comptable/valeur de marché (VC/VM). Le ratio VC/VM est égal à la valeur comptable des titres en
décembre t-1, divisé par la dernière cotation de décembre t-1. La capitalisation boursière correspond ici,
au nombre de titres multiplié par le dernier cours de décembre t-1.
3.3. Les variables SMB et HML
A la fin du mois de juin de l'année t, les titres de l’échantillon sont répartis en deux groupes (S
pour small et B pour big) suivant que leur valeur de marché en juin t est inférieure ou supérieure
à la valeur de marché médiane de l’échantillon. Indépendamment, les titres sont classés suivant
leur ratio VC/VM en décembre t-1, et répartis en trois groupes correspondant respectivement aux
trois premiers déciles (L pour low,), aux quatre déciles médians (M pour medium) et aux trois
derniers déciles (H pour high). Six portefeuilles (S/L, S/M, S/H, B/L, B/M, B/H) sont constitués
à l'intersection des deux répartitions précédentes. Les rentabilités sont calculées chaque mois de
juillet t à juin t+1.
3.4. Les variables expliquées: Six portefeuilles de titres classés par taille et ratio VC/VM
Six portefeuille sont construits à l’intersection de deux répartitions ( taille et ratio VC/VM )
BigHigh,BigMedium,BigLow
4. LE MODELE DE RENTABILITE A TROIS FACTEURS DE FAMA ET FRENCH
Nous allons utiliser le modèle de régression multiple pour tester le modèle de rentabilité de Fama
et French (1993).
Tableau 1 :
Données statistiques des rentabilités mensuelles des variables Rm-Rf, SMB et HML de
07/1926 à 01/2009, 991 mois
Commentaire :
Le portefeuille de marché enregistre une rentabilité moyenne annuelle de 59% qui est supérieure
à celle des autres variables explicatives. Le portefeuille SMB a une rentabilité moyenne de 19% ,
qui est inférieure à celle de HML 48%: De plus, cette rentabilité moyenne élevée est associée à
un écart type des rentabilités plus élevé.
4.2. Donnée statistiques des variables expliquées
Les portefeuilles de titres de petite capitalisation présentent une rentabilité plus élevée donc cela nous
confirme l’existance d’un effet taille.
Les portefeuilles de titres avec une ratio de VC/VM élevé ont une rentabilité également plus élevé.
Tableau 3:
Commentaire :
Nous allons examiner les effets de ratio VC/VM et de la taille des entreprises sur les écarts-types
des six portefeuilles.
Graphique 1:
Commentaire:
Le portefeuille SMB associe une rentabilité moyenne avec une variabilité faible. Les deux
portefeuilles (SH et SN ) de petits capitalisations ont des rentabilités plus important que les
entreprises avec la grande capitalisation. La ligne bleu signifie “ la Droite de Marché ”, au
dessus de cette droite nous avons des portefeuilles avec fortes rentabilités moyennes et au
dessous il se trouve des portefeuilles avec faible rentabilité moyennes.
Nous pouvons constater un effet lié au ratio VC/VM , les portefeuilles avec un ratio VC/VM
élevé ont également une rentabilités plus élevés et plus ils ont des ratios élevés plus ils sont
risqués.
4.3. Choix de la variable à expliquée pour la partie 2 du projet :
Durant cette partie 1 du projet, Nous allons travailler sur le portefeuille classé des titres de
grande capitalisation et une ratio VC/VM faible pour les raisons suivantes :
Le portefeuille LB se trouve sur la Droite de Marché, les portefeuilles qui sont en dessus
de cette droite ont des rentabilités moyennes plus élevés que les portefeuilles qui se
trouve au dessous de cette droite.
Le portefeuille (LB) a un écart-type moins élevé que les autres, cela signifie qu’il est le
moins volatile.
Le coefficient de détermination du portefeuille LB représente 97,7% . Le modèle de
régression de Fama et French explique 97 ,7% de la rentabilité du portefeuille classé
LB. C’est le portefeuille mieux expliqué entre ces 6 portefeuilles. (Selon la régression
que j’ai faite pour le projet d’économétrie 2009.)
5. ETUDE DE LA STATIONNARITÉ DES VARIABLES
L’estimation d’un modèle Var se fait sur des données stationnaires. Nous allons vérifier la
stationnarité des variables.
LB HML
20 15
10
10
5
0
0
-10
-5
-20
-10
-30 -15
1985 1990 1995 2000 2005 2010 1985 1990 1995 2000 2005 2010
MKT SMB
20 30
10 20
0 10
-10 0
-20 -10
-30 -20
1985 1990 1995 2000 2005 2010 1985 1990 1995 2000 2005 2010
Les séries de ces quatre variables semblent stationnaires. Les moments d’ordre 1 et 2 semblent
stationnaires dans le temps donc les moyennes et les variances de ces quatre variables sont constantes au
cours du temps.
Les processus ne semblent ni des processus DS ni des TS, mais un bruit blanc. Dans cette étape on n’a
pas pouvoir de dire qu’ils sont des bruit blanc car un processus stationnaire n’est pas forcement un bruit
blanc.
5.2. Etude des corrélogrammes :
Commentaire :
Les p-value associées aux statistiques de Ljung (Q-Stat) sont supérieures à 5%.
Le portefeuille classé ( Low Big ) par taille et ratio VC/VM est donc stationnaire.
Commentaire :
La première probabilité critique est inférieure à 5%, Il ne s’agit que d’une seule probabilité
critique qui est inférieure à 5%. Nous allons quand même vérifier la stationnarité de la rentabilité
du portefeuille de marché avec le Test de Phillips Perron.
Commentaire :
Les cinq premières p-value sont inférieurs à 5%, le corrélogramme ne me permet pas de conclure
qu’il s’agit d’un processus stationnaire. Nous allons vérifier la stationnarité par la suite.
Commentaire : Le corrélogramme à une forme d’un bruit blanc car rien qui dépasse.
Ceci est aussi caractéristique d’une série stationnaire. Nous vérifions par la suite cette
affirmation par l’application de test de stationnarité.
5.3. Test de Stationnarité
Nous avons mis en évidence la stationnarité des séries LB et SMB, les séries MKT et HML peuvent etre
stationnaires mais l’analyse de corrélogramme de ces deux series n’était pas claire.
Nous allons vérifier la stationnarité de ces quatre séries par les test de DF ( ou ADF). On pense que les
processus sont des processus stationnaires sans constates I(0).
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
Commentaire :
On rejet l’hypothèse nulle de Racine Unitaire pour quatre séries (t-Statistique des séries sont
inférieures à leurs valeurs critiques.)
Donc les processus sont stationnaires. Nous allons faire le test de Dickey Fuller simple par la
suite comme le nombre de retards optimal est zéro.
La procédure de test : On part du modèle le plus général (le modèle 3) (Trend and intercept). On y teste
la racine unitaire puis on vérifie par un test approprié que le modèle retenu est le bon, si on n’est pas dans
le bon modèle, on recommence dans un modèle contraint (le modèle 2), puis avec le model 1.
Modèle 3 : Trend and Intercept
On a rejeté l’hypothèse nulle de racine unitaire pour les quatre séries par le test de DF.
Voici un test de Student sur la tendance pour vérifier si le modèle 3 est bon ?
Commentaire:
On rejette l’hypothèse H0 de la nullité de b, donc les séries n’ont pas de tendance. On n’est pas dans le
bon modèle, nous allons continuer de faire le test DF avec le modèle plus contraint (modèle 2).
Modèle 2 : Intercept
On rejette l’hypothèse nulle de racine unitaire des quatre séries par le test de DF.
Voici un test de Student sur la constante pour vérifier si le modèle 2 est le bon modèle ?
Commentaire:
On ne rejette pas l’hypothèse H0 de la nullité de c, pour les séries LB, MKT et SMB donc ces séries n’ont
pas de constante. On n’est pas dans le bon modèle pour ces trois séries, nous allons continuer de faire le
test DF avec le modèle plus contraint (modèle 1).
Par contre, on rejette l’hypothèse nulle de la nullité de constate pour la série HML comme p-value de la
statistique de Student est inférieure à 5%. Il s’agit d’un Processus stationnaire avec la constante.
Modèle 1: None
On rejette l’hypothèse nulle de racine unitaire pour ces trois séries par le test de DF.
Commentaire:
Les séries LB, MKT et SMB sont des Processus stationnaires sans constats.
6. Modélisation VAR
Nous allons choisir le modèle qui minimise les critères d’informations. On hésite entre p=1 (AIC) et
p=0(SC).
Le modèle VAR que nous allons estimer pour la suite est VAR(1) avec retard 1 1.
Par la suite nous allons comparer les prévisions par un retard 0 0 et 1 1 pour voir lequel donne les
meilleures prévisions.
6.2. Estimation du VAR :
Un processus VAR(1,1) est stationnaire si les racines de det(Φ(L)) sont strictement supérieures à 1 en
module.
L’inverse des racines associées à la partie AR appartient au cercle unité du plan complexe. La
condition de stationnarité est vérifiée. Le modèle VAR est bien stationnaire.
6.4. Test sur les résidus :
Voici, les corrélogrammes croisés ; ce sont des corrélogrammes des erreurs d’une variable par
rapport à un autre.
On voit bien que les corrélations des erreurs, elles sont globalement à l'intérieur des bornes. Nous
allons vérifier par les tests de Ljung-Box (VAR Residual Portmanteau Tests for Autocorrelations et VAR
Residual Serial Correlation LM Tests)
VAR Residual Portmanteau Tests for Autocorrelations VAR Residual Serial Correlation LM
Tests
H0: no residual autocorrelations up to lag h
Date: 01/05/11 Time: 22:31 H0: no serial correlation at lag order h
Sample: 1980M07 2010M03 Date: 01/05/11 Time: 22:37
Included observations: 356 Sample: 1980M07 2010M03
Included observations: 356
Lags Q-Stat Prob. Adj Q-Stat Prob. df
Lags LM-Stat Prob
1 0.925913 NA* 0.928521 NA* NA*
2 17.86589 0.3318 17.96420 0.3260 16
1 19.72130 0.2330
3 51.21949 0.0169 51.60126 0.0155 32
2 17.43388 0.3581
4 73.53973 0.0103 74.17514 0.0090 48
5 102.2562 0.0017 103.3006 0.0014 64 3 33.62570 0.0061
6 125.5347 0.0009 126.9783 0.0007 80 4 22.67485 0.1227
7 135.6205 0.0048 137.2664 0.0037 96 5 29.59906 0.0202
8 160.0233 0.0020 162.2301 0.0014 112 6 24.26422 0.0839
9 179.8962 0.0017 182.6184 0.0011 128 7 10.12127 0.8602
10 197.3878 0.0021 200.6156 0.0013 144 8 25.15842 0.0671
11 209.3204 0.0054 212.9287 0.0033 160 9 20.22151 0.2104
12 246.3317 0.0004 251.2310 0.0002 176
10 18.18682 0.3131
11 13.04127 0.6697
*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square distribution 12 39.20184 0.0010
Selon ce test; on rejette l’hypothèse nulle de non-auto-corrélation des erreurs car p-value
des Q-Stat et Q-Stat ajusté sont inférieurs à 0.05 à partir de lag=3
Pour le test de VAR Residual Serial Correlation LM Tests on accepte l’hypothèse nul de
non-serial corrélation à 5% comme globalement les p-value dépassent 5%.
7. Test de Causalité de Granger :
Commentaire :
La méthodologie de cette étude est adaptée de Fama et French. Elle repose sur la construction de
portefeuilles de titres tant pour les variables expliquées (LB) que pour les variables explicatives
fondamentales (SMB, HML) et de marché (MKT).
Selon l’Etude la variable endogène est la rentabilité de portefeuille des entreprises classées
LB(grande capitalisation et avec un ratio VC/VM petite) et cette variable est expliquée par les variables
MKT(pf de marché), SMB( pf construit par la différence des rentabilités des petite capi et grande capi) et
HML(pf construit par la différence des rentabilités des entreprises avec le ratio VC/VM élevé et faible).
La régression du modèle à trois facteurs de Fama et French sur le portefeuille construit par
la taille grande capitalisation et le ratio VC/VM élevé (LB) nous montre que l’explication de
la rentabilité des portefeuilles dépend essentiellement de la variable de marché Rm-Rf
(MKT) et les deux autres variables rendent le modèle plus fort (SMB et HML) .
La variable de Marché explique LB 75% selon la régression du modèle. En revanche, le test
de Granger ne nous montre pas un lien de causalité entre ces deux variables. Cela est contre
le modèle de Fama French.
Je garde quand même LB dans le modèle pour faire l’analyse des fonctions de réponse.
Selon le test de Granger LB est la variable plus exogène que HML et SMB.
Nous allons supposer que la variable du marché (MKT) est plus exogène que le rendement de pf
LB car le pf LB se trouve sur la droite de marché comme on avait montré précédemment sur le
graphique 1.
L’ordre de variable, de plus exogène vers le moins exogène selon le test de Granger et le
raisonnement économique est le suivant : « MKT > LB > SMB > HML »
8.2. Etude des fonctions de réponse du modèle Fama et French :
Commentaires :
Un choc sur MKT a un impact instantané positif sur lui-même, sur LB et SMB. La réponse de la
variable HML à un choc positif sur le marché est négative. Je pense que c’est normal, car la
hausse du pf de marché peut être expliquée par une hausse de la valeur de marché d’un titre donc
une baisse du ratio VC/VM. (une baisse de HML)
C’est normal que la réponse du pf classé Small Minus Big et LB soit positive à la hausse du pf de
marché. Car la rentabilité des titres bouge avec la rentabilité du marché.
Un choc sur LB n’a pas d’impact sur le pf du marché, ce qui vérifie notre hypothèse : la
rentabilité du pf de marché est plus exogène que le pf classé par l’effet de la taille et l’effet de
ratio VC/VM.
o Les réponses des variables SMB et HML à un choc positif sur LB sont négatives. Cela
provient de la construction de ces deux variables.
Le coefficient “s” est corrélé négativement avec la taille de l’entreprise.
Le coefficient h est en relation positive avec le ratio VC/VM.
o Donc la hausse des rentabilités d’un pf classé LB (Faible ratio et Grande Capitalisation)
provoque une baisse de SMB et HML comme ils sont corrélés négativements avec le
portefeuille LB. ( Si on faisait cet étude avec le pf classé SmallHigh on aurait forcement
des réponses positives de ces deux variables. )
Un choc sur les variables SMB et HML n’a que des impacts sur elles-mêmes comme elles sont
les variables moins exogènes, elles n’ont aucun impact sur les variables exogènes LB et MKT.
Un choc positif sur le pf SMB a un impact négatif sur le pf HML, ce qui est normal comme la
corrélation de ces deux variables est négative (-0,08) selon l’étude de Fama et French.
8.3. Analyse de la décomposition de la variance :
Commentaires :
A la période 1, la variance de l’erreur de prévision du MKT est due à 100% à ses propres
innovations et 0% celles des autres varibles
o A la période 10, 99% de la variance de MKT provient du choc sur lui-même. Le
pf du marché est vraiment exogène.
A la période 1, la variance de l’erreur de prévision de LB est due à 94% aux innovations
du pf de marché et 6% a ses propres innovations. Cela également confirme que la
variable LB est moins exogène que MKT.
A la période 1, 88% de la variance de SMB provient du choc sur lui-même et 40% de la
variance de HML provient du choc sur lui-même .
o Comme un choc sur HML n’affecte pas la variance de SMB (0%). Nous
pouvons conclure que SMB est plus exogène que HML
9. Prévisions : 2010M03-2010M06
Résultats : VAR(1)
8 6
5
4 4
3
0
2
1
-4
0
-8 -1
-2
-12 -3
2010M01 2010M02 2010M03 2010M04 2010M05 2010M06 2010M01 2010M02 2010M03 2010M04 2010M05 2010M06
MKT MKT (Baseline) MKT (Baseline) SMB SMB (Baseline) SMB (Baseline)
4
3
2
1
0
-1
-2
-3
-4
-5
2010M01 2010M02 2010M03 2010M04 2010M05 2010M06
Commentaire :
La ligne verte signifie les prévisions faites avec un VAR de retard 1 1 et la ligne rouge de retard 0 0.
On constate que les prévisions faites avec un VAR(1) approximent mieux les variables. La spécification
la plus parcimonieuse est bien p=1.
10. Le modèle à correction d’erreur VECM
Un VECM se fait sur des séries possédant une racine unitaire. Afin de procéder un VECM, nous
avons déstationnarisé nos séries avec la fonction de cumulatif sum sous Eviews.
Voici les tests des hypothèses jointes afin de vérifier le type de non-stationnarité de nos séries : n_lb,
n_mkt, n_smb, n_hml
Commentaire :
Suite à des stratégies des tests DF simples (n_lb,n_smb) et DFA (n_mkt, n_hml) appliquées sur
nos séries déstationnarisées, nous pouvons conclure que toutes nos séries sont des DS(marché aléatoire)
sans dérive.
10.1. Analyse descriptive des séries :
Le portefeuille LB étant sur la droite de marché, Il doit suivre de la même tendance que le
portefeuille de marché, cela nous fait penser l’existence d’un potentiel comportement de cointégration
entre ces deux séries.
250
200
150
100
50
-50
1985 1990 1995 2000 2005 2010
N_MKT N_LB
Commentaire :
Les deux séries ont une évolution constante sur toute la période, nous pouvons supposer que ces
deux séries sont cointégrées. Il existe une évolution de long terme constante entre les chroniques. Par la
suite nous allons vérifier cette hypothèse par le test de cointégration.
11. Cointégration des variables :
Nous déterminons le nombre de retards en utilisant Lag length criteria : Le retard retenu selon le
critère d’information AIC étant 2, nous allons estimer un modèle à correction d’erreur à 1 retard (2-1).
Les données étant mensuelles, nous balayons des retards allant de 1 à 12.
Les séries initiales sont I(0) sans constant sauf HML ( I(0)+C ) donc on a estimé VAR
sur les variables X et Y. Suite à la déstationnarisation, on a conclu que tous nous séries sont DS
sans dérives.
En effet nous choisissons la spécification 2 ( Pas de dérive dans les données, une
constante dans la ou les relations de cointégration ) avec 1 retard. Il s’agit des DS sans dérive
dont au moins une de moyenne non nulle(HML).
C -105.1270 -119.0506
(34.4500) (37.5044)
[-3.05158] [-3.17431]
Commentaires :
Les derniers coefficient ( D(N_HML) des terme de rappel (noté CointEq1 et CointEq2
das le tableau) sont significatifs à 5% ( )
Il n’existe aucune relation proportionnelle entre les variables, sauf le portefeuille HML ne
dépend que ses propres variations retardées. Les variations à CT sur HML permettent de
revenir vers l’équilibre de LT.
En revanche les variations des autres variables MKT, LB et SMB sont totalement
exogènes.
Le VECM vérifie les résultats obtenus par le test de Granger. La variable HML est la
variable le moins exogène du modèle.