louvain school of management€¦ · louvain school of management la crise du secteur financier...
TRANSCRIPT
UNIVERSITE CATHOLIQUE DE LOUVAIN
LOUVAIN SCHOOL OF MANAGEMENT
La crise du secteur financier sous l’angle de la finance comportementale
Directeur : Christophe DISPAS Mémoire-recherche présenté par Rami RANKOUSSI en vue de l'obtention du titre de
Master en Sciences de Gestion à finalité spécialisée
ANNEE ACADEMIQUE 2009-2010
II.
Avant-proposJe voudrais profiter de cette page pour remercier quelques personnes :
Tout d’abord, je tiens à remercier, Mr. Christophe Dispas, le directeur de ce mémoire, pour le
temps qu’il m’a consacré. Son écoute, ses remarques et conseils pertinents m’ont permis de
réaliser le mémoire sur la thématique que je désirais traiter pour finir mes études universitaires.
Je remercie Messieurs Denis Knaepen, Vesa Puttonen, Bernard Delbecque ainsi que Philippe
Grégoire pour l’intérêt qu’ils ont pu porter à mon mémoire lors de discussions en début ou en fin
de cours.
Ensuite, je remercie ma famille pour le soutien qu’elle m’a accordé lors de la rédaction de ce
mémoire. En particulier, je remercie ma mère qui a eu le courage et la gentillesse de relire mes
écrits pour chasser les coquilles, et mon frère pour son aide sur une génération de nombres
aléatoires pour un graphique repris dans ce mémoire.
Je n’oublie pas Séverine Petitjean, Nicolas Lerusse et Jeremy Chenoy, trois amis qui ont accepté
de relire et critiquer différentes parties quand c’était nécessaire. Ce travail de fond et de forme
m’a permis d’améliorer la qualité du travail fini.
Finalement, je n’oublie pas toutes les personnes qui m’ont soutenu de près ou de loin dans la
réalisation de ce mémoire ainsi que tout au long de mes études à la Louvain School of
Management.
III.
Table des matièresINTRODUCTION GÉNÉRALE ______________________________________________________________________ 1
PARTIE I : REVUE THÉORIQUE____________________________________________________________________ 3
CHAPITRE 1 : L’EFFICIENCE DE MARCHÉ _______________________________________________________________ 3
1.1 Introduction ________________________________________________________________________ 3
1.2 Le concept d’efficience des marchés _____________________________________________________ 3
1.3 Les formes d’hypothèse d’efficience des marchés __________________________________________ 4 1.3.1 La forme faible d’efficience ___________________________________________________________ 5 1.3.2 La forme semi-forte d’efficience ________________________________________________________ 8 1.3.3 La forme forte d’efficience ___________________________________________________________ 10
1.4 Une remise en cause de l’efficience de marché ___________________________________________ 11 1.4.1 Une critique théorique de l’efficience de marchés _________________________________________ 11
CHAPITRE 2 : LA FINANCE COMPORTEMENTALE ________________________________________________________ 13
2.1 Introduction _______________________________________________________________________ 13
2.2 Les fondations de la finance comportementale ___________________________________________ 13 2.2.1 Un arbitrage limité et risqué __________________________________________________________ 14 2.2.2 Apports de la psychologie ____________________________________________________________ 14
2.3 La finance comportementale et l’évaluation d’actifs financiers ______________________________ 23 2.3.1 Les investisseurs irrationnels _________________________________________________________ 23 2.3.2 Les puzzles du marché des actions _____________________________________________________ 24 2.3.3 L’analyse transversale des rendements moyens __________________________________________ 26 2.3.4 Les bulles spéculatives ______________________________________________________________ 29
2.4 Les évolutions récentes de la finance comportementale ____________________________________ 31 2.4.1 La finance d’entreprise comportementale _______________________________________________ 31 2.4.2 La régulation comportementale _______________________________________________________ 32
CHAPITRE 3 : L’ADAPTABILITÉ DES MARCHÉS __________________________________________________________ 33
3.1 Introduction _______________________________________________________________________ 33
3.2 L’apport de la psychologie évolutionniste _______________________________________________ 33
3.3 L’hypothèse d’adaptabilité des marchés ________________________________________________ 34 3.3.1 Un nouveau cadre théorique _________________________________________________________ 34 3.3.2 Les implications ___________________________________________________________________ 35
IV.
PARTIE II : ANALYSE EMPIRIQUE ________________________________________________________________ 36
CHAPITRE 1 : LE CONTEXTE DE L’ANALYSE ____________________________________________________________ 36
1.1 La crise du secteur financier __________________________________________________________ 36
1.2 Les causes de la crise ________________________________________________________________ 36 1.2.1 Les racines microéconomiques ________________________________________________________ 36 1.2.2 L’environnement macroéconomique ___________________________________________________ 39 1.2.3 Un phénomène comportemental ______________________________________________________ 41
1.3 Le déroulement de la crise ____________________________________________________________ 42 1.3.1 2006 ____________________________________________________________________________ 42 1.3.2 2007 ____________________________________________________________________________ 42 1.3.3 2008 ____________________________________________________________________________ 43 1.3.4 2009 ____________________________________________________________________________ 44
1.4 Les mesures prises pour sortir de la crise ________________________________________________ 44 1.4.1 Réductions des taux directeurs________________________________________________________ 44 1.4.2 L’assouplissement quantitatif _________________________________________________________ 45 1.4.3 Les aides des états _________________________________________________________________ 45
CHAPITRE 2 : DONNÉES ET MÉTHODOLOGIE ___________________________________________________________ 48
2.1 Les actions choisies__________________________________________________________________ 48
2.2 L’identification de l’évènement ________________________________________________________ 49
2.3 Les modèles d’évaluation _____________________________________________________________ 50 2.3.1 Le C.A.P.M. _______________________________________________________________________ 50 2.3.2 Le modèle à 3 facteurs de Fama French _________________________________________________ 51 2.3.3 Le modèle à 4 facteurs de Carhart _____________________________________________________ 52 2.3.4 Le modèle à 6 facteurs ______________________________________________________________ 52
2.4 Les tests statistiques ________________________________________________________________ 53 2.4.1 Le test d’hypothèse ________________________________________________________________ 53 2.4.2 Les rentabilités anormales moyennes __________________________________________________ 53 2.4.3 Les rentabilités anormales moyennes cumulées __________________________________________ 54
CHAPITRE 3 : INTERPRÉTATIONS DES RÉSULTATS DES ÉTUDES D’ÉVÈNEMENTS ____________________________________ 55
3.1 Introduction _______________________________________________________________________ 55
3.2 Les résultats du C.A.P.M. _____________________________________________________________ 55 3.2.1 Le modèle ________________________________________________________________________ 55 3.2.2 Les rentabilités anormales ___________________________________________________________ 56
V.
3.3 Les résultats du modèle de Fama-French ________________________________________________ 57 3.3.1 Le modèle ________________________________________________________________________ 57 3.3.2 Les rentabilités anormales ___________________________________________________________ 58
3.4 Les résultats du modèle de Carhart_____________________________________________________ 59 3.4.1 Le modèle ________________________________________________________________________ 59 3.4.2 Les rentabilités anormales ___________________________________________________________ 60
3.5 Les résultats du modèle à six facteurs __________________________________________________ 61 3.5.1 Le modèle ________________________________________________________________________ 61 3.5.2 Les rentabilités anormales ___________________________________________________________ 62
3.6 Interprétations d’ordre général ________________________________________________________ 63
CHAPITRE 4 : COMPRENDRE LES RÉSULTATS ANORMAUX SIGNIFICATIFS AVEC LA FINANCE COMPORTEMENTALE _____________ 66
4.1 Introduction _______________________________________________________________________ 66
4.2 Des éléments de finance comportementale ______________________________________________ 66 4.2.1 La bulle spéculative_________________________________________________________________ 66 4.2.2 Des visions à court-terme ____________________________________________________________ 67 4.2.3 L’excès de confiance ________________________________________________________________ 69 4.2.4 L’aversion aux pertes et le comportement des masses _____________________________________ 70
CONCLUSION ________________________________________________________________________________ 72
BIBLIOGRAPHIE ______________________________________________________________________________ 74
TABLE DES MATIÈRES DES ANNEXES _____________________________________________________________ 85
1.
Introduction généraleCe mémoire s’inscrira dans le courant de la finance comportementale qui est l’étude de la finance
avec une prise en compte de la psychologie. Il s’agit d’un paradigme assez récent qui évolue
constamment et dans lequel se mélangent plusieurs disciplines pour donner une vision nouvelle à
la finance et l’économie.
L’originalité principale de ce mémoire est de traiter la crise financière débutée à l’été 2007 sous
l’angle de la finance comportementale. Pour ce faire, nous aurons notamment recours dans notre
partie empirique à des études d’évènements utilisant des modèles avec des facteurs proches de la
finance comportementale. De plus, nous proposerons une revue théorique à jour de la finance
comportementale.
Pour rédiger ce travail, nous baserons essentiellement sur la littérature scientifique. Ce mémoire
contiendra deux parties. La première constituera une revue théorique de la littérature scientifique,
tandis que la seconde consistera en une analyse empirique où l’objectif est de voir la réaction de
cours boursiers d’actions représentant le système financier, et par après, d’analyser si les
mouvements de prix s’inscrivent dans le contexte de la finance comportementale.
Dans la revue théorique, nous commencerons par introduire le paradigme dominant de la
finance, à savoir l’hypothèse d’efficience de marché. Cette théorie met en avant des investisseurs
rationnels et un marché dont les prix reflètent directement l’information. Nous présenterons
aussi les différentes formes d’efficience ainsi que leurs tests empiriques respectifs.
Le deuxième chapitre de cette partie abordera la finance comportementale. Dans un premier
temps, nous dresserons une liste des apports de la psychologie dans le processus décisionnel.
Ensuite, nous analyserons l’irrationalité présente sur les marchés à travers des anomalies
reconnues empiriquement.
L’efficience de marché et la finance comportementale sont souvent vues comme contradictoires.
Ainsi, pour conclure notre revue théorique, nous présenterons dans le troisième chapitre, une
théorie récente qui est l’hypothèse d’adaptabilité des marchés. Cette théorie voit la finance
comportementale et l’efficience de marché comme les deux faces d’une même pièce. A travers la
psychologie évolutionniste (prenant en compte notamment la sélection naturelle), l’adaptabilité
des marchés parvient à lier dans le même paradigme la base de l’efficience avec l’apport de la
psychologie de la finance comportementale.
2.
La seconde partie du mémoire reposera sur notre analyse empirique qui sera basée sur des études
d’évènements.
Le premier chapitre de cette partie expliquera la crise du secteur financier. Nous commencerons
par les causes, ensuite nous décrirons le déroulement de la crise, pour terminer avec les mesures
prises pour sortir de cette dernière.
Avec les enseignements du chapitre précédent, nous expliquerons la méthodologie de notre étude
empirique dans le second chapitre. Pour réaliser nos études d’évènements, nous choisirons 10
actions financières américaines et analyserons le comportement de leurs rentabilités du 2 Juin
2008 au 30 Janvier 2009. Ces rentabilités observées seront comparées à quatre différents modèles
pour déceler des rentabilités anormales qui seraient expliquées à l’aide de la finance
comportementale.
Dans les deux chapitres suivants, nous présenterons et interpréterons tout d’abord les résultats de
nos études empiriques. Par après, nous justifierons quelques chocs anormaux à l’aide de
l’enseignement de la finance comportementale.
Enfin, nous terminerons avec une conclusion sur les enseignements que nous pourrons tirer de
ce mémoire.
Par ailleurs, l’étude empirique de ce mémoire sera réalisée à l’aide d’Excel, et donc certaines
matrices ne seront pas présentables sous format papier. C’est pourquoi, le fichier sera disponible
en ligne à l’adresse suivante : http://www.rankoussi.biz/memoire, ou sur demande par e-mail à
3.
Partie Revue théorique
Chapitre L’efficience de marché
1.1 Introduction« There is an old joke, widely told among economists, about an economist strolling down the
street with a companion. They come upon a $100 bill lying on the ground, and as the companion
reaches down to pick it up, the economist says, ‘Don’t bother — if it were a real $100 bill,
someone would have already picked it up » (Lo, 2004: p. 2)
Cette anecdote, à elle seule, démontre tout l’intérêt de l’hypothèse d’efficience1 de marchés,
mettant en avant sa logique économique imparable.
L’hypothèse d’efficience des marchés forme la base du principal paradigme financier. Il s’agit
d’une des théories les plus influentes de ces 30 dernières années (Aktas, 2004).
Le but derrière cette théorie émise par Eugène Fama (1991), dans les années 60, est la
compréhension du processus de formation des cours boursiers. La recherche a démontré
l’existence de trois formes d’hypothèse d’efficience des marchés. Ci-après, nous expliquerons les
différentes formes d’efficience de marchés ainsi que les résultats des principaux tests empiriques.
Néanmoins, des anomalies sont présentes et ont participé à l’émergence d’un nouveau courant en
finance : la finance comportementale. Ces anomalies seront définies en fin de chapitre pour
démontrer les limites de la théorie de Fama.
1.2 Le concept d’efficience des marchésDans un marché efficient informationnel, les mouvements de prix doivent être imprévisibles s’ils
sont proprement anticipés et suivent donc un modèle de marche aléatoire. Les prix reflètent
entièrement toute l’information disponible (Fama, 1970).
L’analyse repose sur un marché de concurrence pure et parfaite2. Plus un marché est efficient,
plus la séquence des mouvements de prix générés par ce marché est aléatoire. Ceci est
1 « Ce terme est une traduction très approximative, car littérale, du terme anglais efficiency, dont la traduction correcte est «efficacité » (capacité d’un dispositif de remplir adéquatement sa fonction. L’équivalent anglais du terme français « efficience » (capacité d’un dispositif à remplir sa fonction avec la plus grande économie de moyen) est effectiveness. » (Aktas, 2004: p. 1)
4.
directement dû aux innombrables acteurs actifs sur le marché qui tentent de tirer profit de leur
information. Attirés par la recherche d’information, les investisseurs vont utiliser la moindre
information à leur avantage. Ce faisant, ils font réagir le marché, de manière à ce que les prix
incorporent l’information éliminant les opportunités de profits motivant les investisseurs. C’est
pourquoi aucun profit ne peut être généré via des informations selon l’efficience de marchés
(Fama, 1970; Lo, 2004).
Lucas (1978) rajoute que dans ces marchés, tous les investisseurs ont des attentes rationnelles, et
les prix reflètent toute l’information disponible. De plus, comme les prix suivent un modèle de
marche aléatoire, les cours sont donc imprévisibles.
L’efficience des marchés reconnait dans une certaine mesure l’existence d’acteurs irrationnels.
Néanmoins, lorsque ces derniers agissent dans un marché, leurs décisions irrationnelles vont
s’annuler entre elles et ne laisseront qu’une influence très limitée sur les cours. Dans le cas, où il
n’y aurait pas une forme d’annulation des opérations irrationnelles, la présence d’arbitragistes3
permet d’ajuster rapidement les prix pour un retour à la valeur fondamentale4. La concurrence
existant entre les arbitragistes dans leur quête de profits accélère encore plus le processus
d’ajustement (Shleifer, 2000).
1.3 Les formes d’hypothèse d’efficience des marchésL’information joue un rôle prépondérant dans la valorisation des actifs. La question est alors de
délimiter l’ensemble des informations qui conditionnent le cours des titres sur un marché
efficient.
Fama (1991) définit 3 formes progressives d’efficience de marché avec des ensembles
d’information différents. Nous allons pour chaque forme, les décrire et présenter les principaux
tests empiriques correspondants.
2 Il s’agit d’un marché qui satisfait 5 conditions : atomicité du marché, homogénéité des produits, transparence du marché, libre entrée et sortie et libre circulation des facteurs de productions. 3 L'arbitrage est une opération financière par des arbitragistes assurant un gain positif ou nul de manière certaine. Par exemple en prenant simultanément et en sens contraire position sur plusieurs actifs dérivés différents ou sur un produit dérivé et son actif sous-jacent. Il s'agit de profiter d'inefficiences temporaires de prix entre différents titres ou contrats. 4 Ou valeur théorique, elle peut être déduite à l’aide d’un modèle comme l’actualisation des cash-flows futurs;
=( )
5.
1.3.1 La forme faible d’efficience
1.3.1.1 Définition
Le marché est considéré comme efficient sous la forme faible lorsque le prix courant d’un actif
incorpore totalement l’information constituée par l’ensemble des cours historiques (Colmant,
Gillet and Szafarz, 2003). Il est donc impossible de tirer parti des informations passées qui
n’apportent rien en termes de pouvoir prédictif des cours futurs (Capelle-Blancard, 2009)
1.3.1.2 Les tests d’efficience de forme faible
Avec l’efficience de forme faible, le but est de vérifier l’imprévisibilité des cours en fonction des
prix historiques. Trois types de tests vont être définis : deux paramétriques, un non-paramétrique
et les tests sur analyses techniques.
a) Tests paramétriques
i. Tests d’autocorrélation
Ce test statistique a pour but de vérifier l’indépendance des variations (successives) des cours
boursiers, en d’autres termes, démontrer l’implication du modèle de marche aléatoire des prix des
actions. Fama (1965) en étudiant 30 valeurs de l’indice du Dow Jones5 a pu démontrer que les
coefficients de corrélation des cours jour après jour étaient relativement faibles et souvent
proches de zéro ce qui confirme l’indépendance des cours. Ceci s’applique aussi à d’autres indices
comme vous pouvez le voir ci-dessous avec l’indice Cac406. Nous remarquons que la majorité
des titres ont une corrélation entre la rentabilité journalière en t-1 et en t très proche de 0 comme
vous pouvez le voir en Figure 1.
5 Principal indice boursier américain 6 Principal indice boursier français
6.
Figure 1 Autocorrélation du CAC40 (Capelle-Blancard, 2009: p. 3)
De fait, un investisseur ne peut pas utiliser les informations contenues dans les cours passés pour
en tirer du profit dû à l’indépendance des variations de prix, ce qui prouve l’efficience de forme
faible des marchés.
ii. Tests économétriques ARCH
Les tests d’autocorrélation ne prennent pas en compte une réalité statistique des cours, à savoir, la
non-normalité des rentabilités d’actions. C’est pourquoi, des économistes ont mis au point des
tests économétriques qui prennent en compte la distribution non-normale des rentabilités pour
déterminer l’indépendance des cours. Ce sont les modèles Autoregressive Conditional Heteroscedasticity
et leurs généralisations (GARCH, EGARCH…) (Engle, 1982).
Ces tests plus récents, ont obtenu des résultats différents. En effet, ils indiquent très souvent la
présence d’une corrélation sérielle non négligeable dans les séries historiques de taux de
rentabilité des actions. Ceci remet donc en cause les hypothèses de marche aléatoire et
d’efficience (Colmant, Gillet and Szafarz, 2003).
b) Tests non paramétriques
i. Run tests
Un autre test mené par Fama (1965) confirmant le caractère indépendant des cours a été mis au
point. Chaque variation de cours (ou run) est notée soit d’un « + » pour une variation positive,
soit d’un « - » pour une variation négative. De fait une séquence de runs indépendants devrait
7.
avoir une allure telle que « +-+-+-+-+- ». Le contraire mettrait en porte à faux l’efficience de
marché de forme simple. Fama a découvert que les runs étaient relativement courts
(indépendants), ce qui démontrait sa théorie.
ii. L’analyse technique
Ce test-ci a pour but de démontrer qu’une stratégie basique ou naïve (consistant à acheter et
détenir un titre) est plus performante que des stratégies plus complexes obtenues avec des
analyses techniques (comme le nombre d’or, les chandeliers japonais, le filtre…).
Nous allons illustrer ce test avec la technique des filtres. Un investisseur achète ou vend des titres
si les mouvements de prix impliquent un retournement de tendance d’un certain pourcentage
(fixé arbitrairement auparavant) (Investopedia, 2010).
Prenons un filtre de 5% ; si le cours de départ (lors du début de l’analyse) est de 100,
l’investisseur ne prend aucune position tant que le prix fluctue dans une fourchette supérieure à
±5% autrement dit pour un prix se trouvant dans cet intervalle]0; 95[ ]105; + [ comme
vous pouvez le voir en Figure 2.
Si la borne supérieure est atteinte, l’action devra être achetée (à partir de 105) car le titre
se trouve dans une phase ascendante.
Si le titre entame une baisse (par rapport au prix maximum atteint précédemment), il
faudra atteindre une baisse de 5% pour revendre ce titre qui est dès lors dans une phase
descendante.
Figure 2 Illustration de la technique des filtres (Colmant, Gillet and Szafarz, 2003)
90
105Achat à 105
95Achat à 94,5
80
100
120
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Prix
t
Technique des filtres
Vente à 114
8.
Dans un premier temps, il a été démontré qu’une stratégie active avec un filtre permettait de
générer plus de profits qu’une stratégie naïve (Alexender, 1961). Néanmoins, suite à une
recherche plus poussée prenant en compte des éléments omis par Alexender tels que les
paiements de dividende et les coûts de transaction, il a été cette fois démontré qu’il n’était pas
possible de générer des profits supérieurs par rapport à une stratégie basique ce qui est consistant
avec l’efficience de marché de forme faible (Fama, 1970).
1.3.2 La forme semi-forte d’efficience
1.3.2.1 Définition
Le marché est vu comme efficient sous la forme semi-forte lorsque le cours d’un titre incorpore à
l’instant même de leur publication toute l’information publique (p.ex. : fractionnement d’actions,
annonce des résultats comptables, dividendes, annonces d’OPA…) disponible à son sujet (et ce, y
compris les cours passés) (Fama, 1970).
Ceci implique que si le marché est efficient sous la forme semi-forte, il l’est a fortiori sous la
forme faible. Il doit donc être impossible de réaliser un profit sur la base des informations
publiques et disponibles si le marché est efficient sous sa forme semi-forte (Capelle-Blancard,
2009).
1.3.2.2 Les tests d’efficience de forme semi-forte
Les tests d’efficience de forme semi-forte vérifient si les prix des actifs reflètent complètement
toute l’information publique disponible.
Dans un premier temps, des tests spécifiques ont été faits sur les ajustements de prix en fonction
de chaque type d’information. Par exemple, l’analyse d’un fractionnement d’actions par Fama,
French, Jensen et Roll (1969) fut un développement majeur. En effet, cela a permis la
généralisation de leur modèle pour parvenir aux études d’évènements, un outil important
généralisé pour tous les pans de la finance (Fama, 1991) et même à des disciplines hors de la
finance telles que la stratégie et la gestion des ressources humaines (Albouy, 2005).
Dans cette partie, nous allons définir de manière théorique, les études d’évènements puisqu’il
s’agira de l’outil empirique utilisé dans ce mémoire. Ensuite, nous présenterons, les résultats de
ces tests en lien avec l’efficience de marché de forme semi-forte.
9.
a) Les études d’évènements
i. La construction empirique
Un marché est d’autant plus efficient qu’il intègre le plus rapidement possible les nouvelles
informations avec un ajustement des cours en réaction (Albouy, 2005). C’est pourquoi les études
d’événements ont pour but de mesurer la vitesse d’ajustement du marché à l’annonce d’une
information (Fama, 1991).
L’intérêt de cet outil est le fait qu’il peut être utilisé pour analyser la réaction du cours face à
n’importe quelles formes d’informations (le versement de dividendes, le fractionnement
d’actions, la distribution d’actions gratuites, l’émission de nouvelles actions, le rachat d’actions, les
offres publiques d’achat, les nouvelles macroéconomiques, les profits warnings, la présentation
des résultats comptables…). Il n’y a techniquement pas de limite quant à l’information analysée,
néanmoins la difficulté réside dans l’isolement de l’évènement lié à l’information qu’on désire
analyser. Pour éliminer, le bruit lié à différents cas, en général, on va prendre un grand échantillon
d’actions pour dégager une fenêtre d’observation autour de la date d’évènements (Albouy, 2005).
Ensuite, de manière concrète, les études d’évènements se basent essentiellement sur la méthode
des résidus moyens cumulés (via une régression linéaire) qui consiste à mesurer la rentabilité
anormale durant une période donnée (liée à une nouvelle information) (Fama, 1991). Pour ce
faire, il faut calculer la réaction du marché à l’aide des rentabilités anormales (moyennes)
cumulées.
Si on note R , le taux de rentabilité observé du titre i pendant la période t et E(R , ) le taux de
rentabilité espéré, celui-ci est défini à l’aide d’un modèle. Dans la partie empirique, nous
détaillerons les modèles que nous utiliserons. Ceci met en avant un paradoxe où l’efficience de
marché doit être testée conjointement avec un modèle pour estimer le prix d’un titre (Fama,
1991). La rentabilité anormale, notée AR , est dès lors définie par la différence des deux taux
(Albouy, 2005) :
AR , = R , E(R , )
La rentabilité anormale cumulée observée sur le titre i (CAR ) sur une période d’observation (t =
1 à T) est telle que (Albouy, 2005) :
CAR = AR ,
10.
C’est donc en mesurant les rentabilités anormales cumulées sur un échantillon de titres qu’il est
possible de constater en moyenne la réaction du marché à l’annonce d’un évènement.
ii. Les résultats empiriques
Le résultat de base dans les études d’évènements sur des données journalières est qu’en moyenne,
les prix semblent s’ajuster endéans un jour après l’annonce de l’évènement. Le fait que le prix
s’ajuste rapidement est consistant avec l’efficience de marché.
Néanmoins, il existe un problème reconnu par Fama (1991) lorsque nous analysons la dispersion
des taux de rentabilités, elle augmente aux alentours des évènements informationnels. Cette
dispersion pourra être expliquée avec la finance comportementale sous les phénomènes de sur- et
sous-réaction. De plus, Fama reconnait l’existence d’anomalies qui seront décrites en fin de
chapitre, tout en affirmant que l’efficience de marché est bien démontrée par les études
d’évènements.
1.3.3 La forme forte d’efficience
1.3.3.1 Définition
Le marché est qualifié d’efficient sous sa forme forte lorsque le prix courant d’un actif incorpore
non seulement l’information constituée des cours historiques et l’information publique
disponible, mais également l’information non publique ou privée (Colmant, Gillet and Szafarz,
2003).
De fait, la détention d’informations confidentielles susceptibles d’affecter la valeur d’un actif
lorsqu’elles seront publiées ne permet pas à son détenteur de réaliser un gain réel sur les marchés
si les marchés sont efficients sous la forme forte. (Capelle-Blancard, 2009).
1.3.3.2 Les tests d’efficience de forme forte
Ces tests analysent la réaction du marché face à l’information publique et l’information privée. Le
but est d’examiner si les investisseurs disposant d’une meilleure information puissent obtenir de
meilleurs taux de rentabilité que ceux obtenus par le marché (Fama, 1991). L’analyse de la forme
forte d’efficience dite d’information privilégiée sera décrite avec les résultats de deux types de
tests.
a) Performances des investisseurs initiés
On définit les initiés comme des investisseurs détenant un certain pourcentage d’actions
existantes ou faisant partie des organes de direction (ou de décision) de la société. Par
conséquent, grâce à leur accès privilégié, ces investisseurs peuvent tenter d’en profiter. Dès lors,
11.
la logique voudrait qu’ils achètent des actions avant une hausse ou vendent avant une baisse du
cours pour obtenir un excès de taux de rentabilité (Colmant, Gillet and Szafarz, 2003).
Malgré la difficulté de repérer ce genre d’opérations, les résultats obtenus sont en totale
contradiction avec l’efficience sous forme forte. Ces investisseurs initiés ont la capacité d’obtenir
des taux de rentabilité supérieur que le taux attendu par le marché grâce à leur information
privilégiée ce qui est contraire à l’efficience de forme forte (Seyhun, 1986).
C’est pourquoi la SEC7 demande une liste des transactions des initiés. Par ailleurs, le délit d’initié
est puni par la loi, car le marché n’est pas efficient dans ce cas-ci.
b) Performances des gestionnaires de fonds
Dans ce cadre, on examine si les gestionnaires professionnels de fonds ont accès à différent type
d’information non publique grâce à leurs réseaux de contacts notamment, et pourraient donc
battre le marché. (Susskind, 2005)
Malheureusement, ces tests ne sont que peu probants. En effet, il est très difficile de conclure que
les gestionnaires sont compétents, chanceux ou ont accès à des informations privées lorsqu’ils
réalisent des taux de rentabilité supérieure. De même, le fait de ne pas réaliser des taux de
rentabilité ne démontre pas spécialement l’efficience de forme forte. (Colmant, Gillet and Szafarz,
2003)
1.4 Une remise en cause de l’efficience de marchéNous savons que les tests empiriques démontrent en partie l’efficience de marché, en particulier
sous sa forme faible ainsi que sa forme semi-forte. Toutefois, les tests ont été peu probants pour
vérifier l’efficience de forme forte. Nous allons dans ce chapitre nous limiter à une critique
théorique. Nous apporterons une remise en cause empirique avec les anomalies, fondatrices de la
finance comportementale, dans le prochain chapitre au point 2.3.3.
1.4.1 Une critique théorique de l’efficience de marchés
Il nous parait opportun de rassembler quelques importantes critiques de l’efficience de marchés
qui nous servirons d’ailleurs de base pour le prochain chapitre sur la finance comportementale.
Le paradigme de l’efficience de marchés considère que les investisseurs agissent rationnellement
et de manière optimale, le tout étant lié à leur fonction d’utilité espérée. Mais des psychologues
avec des économistes (expérimentaux) ont pu mettre en évidence un détachement du paradigme
de l’efficience de marchés sous la forme de biais comportementaux omniprésents dans le 7 Security Exchange Commission : régulateur des marchés financiers aux U.S.A.
12.
processus décisionnel humain sous incertitude que nous analyserons en détail en 2.2.2.1 de cette
partie. Cette critique est souvent reliée à l’irrationalité des agents (Lo, 2004).
Une autre critique de l’efficience est mise en évidence par le paradoxe de Grossman et Stiglitz
(1980). Si l’efficience au sens fort émet que le prix des actifs est révélateur de toute l’information
publiée ou privée, plus rien ne justifie l’acquisition d’information. En effet, à quoi bon essayer de
déterminer la valeur fondamentale d’un titre si le marché est parfaitement efficient. ? A quoi bon
engager des coûts (argent et temps) pour de la recherche d’information s’il est impossible de
battre le marché ? Dès lors, l’hypothèse d’un marché parfaitement efficient est incompatible avec
l’existence d’agents informés lorsque la collecte d’information est coûteuse. Il n’y aurait donc pas
de raison de faire des opérations sur le marché et celui-ci « mourrait » (Lo, 2004; Capelle-
Blancard, 2009).
Le corollaire voudrait donc que le degré d’inefficience des marchés détermine les efforts que les
investisseurs sont prêts à faire pour obtenir de l’information dans le but de générer des
opportunités de profits (qui compenseraient les coûts de transaction et de collecte d’information).
Certains investisseurs agissent sur les marchés sur base d’information de tout type. Ces
informations (formée de rumeurs, de fausses informations…) sont du bruit, et les investisseurs
sont des noise traders (Black, 1986; Lo, 2004).
Notons néanmoins que Fama (1991) rejette ces critiques. Des comportements irrationnels
peuvent apparaître de temps à autre, mais ils s’annulent entre eux. Les forces du marché sont
telles qu’elles forceront le retour à la rationalité. Mais les bulles spéculatives, les paniques, les
manias et autres krachs (p. ex. : LTCM, hedge fund qui avait parié sur une réduction du spread
des obligations russes mais dont l’opposé s’est réalisé ce qui entraina sa faillite) remettent en
cause la vision de Fama (Kindleberger, 1989).
Le chapitre 3 présentera l’adaptabilité des marchés, une nouvelle théorie prenant en compte une
évolution récente de l’efficience des marchés avec l’apport de la finance comportementale.
13.
Chapitre La finance comportementale
2.1 IntroductionLes prémices de la finance comportementale remontent au 19ème siècle. En 1841, MacKay publia
« Extraordinary popular decisions and the madness of crowds » où une ligne du temps des
paniques ayant eu lieu auparavant fut dressée. Le lien entre psychologie et finance se développa
encore plus en 1911 avec l’ouvrage de Selden « Psychology of the Stock Market », où la
psychologie a été directement appliquée dans les marchés financiers (Ricciardi and Simon, 2000).
Aujourd’hui quand nous lisons la presse à propos des marchés financiers, nous pouvons voir
certains mots clés : drame humain, avidité, caprice, excentricité, égo surdimensionné, peur. Une
des répliques les plus connues concernant les marchés et prenant en compte la psychologie
(venant du monde de la fiction) est à mettre au crédit du magnat de la finance Gordon
Gekko avec son illustre expression « Greed is good »8.
Pourtant si on analyse les articles issus de la mouvance rationnelle (liée à l’hypothèse d’efficience
de marchés), il y a une totale abstraction de toutes formes d’émotions. C’est pourquoi la finance
comportementale étudie comment les phénomènes psychologiques ont un impact sur la finance.
La reconnaissance académique arriva au début des années 90, quand Thaler et Shiller entreprirent
une série de conférences sur la finance comportementale. La reconnaissance internationale vint
en 2002 avec le Prix Nobel d’économie octroyé à Smith et Kahneman9 pour leur théorie des
perspectives qui modifient la façon de penser la rationalité humaine en économie.
2.2 Les fondations de la finance comportementaleLa finance comportementale repose sur deux blocs qui sont opposés à ce qui a été expliqué avec
de l’hypothèse d’efficience de marchés10.
La première met en évidence que certains investisseurs ne sont pas totalement rationnels et leurs
actions sur les marchés financiers sont influencées par leurs croyances ou émotions. D’où
l’apport de la psychologique à la finance pour expliquer ces déviations de la rationalité.
La seconde hypothèse de base est que l’arbitrage, activité à laquelle vont se livrer les investisseurs
rationnels en réponse aux actions des investisseurs irrationnels est une activité non dénuée de
risques et dont l’efficacité s’en voit donc limitée (Barberis and Thaler, 2003).
8 “L’avidité c’est bien” du film d’Oliver Stone, Wall Street, 1984. 9 Malheureusement, Amos Tversky est décédé quelque temps auparavant 10 Voir 1.2 §5
14.
2.2.1 Un arbitrage limité et risqué
Comme vu au chapitre précédent, les opportunités d’arbitrage sont quasi-inexistantes dans un
marché efficient. Mais, nous savons aussi qu’il existe des investisseurs irrationnels, ou noise traders
qui vont émettre du bruit sur les marchés.
L’arbitrage est une opération qui a pour but de ramener les prix à l’équilibre théorique. Nous
assistons à deux mouvements :
Les investisseurs rationnels vont déplacer les prix vers leur niveau efficient
Les investisseurs irrationnels vont éloigner les prix de leur niveau efficient
Néanmoins, les investisseurs rationnels ne peuvent pas toujours contrebalancer les effets des
investisseurs irrationnels. De fait, en réalité, les prix vont refléter une moyenne pondérée des
différentes croyances des investisseurs (rationnels contre irrationnels). La mission des
investisseurs rationnels est donc d’éliminer les mauvaises évaluations dues aux erreurs et autres
biais des investisseurs irrationnels via des opérations d’arbitrage. Mais si la croyance des
investisseurs irrationnels est trop forte, l’arbitrage est dès lors une opération risquée et son
efficacité en devient limitée (Hirshleifer, 2008).
Ceci remet donc en cause l’hypothèse d’efficience de marchés, dans le sens où on doute de la
capacité du marché des actions à refléter les valeurs fondamentales (Aktas, 2004). Nous
reviendrons sur ce point dans la sous-section traitant des bulles spéculatives et de leur danger
pour les arbitragistes (rationnels).
2.2.2 Apports de la psychologie
En finance comportementale, les investisseurs irrationnels vont causer des déviations par rapport
à la valeur fondamentale qui laisseront les investisseurs rationnels avec peu de pouvoir
d’influence sur les cours (Barberis and Thaler, 2003).
2.2.2.1 Les phénomènes psychologiques affectant les décisions
Des économistes ont décelé trois catégories de phénomènes psychologiques (Shefrin, 2007): les
biais, les heuristiques et les effets de cadrage. Les effets de cadrage seront étudiés ultérieurement
dans ce chapitre avec la théorie des perspectives.
Les phénomènes psychologiques offrent une explication aux déviations de cours réalisés par les
investisseurs irrationnels, avec l’apprentissage aide de la psychologie cognitive. La psychologie
cognitive est l’étude des systèmes de connaissances constitutifs de la pensée (Bertrand and
Garnier, 2005).
15.
Hirshleifer (2008) met en avant trois principes expliquant pourquoi les gens utilisent des
heuristiques. Premièrement, c’est dû aux limites cognitives des humains. De plus, en considérant
l’aspect historique évolutionniste partagé par les humains, les individus semblent prédisposés à
être soumis aux mêmes heuristiques, et donc aux mêmes biais. Deuxièmement, entre humains,
nous émettons des signaux pour exprimer notre for intérieur. De fait, certains traits comme
l’excès de confiance existent pour pouvoir signaler notre état (de confiance) aux autres.
Troisièmement, les jugements et décisions des gens sont influencés par leurs propres sentiments.
Ceci affecte nos croyances (ou tout du moins notre manière de les concevoir mentalement).
a) Les biais
Un biais cognitif est une prédisposition à effectuer des erreurs de jugements (Shefrin, 2010a).
i. Excès de confiance
L’excès de confiance est un biais fortement recensé chez les investisseurs (professionnels y
compris). Les psychologues ont déterminé que l’excès de confiance pousse les gens à surestimer
leurs connaissances, à sous-estimer les risques encourus et à exagérer leur habilité à contrôler les
évènements (Nofsinger, 2001).
L’excès de confiance des investisseurs a deux implications principales. Premièrement,
l’investisseur prend des mauvaises décisions car il échoue à comprendre qu’il est dans une
situation informationnelle désavantageuse. Deuxièmement, il opère trop activement sur le
marché, ce qui génère un volume d’échange trop grand réduisant son taux de rentabilité (Shefrin,
2002).
Il est intéressant de remarquer qu’une étude empirique comparative a été menée entre les
investisseurs professionnels féminins et masculins. Il en ressort que les hommes sont plus
prompts à l’excès de confiance. Ceci engendre un volume d’échange plus important et un taux de
rentabilité moindre par rapport à celui des femmes, en particulier chez les célibataires. De plus,
les investisseurs soumis à ce biais pensent que leur talent suffira à couvrir les frais de transaction
(qui augmente au vu du volume d’échange en hausse) (Barber and Odean, 2001).
ii. L’optimisme
L’optimisme pousse les individus à surestimer les probabilités d’évènements qui leur sont
favorables et sous-estimer les probabilités d’évènements qui leur sont défavorables (Shefrin,
2010a).
16.
Par exemple, la plupart des gens sous-estiment la probabilité de participer à un accident ou de
contracter un cancer. En même temps, une grande majorité des motards estiment qu’ils se
trouvent dans le top 20% des pilotes (ce qui en soi est impossible). L’optimise dévie les
jugements de l’objectivité et de la rationalité (Frey and Stutzer, 2002)
iii. Le conservatisme
Avec le biais de conservatisme, nous décrivons des situations où la référence est surdimensionnée
par rapport aux nouvelles informations en arrivage (Barberis and Thaler, 2003).
Cela indique que les investisseurs sont trop lents (ou trop conservateurs) lors de la mise à jour de
leur croyance en réponse à de nouvelles informations. En d’autres termes, ils peuvent sous-réagir
à de nouvelles informations sur une société, et de facto, le prix va incorporer l’information que
graduellement (Shefrin, 2010a).
Ce biais pourrait donner lieu à une augmentation du momentum sur les taux de rentabilité des
actions, ce qui implique que ces individus gardent trop longtemps une action perdante et vendent
trop rapidement une action gagnante (Jegadeesh and Titman, 1993; Bodie, Kane and Marcus,
2004).
iv. L’auto-attribution
Les études empiriques en psychologie ont montré que les gens ont la tendance de s’attribuer les
succès passés, mais de blâmer les échecs sur des facteurs externes. Ce biais est lié à l’excès de
confiance car en cas de succès, la confiance n’en sort que renforcée (Subrahmanyam, 2005).
v. L’entêtement
Il a été prouvé qu’une fois une opinion formée, l’humain reste trop souvent sur cette dernière. La
remise en question ne se fait pas facilement. Deux effets sont liés à cette vision. D’un côté, les
gens sont réticents à chercher de l’information qui irait à l’encontre de l’opinion qu’ils ont
exprimée. D’un autre côté, s’ils cherchent tout de même cette information, ils vont la traiter avec
un scepticisme avancé toujours dans le but de confirmer leur vision initiale (Shefrin, 2010a)
b) Les heuristiques
Une heuristique est un raccourci mental pour réaliser un jugement sur notamment des
probabilités, statistiques, réalisations futures (Shefrin, 2010a).
17.
i. La disponibilité (de l’information)
L’heuristique de disponibilité est la tendance à former un jugement en se basant uniquement sur
l’information déjà disponible. Il y a donc une sous-évaluation automatique de l’information non
directement disponible.
Par exemple, les gens ont tendance à surestimer une attaque de requins et à sous-estimer une
attaque par un reptile. Ceci est notamment dû au fait, que les médias parlent plus volontiers du
premier type qui est plus spectaculaire (Shefrin, 2010a). En finance, cela serait par exemple,
l’évaluation d’une nouvelle affaire en pensant seulement à toutes les difficultés qu’elles pourraient
rencontrer (Tversky and Kahneman, 1973).
Cette heuristique met en évidence l’importance de la saillance (grande probabilité) et de
l’attention pour la réalisation d’un jugement (Shefrin, 2010a).
ii. L’ancrage (et l’ajustement)
L’ancrage (et l’ajustement) est une heuristique qui influence la manière dont les gens estiment
intuitivement des probabilités. Selon cette heuristique, les gens commencent le processus
d’estimation avec un point de référence implicite (la variable d’ancrage) et font des ajustements
autour de ce dernier pour atteindre leur estimation. Les gens commencent donc par une première
approximation et puis la font évoluer en fonction des informations additionnelles, ceci dans le
but d’éviter de devoir jongler avec un trop grand nombre d’informations. Mais le problème réside
dans le fait que les ajustements sont bien souvent très faibles (Tversky and Kahneman, 1981;
Shefrin, 2010a).
Prenons l’exemple d’un prêt hypothécaire, un individu va recevoir plein d’informations et va
devoir faire son estimation. Le taux d’intérêt, dans ce cas-ci sera la variable d’ancrage, tandis que
les variables d’ajustement seront notamment le nombre d’années, les frais d’enregistrement… Un
conseiller peu scrupuleux connaissant ce biais pourrait en profiter. En effet, en présentant tout
d’abord un taux d’intérêt aux allures intéressantes, il va ancrer son client dessus, toutes les autres
variables seront des variables d’ajustement et compteront moins dans le processus décisionnel.
C’est pourquoi la variable d’ancrage domine le processus décisionnel (Morwitz, Greenleaf and
Johnson, 1998).
iii. L’affect
Il s’agit d’une heuristique où l’affect influence les décisions. L’affect reprend les humeurs qui sont
de courte durée et les sentiments tels que la peur, le plaisir, la surprise… L’affect a un impact sur
les actions et choix des individus. Cela pousse l’humain à prendre des actions qui peuvent être
18.
contraires à la logique ou à l’intérêt personnel. Les psychologues définissent l’affect sous une
simple échelle avec les concepts de « bon » ou « mauvais » de part et d’autres (Slovic et al., 2002).
Un individu ayant un bon sentiment concernant une situation verra sa perception du risque
diminuée mais sa perception du profit augmentée même si ce n’est ni logique et ni garanti
(Finucane et al., 2000). Prenons le cas, d’un individu qui tombe sous le charme (forte réaction
sentimentale) de la première maison qu’il visite, peu importe les qualités supérieures des autres
maisons visitées par après. La première qui a reçu son affect aura une meilleure perception malgré
ses défauts (Puttonen, 2009b).
Des études empiriques ont montré que le beau ou mauvais temps influençait le jugement des
humains. En cas de beau temps, les perspectives de taux de rentabilité sont plus hautes qu’en cas
de mauvais temps pour les investisseurs financiers (Schwarz, 2010)
iv. La représentativité
Il s’agit de la tendance à l’utilisation de stéréotypes pour effectuer un jugement.
Une étude psychologie a été réalisée pour démontrer le biais de représentativité : « Linda a 31 ans,
elle est célibataire, franche et très brillante. Elle possède une maîtrise de philosophie. Etudiante,
elle se montrait très préoccupée par les questions de discrimination et de justice sociale, elle
participait aussi à des manifestations antinucléaires.
Selon vous, Linda a-t-elle plus de chance d'être :
1. Enseignante dans une école primaire. 2. Libraire et inscrite à des leçons de yoga. 3. Active dans le mouvement féministe. 4. Travailleuse sociale en milieu psychiatrique. 5. Membre de la ligue des électrices. 6. Guichetière dans une banque. 7. Vendeuse d'assurances. 8. Guichetière dans une banque et active dans le mouvement féministe. » (Kahneman and
Frederick, 2002: p. 10)
89% des sondés ont répondu la proposition 8, alors que la probabilité que deux évènements se
produisent ensemble est toujours inférieure ou égale à la probabilité qu’un de ces évènements se
produisent (3 ou 6). Ce résultat est contre la logique, mais est due au biais de représentativité où
le stéréotype prend le dessus. Une des erreurs est que les sondés pensent qu’en répondant que
Linda est guichetière dans une banque, elle ne sera pas active dans un mouvement féministe
(Kahneman and Frederick, 2002).
19.
Au niveau des marchés, une personne qui va être soumise au biais de représentativité va, par
exemple, exprimer un jugement plus que positif sur les taux de rentabilité future d’une action sur
base des taux historiques. Ceci est dû au fait que le jugement est formé en pensant que les
performances passées sont représentatives de bonnes actions (avec des taux de rentabilité futurs
positifs). L’heuristique de représentativité mène à des prévisions particulièrement risquées dues au
manque d’attention sur les autres facteurs impactant les cours (Shefrin, 2010a).
v. La familiarité
Les investisseurs individuels ne choisissent pas un portefeuille réellement diversifié. A la place, ils
ont un désir de familiarité. Ceci impacte le portefeuille de l’investisseur car il va y avoir une forte
pondération de titres domestiques. Les investisseurs favorisent les titres de leur pays ou région
même si ce n’est pas rationnel (French and Poterba, 1991)
2.2.2.2 L’apprentissage
Dans la finance standard (liée à l’efficience de marchés), les investisseurs apprennent de manière
rationnelle.
a) L’utilisation du théorème de Bayes dans la finance standard
Pour les économistes, l’apprentissage rationnel est lié au théorème de Bayes. Les probabilités
sont utilisées comme moyen de traduire numériquement un degré de connaissance. Le théorème
de Bayes énonce des probabilités conditionnelles.
Etant donné deux évènements A et B, le théorème de Bayes permet de déterminer la probabilité
de A sachant B, si l’on connaît les probabilités :
de A
de B
de B sachant A
Le résultat étant ( | ) = ( | ) ( )( )
;
Le terme P(A) est la probabilité de réalisation de l’évènement A. Elle est « antérieure » au sens
qu’elle précède toute information sur B. P(A) est aussi appelée la probabilité marginale de A. Le
terme P(A|B) est appelée la probabilité a posteriori de A sachant B (ou encore de A sous
condition B). Elle est « postérieure », au sens qu’elle dépend directement de B. Le terme P(B|A),
pour un B connu, est appelé la fonction de vraisemblance de A. De même, le terme P(B) est
appelé la probabilité marginale ou a priori de B (Howson and Urbach, 2006)
20.
b) L’apprentissage dans la réalité
A travers les expériences menées en psychologie, on remarque une déviation du postulat émis par
le théorème de Bayes. Un des problèmes (qui a été mis en avant dans les biais et heuristiques) est
la tendance que nous avons de donner trop de poids aux évènements extrêmes par rapport aux
tendances bien développées.
L’échec de l’apprentissage ou la réalisation systématique d’erreurs se retrouvent dans divers
domaines de la vie de tous les jours (conduire, gérer sa famille ou ses amis), mais aussi dans les
marchés financiers.
Par exemple, on peut dénombrer aisément les échecs réalisés par les analystes financiers lors de
diverses prévisions. Une des raisons qu’ils font et refont des erreurs de prédiction est qu’ils ne
peuvent pas s’appuyer sur une opération passée pour apprendre de leurs erreurs comme chaque
cas est différent.
L’apprentissage est donc d’une certaine manière bloqué. Nous pouvons illustrer ce phénomène
avec le réchauffement climatique. Les anciennes générations n’ont pas eu à se soucier de ce
phénomène. Dès lors, aujourd’hui, la génération actuelle est perdue et ne sait pas quelles actions
elle doit mener pour contrer ce problème. En réalité, nous ne disposons pas toujours de
probabilités sur les occurrences passées pour apprendre de manière rationnelles (Forbes, 2009).
2.2.2.3 Les préférences
Dans la finance traditionnelle, la décision sous incertitude se prenait en maximisant la fonction
d’utilité espérée tout en ayant des attentes rationnelles. Néanmoins, nos motivations relèvent
d’une autre forme de rationalité acquise à travers des années d’évolution sous la pression de la
sélection naturelle. Il existe deux tendances chez les individus. D’une part, nous avons l’aversion
au risque, lequel nous conduit à éviter des situations dangereuses. D’autre part, il y a la recherche
de réalisation du potentiel, qui conduit des comportements avec prise de risques (Raufaste and
Hilton, 1999).
a) La théorie des perspectives
Cette théorie mise au point par Kahneman (prix Nobel d’économie en 2002) et Tversky est une
formalisation de l’effet de formulation sur les préférences expliquées précédemment. Cela
concerne donc l’idée que les individus ne se comportent pas toujours rationnellement. Il y a des
biais qui influencent constamment les choix sous incertitude (Ricciardi and Simon, 2000).
21.
La théorie des perspectives considère que les préférences comme une fonction de pondération
des décisions et suppose que ces poids ne correspondent pas toujours aux probabilités. En
particulier, il est mis en évidence que la pondération des décisions surpondère les faibles
probabilités et sous-pondère les probabilités modérées et élevées (Kahneman and Tversky, 1979).
Les sujets tendent à évaluer les perspectives (ou les possibles réalisations) en termes de gains et
pertes par rapport à un point de référence plutôt qu’un état final de richesse (Schwartz, 1998).
Considérons ces possibilités d’investissements :
o Option 1 : Un bénéfice (gain) assuré de 5.000€
o Option 2 : 80% de chances de gagner 7.000€, 20% de chances de ne recevoir rien
du tout
Quelle option prendriez-vous pour maximiser vos profits ?
La majorité des sujets ont sélectionné l’option 1 qui est essentiellement un profit sûr.
La plupart des gens sont averses au risque quand ils sont confrontés à un gain financier attendu.
L’option 1 semble être l’option la plus rationnelle si on croit qu’il y a une forte probabilité de
perte. Néanmoins, l’option 1 est la moins attractive, car la performance moyenne (vision de
gestion d’un portefeuille) de l’option 2 donne lieu à un meilleur résultat : (7.000€ × 80%) +
(0 × 20%) = 5.600€ (Kahneman and Tversky, 1979).
La théorie des perspectives démontre que si des investisseurs sont face à une possibilité de perdre
de l’argent, ils vont souvent prendre des décisions plus risquées dû à leur aversion de la perte. Ils
renversent cette préférence lorsqu’ils sont face à des gains et deviennent averse au risque
(Raufaste and Hilton, 1999). Cette façon de réfléchir peut engendrer des pertes dans un
portefeuille d’investissements (Ricciardi and Simon, 2000).
Concrètement, la théorie des perspectives se déroule en deux phases :
i. Phase de cadrage
Dans cette phase, les différentes possibilités sont mesurées suivant des heuristiques et des biais.
En résumé, les individus décident quelles options sont identiques et ils définissent un point de
référence d’où ils considèreront des revenus plus faibles comme des pertes et des revenus plus
élevés comme des gains (McDermott, Fowler and Smirnov, 2008).
Le cadrage est caractérisé principalement par l’effet de formulation. La manière dont un résultat
est formulé va influencer les gens à faire différents choix.
22.
En effet, si on présente à un patient deux options de traitements ayant la même probabilité
objective de réussite. Mais si la première est présentée en termes de survie, la seconde en termes
de mortalité, les choix du patient vont différer alors que rationnellement les deux solutions sont
identiques (Slovic and Lichtentstein, 1983).
ii. Phase d’évaluation
Dans la phase d’évaluation, les individus se comportent comme s’ils calculaient une valeur (utilité)
de base sur les résultats potentiels et leur probabilité respective, et au final choisissent l’alternative
la plus intéressante.
La formule d’évaluation est donnée par (Kahneman and Tversky, 1979) :
( ) ( ) ( ) ( ) ( ) ( )
Où :
sont les résultats potentiels
sont les probabilités respectives
est la fonction de pondération, où les faibles probabilités sont surpondérées et les
probabilités fortes et modérées sont sous-pondérées
est la fonction de valeur que chaque individu assigne à chaque résultat potentiel, elle a la
forme d’un S comme vous pouvez le voir dans la Figure 3
Figure 3 Fonction de valeur (Phung, 2010)
23.
On remarque tout de suite, le fait de perdre une somme ne sera comblé que par le double voire le
triple de cette somme, ceci est dû à une forte aversion aux pertes. Au niveau financier, la douleur
de perdre 1000 euros ne pourrait être compensée que par le plaisir de gagner 2000, ou même
3000 euros. Il y a donc une asymétrie d’aversion au risque (Tversky and Kahneman, 1991).
De plus, en fonction de la formulation des résultats potentiels, il y aura une modification des
préférences. Le fait d’exprimer les résultats en situation de gains poussera les individus à une plus
grande aversion au risque. Tandis que le fait d’exprimer les résultats en situation de perte
poussera les individus à une plus grande propension à la prise de risque (Tversky and Kahneman,
1981).
2.3 La finance comportementale et l’évaluation d’actifs financiersL’évaluation d’actifs financiers est un élément clé en finance que nous utiliserons par ailleurs dans
la partie empirique de ce mémoire. La finance comportementale va permettre d’identifier des
problèmes souvent passés inaperçus dans la finance traditionnelle. Pour ce faire, nous allons
mettre en avant des problèmes recensés dans diverses études et analyses de la finance
comportementale.
2.3.1 Les investisseurs irrationnels
Avec l’efficience des marchés, nous avons vu que soit les comportements des investisseurs
irrationnels s’annulaient entre eux, soit les investisseurs rationnels corrigeaient les prix via des
opérations d’arbitrage (Fama, 1970).
Dans le paradigme comportemental, les taux de rentabilité attendus ne sont plus seulement liés
aux risques intrinsèques, mais aussi aux mauvaises évaluations (mispricing) des investisseurs
irrationnels. Nous pourrions formaliser ce double impact avec un cadre linéaire (comme le
C.A.P.M.) où le taux de rentabilité attendu serait une fonction du risque objectif et d’un proxy
représentant les mauvaises évaluations générées par les investisseurs irrationnels (Hirshleifer,
2008).
Ces mauvaises évaluations menant à des opérations irrationnelles sont dues au bruit (noise). On
définit le bruit comme étant tout ce que l’information n’est pas. Les investisseurs rationnels se
basent sur des informations (faits, prévisions…) pour opérer sur les marchés alors que les
investisseurs irrationnels vont se baser sur tout et n’importe quoi (du point de vue rationnel)
(Thaler, 1993).
24.
2.3.1.1 Un flux de richesse interrompu
Traditionnellement, on expliquait les transferts de richesse de cette manière :
Des investisseurs irrationnels foolish aux investisseurs rationnels smart
A long-terme, les prix sont fixés par les investisseurs rationnels et reflètent l’efficience.
La vision comportementale explique que si les investisseurs irrationnels sous-estiment le risque et
agissent avec excès sur les marchés, la prime additionnelle engendrée va contrer le flux de
richesse vers les investisseurs rationnels ce qui va contrer ce flux de richesse. De plus, cet excès
sur les marchés va rendre les prix visqueux (DeLong et al., 1991).
C’est pourquoi les investisseurs irrationnels peuvent avoir un impact permanent sur les marchés.
Cet impact crée une anomalie permettant aux investisseurs d’avoir une prévision des taux de
rentabilité à long terme. Le challenge pour la finance comportementale est d’identifier comment
les investisseurs irrationnels peuvent affecter de manière persistante les prix (Hirshleifer, 2008).
2.3.2 Les puzzles du marché des actions
Des chercheurs ont analysé le marché des actions U.S.11 et ont identifié des problèmes qui ne
sont pas expliqués par la théorie. Nous allons nous intéresser à deux problèmes liés aux
comportements sur le marché des actions : la prime sur capitaux propres et la volatilité des taux
de rendement des actions (Barberis and Thaler, 2003). Ces deux problématiques ont été appelées
des puzzles par les macro-économistes car les résultats des modèles sont inconsistants avec les
données observées (Mehra and Prescott, 1985).
Même si les actions semblent être des titres financiers attractifs (haut rendement en moyenne,
faible covariance avec la croissance de la consommation), les investisseurs apparaissent peu
enclins à les garder. Ce qui engendre une demande pour une prime de risque substantielle pour
les garder (Barberis and Thaler, 2003).
2.3.2.1 Le puzzle de la prime des capitaux propres
a) Définition
Le marché des actions a historiquement engendré du rendement en excès. Par exemple, l’indice
S&P 50012 a été analysé de manière annuelle de 1871 à 1993, et nous observons des taux
historiques de rendement moyen (sous échelle logarithmique) de l’ordre de 3,9% ce qui est
largement supérieur au rendement des billets de trésorerie à court-terme (Campbell and
11 La majorité des écrits dans le domaine nous provienne des U.S.A. qui restent la première place mondiale financière 12 Indice boursier américain des 500 plus grandes capitalisations construit par Standards & Poors
25.
Cochrane, 1999). De plus, si on utilise un modèle classique basé sur la consommation13 pour
mesurer cette prime, nous obtenons une prime de 0,1% (Barberis and Thaler, 2003). De fait, la
finance classique ne peut expliquer ce puzzle avec la théorie de l’utilité attendue et l’aversion au
risque en relation des changements de consommation ou de richesse.
b) Une justification par les préférences
La finance comportementale va l’expliquer avec un investisseur représentatif dont les préférences
sont basées sur la théorie de la perspective. Les théories comportementales du puzzle du marché
des actions expliquent que l’impact des investissements à court-terme peut induire les
investisseurs averses aux pertes à se comporter comme s’ils étaient très averses aux risques, ceci
va créer une prime importante pour les actions. De plus, si les investisseurs sont préoccupés, ils
vont avoir des croyances ambiguës au sujet des rendements des actions, ils vont donc demander
une prime d’aversion à l’ambigüité. De cette manière, il y aura une pression supplémentaire sur
les primes sur actions (Barberis and Thaler, 2003; Shefrin, 2010a).
2.3.2.2 Le puzzle de la volatilité
a) Définition
Les rendements fournis par les actions et le ratio prix/dividende sont tous deux très volatils. En
reprenant les mêmes données que précédemment, nous obtenons un écart-type pour les
rendements annuels du S&P 500 de 18%, ainsi qu’un écart-type de 0,27 pour le ratio
prix/dividende (Barberis and Thaler, 2003). Notons qu’une fois de plus, le modèle classique (basé
sur la consommation) sous-évalue ce phénomène au vu de l’écart-type calculé à 12% (Hirshleifer,
2008; Shefrin, 2010a).
Les explications comportementales du puzzle de volatilité sont basées sur les croyances et les
préférences. Le point de base est le ratio prix/dividende. Reprenons la formule de Gordon-
Shapiro avec une croissance attendue constante : =
Où :
P est le prix de l’action
D est le dividende
r est le taux de rendement requis
g est la croissance attendue du dividende 13 Un nombre infini d’investisseurs identiques avec le choix entre deux titres. Le premier est un titre sans risque qui rémunère au taux sans risque, et le second étant le portefeuille de marchés rémunérant le taux du marché.
26.
Cette formule indique que le ratio est lié au taux de rendement requis et la croissance attendue du
dividende. S’ils restent stables à termes, alors la théorie traditionnelle prédit que le ratio reste
stable aussi (Shefrin, 2010a).
Mais dans la pratique, ce ratio est assez volatil. La finance comportementale peut expliquer ce
problème en se basant sur deux concepts : la représentativité et les préférences.
b) Justification par le biais de représentativité
Les attentes des investisseurs au sujet de la croissance future des dividendes et du risque, peuvent
générer une volatilité excessive par rapport à des évènements récents. Par exemple, les
investisseurs peuvent voir dans une poussée récente de la croissance du dividende comme une
représentation d’un taux de croissance future et durable. On passe d’une croissance objective
(comme dans la formule) à une croissance subjective. On peut justifier de la même manière la
volatilité sur le risque perçu. Ceci permettant une plus grande volatilité sur les marchés (Campbell
and Cochrane, 1999; Barberis and Thaler, 2003; Shefrin, 2010a)
c) Justification par les préférences
Une autre explication peut être faite en se basant sur les préférences comme nous l’avons fait
pour la prime des capitaux propres. Pour rappel, la théorie des perspectives se fonde sur des
attitudes vis-à-vis du risque qui sont non constantes et changeantes en fonction des résultats
possibles en termes de gains et de pertes. En se basant sur un tel investisseur, il a été démontré
qu’il devenait plus tolérant à une perte après qu’une hausse du marché ait généré des gains pour
les investisseurs (Barberis, Huang and Santos, 2001; Thaler and Johnson, 1990). De la même
façon, il devient plus averse à une perte après une baisse du marché qui lui a fait perdre de
l’argent par rapport à son investissement initial. Cette nouvelle vision amenée par la finance
comportementale suggère une acceptation plus grande pour de la volatilité (Barberis and Thaler,
2003; Shefrin, 2010a).
2.3.3 L’analyse transversale des rendements moyens
Après avoir analysé l’impact de la finance comportementale sur le marché des actions dans son
ensemble, nous allons dans cette partie nous intéresser au comportement des actions de manière
individuelle. Les résultats que nous allons présenter proviennent d’analyses transversales des taux
de rendements. L’analyse transversale est une méthode de recherche sur une population ou un
échantillon à une période définie dans le temps.
De cette analyse, les chercheurs ont découvert plusieurs anomalies non expliquées par le modèle
principal issu de l’efficience de marché qui est le Capital Asset Pricing Model que nous expliquerons
27.
plus en détail dans la partie empirique. Nous allons ci-dessous faire une description des anomalies
les plus connues démontrant les limites de l’efficience de marché.
2.3.3.1 La prime pour la taille
Les actions avec une faible capitalisation boursière ont par la suite obtenu de meilleurs
rendements que les actions de grosses capitalisations (Banz, 1981). Des études ont été faites sur
des bourses américaines de 1963 à 1990 et on a remarqué que les actions issues de faibles
capitalisations avaient en moyenne un rendement de 0,74% par mois supérieur aux grosses
actions (Fama and French, 1992). Ceci va à l’encontre du C.A.P.M. qui même s’il attribue aux
faibles capitalisations un supérieur, ce dernier n’explique pas la différence de rendements
(Barberis and Thaler, 2003).
2.3.3.2 Les renversements long terme
De Bondt et Thaler (1985) ont analysé les actions échangées sur le NYSE. De 1926 à 1982, ils
ont fait des classements des meilleures et des pires actions en fonction de leur rendement cumulé
historique par période de 3 ans. En créant un portefeuille avec uniquement les meilleures actions
et un second avec uniquement les perdantes, il a été remarqué que le rendement moyen d’un
portefeuille perdant (durant les trois dernières années) est supérieur de 8% par rapport au gagnant
par la suite.
2.3.3.3 Les ratios basés sur le prix
Ici nous analysons le pouvoir de prévision qu’offre deux ratios basés sur le prix, à savoir le PER
(coefficient de capitalisation des bénéfices : Prix d’une action / bénéfice par action) et le ratio de
la valeur comptable/la valeur de marché. Il a été remarqué que les actions ayant des ratios élevés
sous-performaient l’année suivante (Fama and French, 1992).
2.3.3.4 L’effet momentum
A court-terme, il a été noté qu’il y a un effet de continuation. Les titres gagnants passés récents
(sur une année notés avec les rendements cumulés) surperforment les titres perdants récents
(Jegadeesh and Titman, 1993). Cet effet de continuation est opposé au renversement à long terme
qui est un effet contraire.
2.3.3.5 Les effets de calendrier
Statistiquement, il y a des différences significatives entre les rentabilités des jours de la semaine.
L’effet week-end correspond au fait qu’on observe des taux de rentabilités moyens négatifs le
lundi et positifs en fin de semaine. Un investisseur pourrait acheter des actions le lundi et les
revendre le vendredi en réalisation d’un profit. Néanmoins ex-post, il a été remarqué que cela ne
28.
couvrirait pas les couts de transaction. Cet effet se retrouve aussi à l’échelle d’une année avec un
mois de Janvier sous performant (French, 1980; Albouy, 2005).
2.3.3.6 Les effets d’annonce
Nous avons présenté précédemment les études d’évènement pour analyser les répercussions
d’une annonce sur les cours. Nous allons décrire le résultat de trois études non expliquées par
l’efficience de marché. On remarque dans ces exemples que l’information n’est pas correctement
captée par le marché et donc il n’est pas efficient.
a) L’annonce de résultats
Les actions associées à des résultats positifs surprises ont surperformé les actions avec des
annonces de résultats négatifs surprises l’année d’après. La surprise est définie par rapport aux
attentes des analystes, et par rapport aux réactions des cours face aux nouvelles (Chan, Jegadeesh
and Lakonishok, 1996). En moyenne, 60 jours après l’annonce, les actions avec résultats surprises
positifs surperforment de 4%, ceci est appelé la déviation post-résultat (Bernard and Thomas,
1989). Cette différence de rendement n’est pas expliquée par les différences de dans le MEDAF
(Barberis and Thaler, 2003).
b) Lancements et omissions de dividendes
Des études ont été menées sur les sociétés qui lançaient ou non des payements de dividendes
entre 1964 et 1988. Il a été trouvé que les sociétés lançant un dividende surperformaient le
portefeuille de marché pendant plus d’un an (et vice et versa) (Ikenberry, Lakonishok and
Vermaelen, 1995).
c) Nouvelles émissions et rachats d’actions
Les sociétés qui ont émis de nouvelles actions ont par la suite sous-performé par rapport un
groupe de contrôle reprenant des sociétés de la même taille et avec un même ratio valeur
comptable/valeur de marché (Lougran and Ritter, 1995). Tandis que les sociétés qui ont racheté
des actions (de 1960 à 1993) ont surperformé le groupe de contrôle (Mitchell and Stafford, 2001).
d) Impact des informations inhabituelles sur la volatilité
Le Krach de 1987 fit connaitre au Dow Jones une chute vertigineuse de 22,6%. Des chercheurs
ont donc légitimement voulu découvrir quel(s) étai(en)t l’évènement(s) déclencheur(s) de cette
énorme volatilité. La conclusion de cette recherche fut très intéressante, puisqu’ils n’ont trouvé
aucun « coupable ». Dès lors, une importante volatilité s’est fait ressentir sans pour autant être liée
à une annonce particulière ce qui est opposé à la théorie de Fama. Il y aurait donc autre chose que
l’information qui serait reflétée dans les prix (Cutler, Poterba and Summers, 1989).
29.
Dans le Tableau 1 , on voit le lien possible entre les anomalies de marché notamment annoncées
au préalable et biais des investisseurs. L’excès de confiance qui est une des découvertes majeures
de la finance comportementale est fortement présent.
Anomalies de marché Biais possibles des investisseurs
Sur-réaction du marché Excès de confiance
Sous-réaction du marché Conservatisme/ancrage/disponibilité/
représentativité/entêtement
Excès de volatilité Excès de confiance
Momentum/l’annonce de résultats/Paniques et
krachs
Excès de confiance/disponibilité/comportement
des masses
Garder les actions perdantes trop longtemps /
Vendre les actions gagnantes trop vite L’effet de cadrage / théorie des perspectives
Tableau 1 Tentative de lien entre les anomalies de marché liées et les biais des investisseurs (Fairchild, 2010)
Les résultats de ces analyses transversales ont poussé Fama et French (1996) à prendre en compte
certaines anomalies. Le modèle d’évaluation principal, le C.A.P.M. n’utilisait qu’un facteur de
risque. Dès lors, ils mirent au point un nouveau modèle avec trois facteurs pour mieux refléter la
réalité. Nous définirons entièrement ces deux modèles dans la partie empirique.
2.3.4 Les bulles spéculatives
2.3.4.1 DéfinitionUn bulle dans les marchés financiers est un cas où il y a d’importants volumes d’échanges d’un ou
plusieurs titres à un prix considéré comme supérieur à leur valeur fondamentale. Les prix dans
une bulle peuvent fluctuer de manière irrégulière, et il devient donc impossible de prévoir l’offre
et la demande (King et al., 1993). Les exemples les plus connus sont la tulipomanie en Hollande
au 17ème siècle, la bulle internet en 2000 et le marché du logement américain que nous
développerons dans un prochain chapitre.
En général, on appelle une période une bulle à posteriori. En effet, il n’est pas toujours évident de
déceler ce type de phénomènes quand on est dedans. Très souvent, on vit dans une bulle sans le
remarquer jusqu’au moment où une chute soudaine apparait. Cette chute drastique est ce qu’on
appelle un krach (Shiller, 2000).
Un important facteur psychologique joue dans les bulles, il s’agit du comportement de masse. De
plus, nous allons utiliser la bulle pour justifier une fois de plus, l’arbitrage limité et donc se
positionner contre l’efficience des marchés.
30.
2.3.4.2 Le comportement des masses
Ce point s’intéresse au phénomène des masses dans les marchés financiers. Les investisseurs
peuvent se suivre les uns les autres tels des troupeaux. Ces phénomènes sont souvent marqués
par des bulles spéculatives (Shiller, 2000).
Le comportement du groupe qui n’est pas planifié ni dirigé est irrationnel. En effet, il y a tout
d’abord un effet de suivisme dans le chef d’investisseurs. Des investisseurs vont suivre d’autres
investisseurs pour être dans le coup, espérant de la sorte pouvoir bénéficier de rendements
positifs (Bak, Paczuski and Shubik, 1996).
Cet effet de masse va pousser les investisseurs à ne s’intéresser qu’à quelques titres (qui sont dans
la tendance) alors que d’autres titres avec des caractéristiques identiques sont laissés pour compte
(Hirshleifer, Subrahmanyam and Titman, 1994).
Quand nous analysons les grandes tendances dans le marché des actions (avec larges
mouvements). On note une période d’achats frénétiques (une bulle) et une période de vente
(krach). Ces épisodes sont le reflet de comportements de masse qui sont irrationnels. Ceux-ci
sont dirigés par des émotions : l’avidité à l’achat, la peur à la vente. (Brunnermeier, 2001). C’est
d’ailleurs ces comportements des masses qui vont générer une contagion financière (Cipriani and
Guarino, 2009)
2.3.4.3 L’arbitrage risqué dans une bulle
Considérons une phase de bulle spéculative, où la quasi-totalité des actions sont surévaluées.
Durant cette période, il n’y a pas de substitut parfait et disponible. De fait, l’arbitrage n’est plus
une activité sans risque. Avec un éclatement de bulle imprévisible, l’arbitrage n’est plus dénoué de
risques. On recense 3 sources de risques (Aktas, 2004) :
L’arbitrageur dans un scénario de bulle, va vendre à découvert (il vend des titres qu’il ne
possède pas, pariant sur la baisse), si la baisse du cours n’est pas significative, aucun profit
ne sera réalisé.
Dans le cas, où l’éclatement de la bulle n’a pas eu lieu à l’échéance du contrat de vente à
découvert, l’arbitrageur peut reconduire le contrat de vente à découvert, période après
période jusqu’au moment de l’éclatement de la bulle. Mais ceci engendre des couts
supplémentaires.
De plus, il y a l’impact de la concurrence, qui pousse l’arbitrageur à suivre le mouvement
des autres comme un mouton, qui augmente de facto le risque encouru.
31.
Nous avons vu dans ce chapitre à travers divers cas que l’efficience de marchés ne peut expliquer
toute la réalité des marchés financiers. La finance comportementale à l’aide de la psychologie et
de l’arbitrage limité apporte des explications pertinentes à des problèmes non reconnus par la
finance traditionnelle.
2.4 Les évolutions récentes de la finance comportementaleDurant ce chapitre nous avons mis en avant, la psychologie appliquée aux investisseurs.
Récemment, la psychologie a été utilisée par une autre discipline de la finance, la finance
d’entreprise. Ce sujet nous intéressera d’ailleurs pour notre partie empirique. De plus, nous allons
introduire brièvement un nouvel usage de la finance comportementale pour créer une régulation
plus adéquate.
2.4.1 La finance d’entreprise comportementale
La finance d’entreprise comportementale (Shefrin, 2008) va tout particulièrement s’intéresser sur
l’impact de la psychologie sur les décisions des dirigeants d’entreprise qui sont liées au risque
opérationnel.
Si un dirigeant d’entreprise prend intentionnellement de mauvaises décisions (p.ex. : construction
d’un building pour affirmer son empire) dues aux problèmes d’agence, cela peut être corrigé avec
des incitants (Schwienbacher, 2009).
Par contre, si ce même dirigeant réalise des mauvaises décisions sans l’intention de le faire (dues
aux biais psychologiques comme l’excès de confiance), il pense qu’il le fait pour le bien de la
société et cela est beaucoup plus complexe à corriger. D’où l’importance de prendre en compte
la psychologie des dirigeants avec la finance d’entreprise comportementale.
Un biais comme l’excès de confiance dans le chef des dirigeants peut influencer la valeur d’une
entreprise. Nous nous limiterons à l’expression de ce biais, car il est celui qui a le plus d’impact et
qui joue le rôle le plus important en finance et dans les décisions d’investissements. En effet,
l’excès de confiance poussent les dirigeants à penser que les résultats futurs seront bons
(optimisme). Ils pensent qu’ils peuvent contrôler la situation (Fairchild, 2010).
Un exemple assez frappant de l’excès de confiance est le fait que les dirigeants auront tendance à
surestimer la valeur actualisée nette de nouveaux projets d’investissements. C’est pourquoi, ils
vont investir dans des projets à valeur actualisée nette négative tout en pensant faussement qu’elle
serait positive. Dès lors l’excès de confiance va réduire la valeur de la société (Heaton, 2002).
32.
2.4.2 La régulation comportementale
La crise du secteur financier que nous analyserons notamment dans la partie empirique de ce
mémoire crée une fenêtre d’opportunité pour une réflexion sur la régulation du marché. La vision
néo-classique de l’économie (avec l’efficience en son cœur) n’a pas permis de créer une régulation
pour éviter la crise qu’on a connue.
En effet, la psychologie fut au cœur de la crise, ce que nous expliquerons en fin de mémoire. Dès
lors, il faut réinventer une régulation qui prendrait en compte les biais psychologiques ?
Mais un des problèmes d’ordre psychologique d’ailleurs est que nous mémorisons les leçons du
passé qu’à très court-terme. Malgré la dureté de la crise, un des risques est que dans quelques
années, nous recommencions à nous trouver dans une même situation.
Durant les années 80, une crise toucha les caisses d’épargne américaines. Néanmoins, les leçons
de cette crise ne furent pas suffisamment entendues à l’époque et c’est pour cela que selon
Shefrin (2010a), la crise actuelle fut si forte.
Aujourd’hui, il y a une possibilité d’avancer sur ce sujet très novateur. Une suggestion serait de
créer une plateforme de rencontre entre les économistes néo-classiques et les
comportementalistes. Les premiers devraient inclure un peu de psychologie dans leurs recherches
et les seconds avoir plus de rigueur (Shefrin, 2010a). Le but d’une nouvelle régulation serait de
prendre en compte des facteurs microéconomiques avec les biais touchant les investisseurs mais
aussi les dirigeants d’entreprise comme vu dans le point précédent.
La plus grande difficulté est d’arriver à comptabiliser les coûts liés aux comportements et aux
biais psychologiques, des chercheurs sont pour l’instant en train de créer des modèles à ce sujet.
De plus, il est difficile de supprimer les biais psychologiques. C’est pourquoi une meilleure
formation des dirigeants, investisseurs et analystes prenant en compte une part de psychologie est
conseillée (Avgouleas, 2009; Fairchild, 2010; Shefrin, 2010a).
La finance comportementale est une science qui évolue constamment, c’est ce qui la rend
particulièrement intéressante. Néanmoins, ses critiques tels que Fama ont mis en évidence son
manque de structure et de rigueur qui sont ses principaux défauts.
33.
Chapitre L’adaptabilité des marchés
3.1 IntroductionL’hypothèse d’adaptabilité des marchés, proposée par Lo, est un essai de réconciliation des
théories liées à l’efficience de marché avec les points de vue de la finance comportementale vues
dans les deux derniers chapitres (2004).
3.2 L’apport de la psychologie évolutionnisteLa psychologie évolutionniste est l’élément clé permettant de rapprocher les deux théories
opposées (Lo, 2004). Elle est fondée sur des principes tels que la concurrence, la reproduction et
la sélection naturelle des interactions sociales. En cela, elle justifie divers comportements humains
(p. ex. : l’altruisme, la gentillesse, l’égalité, le langage, la sélection du conjoint, la religion…)
(Wilson, 1975). L’objectif de ce courant est d’expliquer les mécanismes de la pensée humaine à
partir de la théorie de l’évolution14 biologique. A l’inverse de la psychologie cognitive qui tente de
donner des explications évolutionnistes aux résultats expérimentaux, la psychologie
évolutionniste tente de valider des hypothèses évolutionnistes par une démarche expérimentale
(Mercier and Van der Henst, 2007).
A l’inverse de la théorie néoclassique qui suppose que les individus maximisent leur utilité
attendue et ont des attentes rationnelles, la perspective évolutionniste est dans ce sens bien plus
modeste. En effet, elle suppose que les individus sont des organismes qui ont été façonnés à
travers les générations via la sélection naturelle. Ceux-ci maximiseraient donc la survie de leur
matériel génétique et non plus leur utilité (Lo, 2004).
Dès lors, ce qui est important pour l’individu, c’est d’atteindre un « point » où son comportement
est jugé satisfaisant (et non plus optimal). Ce point n’est plus dérivé analytiquement, mais est
trouvé à base d’essais et d’erreurs (propre au courant comportementaliste) avec une sélection
naturelle. Donc, l’individu agit et émet ses choix en fonction d’expériences passées et de ses
meilleures estimations pour définir son optimal. A l’aide de renforcement (réponses positives ou
négatives aux choix passés), l’individu apprend pour atteindre le résultat souhaité (Staddon, 2001;
Lo, 2004).
Avec cette approche, le modèle traditionnel (d’efficience) peut exister avec les modèles
comportementaux (biais, anomalies) car ceux-ci deviennent compatibles avec le modèle
14 Pour plus d’information, je vous invite à vous plonger dans l’ouvrage clé qu’est « l’origine des espèces » de Charles Darwin
34.
évolutionniste. En effet, les individus s’adaptent à l’environnement changeant à l’aide
d’heuristiques, et donc ils ne sont plus irrationnels.
3.3 L’hypothèse d’adaptabilité des marchés
3.3.1 Un nouveau cadre théorique
L’hypothèse d’adaptabilité des marchés peut être vue comme un prolongement de l’hypothèse
d’efficience avec l’ajout du principe d’évolution. Donc les informations sont reflétées dans les
prix, tout en prenant en compte les différentes natures (ou aspirations) des espèces (ici, ce sont
les différents agents comme les fonds alternatifs, fonds de pension, investisseurs privés,
investisseurs institutionnels…)
Concrètement, si de nombreux acteurs sont en concurrence dans un même marché avec peu de
ressources (p.ex. le marché des bons du trésor américain à maturité de 10 ans), nous sommes en
face d’un marché très efficient où les informations pertinentes se reflètent dans les prix très
rapidement. Inversement, si nous avons un marché avec une abondance de ressources mais peu
d’acteurs intéressés, en concurrence (p. ex. : le marché des peintures de la Renaissance Italienne),
le marché sera moins efficient.
De fait, le degré d’efficience de marché est lié aux facteurs environnementaux. Nous pouvons
emprunter à la biologie le concept d’écosystème où le nombre d’acteurs en concurrence dans un
marché est intimement lié aux opportunités de profits ainsi que l’adaptabilité desdits acteurs
participants.
C’est pourquoi avec l’hypothèse d’adaptabilité des marchés, les stratégies d’investissement suivent
des cycles de profitabilités en lien avec les conditions du marché changeantes, le nombre de
concurrents entrants et sortants, et l’amplitude des opportunités de profits disponibles. Si les
opportunités changent, le nombre d’acteurs présents aussi.
La peur et l’avidité, deux émotions importantes entrainant la perte de processus décisionnel
rationnel (selon les comportementalistes), sont le produit de forces évolutionnistes, ce sont des
caractères adaptifs qui augmentent la probabilité de survie. (Lo, 2004)
De récentes recherches en neurosciences cognitives en lien avec l’économie ont démontré qu’il y
a un lien indéniable entre la rationalité dans le processus décisionnel de l’homme et l’émotion (Lo
and Repin, 2002). Cela implique donc que ces deux traits de l’humain ne sont pas antinomiques
mais seraient complémentaires (Lo, 2004).
35.
Plus précisément, Lo et Repin (2002) ont présenté des preuves préliminaires sur le fait que des
variables physiologiques associées au système nerveux sont fortement corrélées avec les
évènements de marché, spécialement pour les traders expérimentés. Les réponses émotionnelles
sont un facteur significatif (statistiquement) du processus de gestion des risques en temps réel. Le
talent d’un trader résiderait dans son habilité à canaliser son émotion (consciemment ou
inconsciemment) d’une certaine manière durant des conditions de marchés spécifiques.
3.3.2 Les implications
Même s’il s’agit d’une recherche qui n’est encore qu’à ses prémices, l’hypothèse d’adaptabilité des
marchés permet d’ores et déjà de tirer quelques implications.
Premièrement, s’il y a une relation entre le risque et le taux de rentabilité, il est fort probable
qu’elle soit instable à travers le temps.
Deuxièmement, à l’inverse de l’efficience de marché qui ne le permet pas, il y a aurait de temps à
autre des opportunités d’arbitrage.
Troisièmement, les stratégies d’investissement peuvent fonctionner à certains moments et ne
fonctionnent pas à d’autres, tout dépend des conditions de marchés ; qu’elles soient quantitatives,
fondamentales ou basées sur des analyses techniques.
Quatrièmement, la survie est le seul véritable objectif qui compte, le profit et la maximisation de
l’utilité ne sont que secondaires.
Cinquièmement, l’innovation est la clé de la survie ; parce que la relation risque et taux de
rentabilité est variable, le meilleur moyen d’atteindre un taux de rentabilité constant est de
s’adapter aux conditions changeantes de marché (Lo, 2004).
Pour conclure ce chapitre nos pouvons dire que cette théorie a encore besoin de nombreuses
recherches pour la rendre plus opérationnelle. Malgré tout, il est assez clair que le cadre
évolutionniste et adaptatif apporte une réponse intéressante au conflit ouvert entre l’efficience de
marché et la finance comportementale en proposant un lien.
36.
Partie II Analyse empirique
Chapitre Le contexte de l’analyse
Nous allons commencer par une mise en contexte de notre analyse empirique qui se trouvera
dans les deux chapitres suivants. De cette manière, nous faciliterons la lecture des résultats de nos
recherches.
1.1 La crise du secteur financierLa crise du secteur financier a débuté durant l’été 2007 et s’est rapidement transformée en une
crise économique à l’échelle mondiale dès l’automne 2008.
Notre champ d’intérêt se limite à la crise qui toucha en particulier le système financier. C’est
pourquoi nous ne mentionnerons pas dans ce mémoire la crise de la dette souveraine qui apparût
en 2010 comme une continuation.
Ce chapitre commencera par une énumération des causes, pour ensuite décrire le déroulement de
la crise avec les subprimes. Nous terminerons avec les mesures qui ont été prises pour sortir de la
crise.
1.2 Les causes de la criseEn se basant sur la taxinomie dressée en Annexe 1, nous allons définir les causes de la crise sous
trois angles. Le premier angle expliquera les racines microéconomiques, le second définira
l’environnement macroéconomique et nous avancerons d’ores et déjà une cause
comportementale.
1.2.1 Les racines microéconomiques
Elles forment notamment la base des critiques avancées par le monde politique contre le système
financier. Un amalgame s’en est suivi avec des comportements « à la Madoff15 », où on mettait en
avant l’imprudence, l’avidité, la guerre d’égos. Mais certains comportements sont bel et bien liés à
certaines racines microéconomiques du système que nous allons décrire.
15 Du nom du magnant de la finance, ex P.D.G. du Nasdaq qui fit perdre une fortune à ses clients en ayant créé un schéma de Ponzi
37.
1.2.1.1 La titrisation des subprimes
a) Les subprimes
Les subprimes sont des prêts hypothécaires ciblant tout particulièrement une clientèle avec peu de
revenus et donc moins solvable. Ces hypothèques à haut rendement sont plus risquées que
normal, mais les contrats ont été faits de la sorte que le risque soit contré grâce à la hausse du
marché immobilier (Bénassy-Quéré et al., 2009).
Ces emprunteurs pouvaient financer et se refinancer en mettant leur maison en contrepartie. De
plus, il faut noter qu’avant 2006, les taux d’intérêts long termes aux U.S.A. étaient relativement
faibles et ce depuis le 11 Septembre 2001.
Les subprimes étaient typiquement des contrats sur taux variable. Lors de la signature du contrat le
taux était bas, et donc il était plus aisé pour ces emprunteurs de rembourser tout en gardant à
l’esprit l’aspect haussier du marché immobilier (Delbecque, 2010).
Ces prêts ont été transformés en titres pour pouvoir être vendus à tout le monde sur les marchés
financiers.
b) La titrisation
Il s’agit d’une technique pour transformer les prêts des banques en titres commercialisables. La
titrisation a commencé dans les années 70 par les agences sponsorisées par l’état américain
comme Fannie Mae qui voulait titriser ces prêts hypothécaires résidentiels (Hellwig, 2008). Cette
technique permit la vente des titres liés au marché hypothécaire américain aux banques du monde
entier.
Avant, les banques et agences hypothécaires gardaient les prêts jusqu’à leur maturité (et leur
remboursement total). Mais récemment, il y a eu une évolution du modèle. Les banques offrent
des prêts, les regroupent, les titrisent et les vendent à l’extérieur.
Pour attirer les investisseurs, des fonds communs de créances ont été créés pour isoler les
groupements d’hypothèques, les classer par qualité de crédit et les vendre par tranches. Les plus
hautes tranches ont une plus grande priorité de remboursement et donc un risque plus faible que
les plus basses tranches qui sont dites juniors en termes de récupération de créances.
Au final, les banques pouvaient présenter un produit du type «Obligations adossées d’actifs » où
étaient répartis des prêts subprimes, des prêts plus basiques et d’autres obligations. Ce mélange de
38.
titres sous-jacents permit de diminuer le risque individuel. Néanmoins, cela a rendu la valorisation
de ces titres complexe. (Schwienbacher, 2009; Puttonen, 2009a)
1.2.1.2 L’évaluation du risque
L’opacité de ces titres liés aux subprimes les rend difficiles à valoriser que ce soit pour les
investisseurs ou les agences de notation. Le problème réside dans le fait que le détail des risques
sous-jacents était souvent manquant dans les titres. De plus, la distribution des différents risques
liés aux différentes classes de produits inclus n’est pas linéaire ce qui rend la valorisation plus
difficile (Bénassy-Quéré et al., 2009; Puttonen, 2009a).
De plus, l’intermédiation est devenue très longue (en Annexe 2), avec de nombreux intervenants.
Il y a une importante distance entre l’investisseur final et l’emprunteur de départ, ce qui ne facilite
pas la lecture du risque (Teinilä, 2009).
Ce qui peut paraitre surprenant est le fait que les agences de notation dont leur métier est
d’évaluer les risques ne l’ont pas fait correctement. Lors des auditions au sénat américain sur la
crise, il a été expliqué que l’intérêt de ces agences s’était porté sur une expansion des parts des
marchés plutôt que sur une lecture des risques. En effet, il y a un conflit d’intérêt, les agences
étant rémunérées en termes de nombres d’actifs évalués, elles ont tout fait pour en avoir plus. Et
ce n’est pas en attribuant une notation de basse qualité qu’on y arrive. Le marché des agences de
notation est à présent perçu comme un oligopole. Il y avait un manque de régulations de la part
de la SEC notamment qui a favorisé une attribution de notations qui ne reflétaient pas le risque
réel (Westbrookl, 2010; Knaepen, 2010).
1.2.1.3 L’effet de levier
L’effet de levier est une technique qui consiste à augmenter le rendement du capital en
contractant de la dette. En l’appliquant aux banques, ce mécanisme peut avoir des conséquences
importantes. Même sans faillite réelle, le fait que les actifs de la banque aient perdu de la valeur
implique une augmentation soudaine du ratio de levier (rapport entre capital et dette).
Pour arriver à un retour au ratio initial, cela demande une réduction considérable du bilan soit par
une vente d’actifs, soit par une limitation du crédit (Adrian and Shin, 2009; Bénassy-Quéré et al.,
2009).
Pour donner un ordre de grandeur, en Europe les ratios étaient compris entre 20 pour le
Royaume-Uni et 35 pour la Suisse, ce qui est énorme et risqué comme on a pu le voir. Ce
39.
mécanisme a joué un rôle de transmetteur du prix des actifs vers le comportement des banques
(Panetta and Angelini, 2009).
Il est important de noter que l’utilisation de la dette comme effet de levier renforce la tendance
pro-cyclique. C'est-à-dire en période de gains, les gains sont renforcés, mais en période de pertes,
celles-ci sont plus importantes aussi. Ceci explique aussi l’ampleur de cette crise.
1.2.1.4 La valorisation de marché
De manière générale, avant la crise, les banques utilisaient la méthode « juste-valeur » (valeur du
marché) pour évaluer leurs actifs et passifs dans les bilans. Les gains ou pertes en capitaux étaient
directement transférés dans les pertes et profits. Quand la valeur de marché n’était pas possible à
réaliser, alors les produits étaient estimés par les banques en utilisant un modèle tel que DCF. Un
des principaux problèmes qui frappa le secteur financier est qu’avec cette méthode d’évaluation,
les bilans deviennent très volatils (Bénassy-Quéré et al., 2009).
1.2.1.5 La rémunération dans les institutions financières
Ce problème a particulièrement été évoqué avec les bonus des traders. Cette rémunération a
choqué le public et est pour ce dernier, le symbole des excès de l’avant-crise. Les traders et les
cadres directeurs des institutions financières étaient rémunérés sur des performances court-terme.
Ceci favorisa des situations propices à la prise de risque excessive pour générer du profit
rapidement.
1.2.2 L’environnement macroéconomique
L’environnement macroéconomique a eu un rôle important dans la crise.
Avec un niveau bas de taux d’intérêt, cela a permis d’avoir une hausse extraordinaire du marché
immobilier (avec les hypothèques) et des actions (avec un meilleur taux d’actualisation).
D’un point de vue macroéconomique, cette crise a été une crise d’endettement comme on peut le
voir dans la Figure 4, avec une forte augmentation de la dette.
40.
Figure 4 L’augmentation de la composition dette entre 1999 et 2007 (Bénassy-Quéré et al., 2009: p. 24)
1.2.2.1 Une politique monétaire laxiste
Une première explication tient dans la politique monétaire trop laxiste des U.S.A. La politique
pour contrer la crise de 2001 (bulle internet et 11 Septembre) a été trop laxiste et surtout longue.
Le but de La FED était de stimuler l’économie avec de faibles taux. Cela a poussé à une plus
grande utilisation de la dette comme stimulus principal de la croissance économique et des prix
des actifs aux U.S.A. Les taux restèrent très bas jusque moitié 2004 comme montré en Figure 5.
En 2004-2006, la FED ajusta ses taux pour contrer l’inflation des matières premières (pétrole,
blé…). Cette augmentation a fondamentalement bouleversé l’immobilier américain (et d’autres
marchés). Les emprunteurs à taux variable n’arrivaient plus à rembourser d’un coup et en même
temps le prix des résidences chuta ce qui poussa des banques à faire faillite. (Knaepen, 2010)
Ex-post, la FED aurait du moins se soucier de la déflation et d’un scénario à la Japonaise mais
plus se soucier de la bulle du marché immobilier qui commença à se développer, et donc
remonter les taux plus tôt (Bénassy-Quéré et al., 2009).
1.2.2.2 Les déséquilibres mondiaux
La situation macroéconomique mondiale montre de trop grands déséquilibres entre les pays en
surplus et en déficit. Ceci a conduit à la crise.
41.
On a16, d’un côté, des pays avec un surplus de leurs comptes courants très élevé comme la Chine,
l’Allemagne et les pays exportateurs de pétrole. De l’autre côté, nous avons des pays fortement en
déficit comme les U.S.A., la Grèce et l’Espagne.
D’une manière agrégée, on obtient :
é
De fait, les pays déficitaires doivent trouver des investisseurs étrangers pour avoir une balance en
capitaux qui va contrer le compte courant.
C’est pourquoi un pays comme les U.S.A. a vendu pas mal de bons du trésor à la Chine.
Cette situation a favorisé le développement de la titrisation pour vendre des titres à des
rendements plus attrayants pour les investisseurs étrangers. Il y avait donc un besoin de vendre
pour limiter le déséquilibre. Ce qui entraina une crise à l’échelle mondiale.
Le problème ne réside pas seulement dans le chef des pays déficitaires mais les pays avec un trop
grand surplus doivent travailler pour le diminuer pour limiter les déséquilibres au niveau
international (Bénassy-Quéré et al., 2009; Delbecque, 2010).
1.2.3 Un phénomène comportemental
Une cause de la crise peut être liée à la finance comportementale et à la psychologie des
investisseurs qui ne prirent pas en compte un évènement d’une telle ampleur. Ceci est décrit par
le syndrome du cygne noir.
1.2.3.1 Le syndrome du cygne noir
Dans la continuation du dernier point du chapitre précédent, le syndrome du cygne noir peut être
vu comme une cause supplémentaire, mais comportementale expliquant la crise. La crise
financière 2007-2009 est un excellent exemple d’un cygne noir.
A la base, ce syndrome est un enseignement philosophique expliquant que ce n’est pas parce
qu’on n’a vu que des cygnes blancs qu’il n’existe pas de cygne noir. Taleb l’a appliqué à la finance
et définit un cygne noir comme un évènement financier qui est tellement inhabituel qu’il défie
l’analyse financière. En effet, elle lui attribue une probabilité d’occurrence tellement faible que
l’évènement sera ignoré dans les prises de décisions. C’est ce qui s’est passé dans la grande
majorité des analyses s’intéressant sur le marché immobilier et ses produits liés (Taleb, 2007).
16 Ces pays sont donnés à titre d’exemples, d’autres pays peuvent rentrer dans les deux catégories
42.
1.3 Le déroulement de la criseDans cette section, nous allons mettre en avant les moments forts de la crise d’une manière
chronologique. Vous retrouverez une ligne de temps reprenant les principaux acteurs en Annexe
3.
1.3.1 2006
La section précédente a dressé un tableau sur la situation avant crise. Tout le système lié aux
subprimes reposait sur un marché immobilier haussier et des taux d’intérêt faibles.
Mais en 2006, le marché a commencé à baisser et s’en est suivie une hausse des taux de non-
remboursement. Les taux d’intérêt sont remontés par la même occasion. Cela n’aurait causé de
problèmes qu’aux prêteurs si ces prêts n’avaient pas été transformés en titres (Bénassy-Quéré et
al., 2009).
La titrisation des subprimes a permis de mettre sur le marché des produits attractif mais fortement
opaques et complexes. De fait, une partie de subprimes étaient mélangées à d’autres produits sous-
jacents dans les titres vendus sur les marchés. Il était donc difficile de savoir exactement la
composition de ces derniers (Puttonen, 2009a).
Avec la hausse du taux de non-remboursement, ces produits sont devenus plus risqués et les prix
commencèrent à chuter. Les notations de très bonne qualité obtenues dans le passé ont été
revues à la baisse. Ceci a entrainé un mouvement de vente sur tous les marchés des produits liés
aux subprimes.
Comme il était compliqué d’évaluer correctement les titres liés aux subprimes (et même ceux qui
n’en comprenaient pas mais qui étaient des obligations adossées d’actifs), les investisseurs
décidèrent donc de se débarrasser de ses titres au plus vite, entrainant une panique et une très
forte chute des prix. Très vite, il est devenu quasi impossible de trouver un acheteur pour ces
produits sur les marchés. Ceci engendra une panique vis-à-vis ces titres (Bénassy-Quéré et al.,
2009).
1.3.2 2007
En Août 2007, le marché interbancaire habituellement liquide s’est soudainement gelé. Il régnait
de fortes méfiances entre les banques et celles-ci refusaient de se prêter de l’argent. Ceci toucha
aussi bien l’Europe que les Etats-Unis, car une large partie des actifs toxiques avaient d’ores et
déjà été achetés par les banques européennes.
43.
C’est pourquoi les banques centrales ont commencé à agir pour éviter une crise plus profonde.
Les banques centrales agirent immédiatement en commençant à joueur leur rôle de prêteur en
dernier ressort (avec contrepartie). Le but était de restaurer la liquidité sur le marché
interbancaire. Mais cela n’a pas suffi.
Les acteurs sur le marché ne voulaient pas prêter à autrui car il estimait que le risque de non-
remboursement était trop important. En même temps, les pertes étaient de plus en plus
importantes car les banques commençaient à vendre d’autres actifs comme des actions pour
obtenir de la liquidité et respecter les ratios sur les capitaux imposés (niveau de fonds propres
ajusté au risque minimum) par Bâle II (Delbecque, 2010).
La vente d’actifs non toxiques a entrainé une baisse de ces derniers. De fait, il y avait un manque
à gagner voir des pertes à ce niveau-là. Les titres liés aux subprimes n’étaient plus évaluables et le
marché avait quasiment disparu par manque d’acteurs.
Les comptes des banques n’affichaient pas la réalité des dégâts à cause de l’évaluation de marché
impossible à réaliser pour certains titres. La méfiance grandissante et le niveau de dette très élevé
des banques n’a fait que renforcer la suspicion sur le marché interbancaire.
Une première banque anglaise fut touchée durement dû à un manque de liquidité. Northern
Rock demanda l’aide à la Banque d’Angleterre en septembre 2007 et devint par la suite contrôlée
par l’état (Bénassy-Quéré et al., 2009).
1.3.3 2008
La crise atteignit son maximum durant les mois de Septembre et Octobre 2008.
Les autorités américaines ont apporté des réponses peu cohérentes aux institutions proches de la
faille. D’une part, le gouvernement américain a renfloué la banque d’investissement Bear Sterns
(qui sera vendue à JP Morgan par après) et à l’assureur IAG. D’autre part, le gouvernement a
laissé la banque d’investissements Lehman Brothers faire faillite.
Ex post, ce fut une grave erreur qui eut des répercussions négatives sur les marchés. En Europe,
Dexia et Fortis deux banques transfrontalières (Belgique, France, Pays-Bas notamment) durent
être sauvées par les états. La confiance atteignit un plancher (Puttonen, 2009a; Bénassy-Quéré et
al., 2009; Delbecque, 2010).
44.
1.3.4 2009
Une contagion se passa du secteur financier vers l’économie réelle. Les grosses sociétés devinrent
incapables de se financer sur le marché obligataire et le marché des actions chuta en même temps.
Les banques en même temps refusaient de prêter de l’argent aux gens et aux sociétés de peur
d’augmenter leur exposition au risque qu’ils voulaient réduire. Cela a particulièrement affecté les
petites et moyennes entreprises qui étaient dépendantes des crédits octroyés par les banques.
La contagion ne toucha pas seulement les marchés les plus développés (U.S.A. et vieille Europe)
mais aussi les marchés émergents via les filiales des banques qui ont dû rationner les crédits
octroyés et ne reçurent plus de capitaux depuis la maison mère. Cela a marqué les économies
émergentes dépendent de financement extérieur.
Les pays exportateurs comme l’Asie de l’Est ont été particulièrement affectés via la réduction des
investissements et des inventaires, due à la situation de l’économie.
Le produit intérieur brut mondial a dès lors reculé et nous sommes rentrés dans une récession
mondiale. (Bénassy-Quéré et al., 2009; Knaepen, 2010).
1.4 Les mesures prises pour sortir de la criseLors de la description de la crise, nous avons d’ores et déjà une mesure comme le prêt en dernier
ressort offerts par les banques centrales. Nous allons à présent, analyser tout particulièrement les
réponses américaines et européennes pour contrer la crise.
1.4.1 Réductions des taux directeurs
La FED17 suivi par la BCE18, ont successivement diminué leur taux directeur. En Annexe 4, les
effets positifs et négatifs d’une telle baisse. Plusieurs baisses ont été faites pour contrer la chute
des marchés.
Au final, les taux comme vous pouvez le constater dans la Figure 5, ont atteint des planchers
record. La FED a placé son taux dans une fourchette entre 0 et 0,25% depuis le 16 Décembre
2008. La BCE quant à elle a fixé son taux à 1% depuis le 13 Mai 2009.
Les banques centrales ont dû absolument s’occuper du marché interbancaire. Les banques
refusaient de se prêter car la confiance avait disparue. Au final, les banques centrales ont joué le
rôle de contrepartie pour les prêts aux institutions financières et ce à des taux faibles pour
17 Federal Reserve System est la banque centrale des U.S.A. qui a la double mission de surveiller l’inflation et favoriser la croissance. 18 Banque Centrale Européenne est la banque centrale de la zone euro qui a la mission de surveiller l’inflation.
45.
favoriser la liquidité sur le marché et éviter des catastrophes comme la quasi-faillite de banques
(Fortis) par manque de liquidité. La peur principale était d’éviter le risque systémique et une
contagion à tout le système (Delbecque, 2010).
Figure 5 Evolution des taux directeurs (ECB, 2010; FED, 2010)
1.4.2 L’assouplissement quantitatif
L’assouplissent quantitatif est une série de mesures que les banques centrales ont mises en place
pour aider la relance du marché interbancaire (en plus de la baisse des taux). Ces programmes ont
fait que les bilans des banques centrales se sont exceptionnellement développés.
1.4.2.1 Politique de contrepartie plus souple
A la base, les banques centrales n’acceptaient de prêter de l’argent aux banques qu’avec une
contrepartie de leur part de haute qualité (p. ex. : obligations avec une notation A). Mais avec la
crise et la chute en valeur des actifs, la BCE par exemple s’est montrée plus souple en acceptant
des titres de moins bonne notation en contrepartie pour un prêt.
De plus la BCE a permis le refinancement des banques à des maturités atteignant 1 an alors que
dans le passé celles-ci étaient de maximum 6 mois. Par ailleurs, pour assurer des prêts pour tout le
monde, le système d’enchères sur taux variable a été remplacé par un taux fixe (taux de base de la
BCE pour rémunérer un emprunt) (Delbecque, 2010).
1.4.3 Les aides des états
Les gouvernements durent s’impliquer à leur tour pour sauver le système financier et l’économie.
01234567
Evolution des taux directeurs
Taux directeur - BCE (%) Taux directeur - FED (%)
46.
1.4.3.1 Rachat d’actifs toxiques
Les banques affichaient des comptes remplis de produits toxiques (comme vu précédemment) et
ne pouvait pas s’en débarrasser sur le marché vu que personne n’était acheteur. Le département
du trésor américain a créé pour ce but le TARP (troubled asset relief program) le 3 Octobre 2008
après de longs débats au congrès (Puttonen, 2009a).
Avec un budget de 700 milliards $, les actifs liés aux prêts hypothécaires (d’avant le 14 Mars
2008) pouvaient être rachetés par le trésor américain. Ces achats renforcèrent la stabilité
financière. En effet, en rachetant les actifs illiquides des banques, celles-ci voyaient leurs comptes
nettoyées et leur liquidité augmentée (Schatten, 2009).
1.4.3.2 Nationalisations de banques
En même temps, avec le TARP, le département du trésor racheta des actions des banques en aide
pour avoir un pouvoir de contrôle sur celle-ci via une présence dans le conseil d’administration.
Naturellement, les banques n’étaient pas enchantées par cette prise de contrôle mais n’avaient pas
leurs mots à dire. Cette prise de contrôle se traduisit avec une limite des salaires des cadres
dirigeants, un meilleur contrôle des comptes et un appel pour une plus grande transparence. En
Europe, par exemple, Dexia et Fortis ont dû recevoir l’aide de gouvernements pour éviter la
faillite. Le but ultime pour les gouvernements était de protéger avant tout les épargnants
(Puttonen, 2009a).
1.4.3.3 Les dépôts garantis
La peur du risque systémique et d’une panique bancaire a poussé les gouvernements a relever le
montant assuré par l’état pour les dépôts des épargnants en cas de faillite. En Europe, nous
sommes passés d’un dépôt garanti par l’état de 20.000€ à 50.000€ durant la crise. On prévoit pour
fin 2010, une garantie à 100.000€. En Belgique, le système financier a été particulièrement touché,
et pour renforcer la confiance, la garantie a d’ores et déjà été fixée à 100.000€ en 2008. Aux USA,
cette garantie est passée temporairement de 100.000$ à 250.000$ pour rassurer les épargnants
(AFP, 2010).
1.4.3.4 Stimuli fiscal
Les U.S.A. sous l’impulsion d’Obama ont développé un stimulus fiscal pour relancer l’économie.
Ces diverses aides avaient pour but de soulager les sociétés et les aider à rester active. Cela touche
divers domaines de l’économie : emploi, imposition, taxation… L’Europe a suivi cette tendance
mais de moindres mesures. Des mesures structurelles sur le chômage technique, des employés et
ouvriers ont vu notamment le jour en Belgique.
47.
Ces mesures ont bien évidemment plombé les dépenses publiques et les gouvernements ont
atteint des déficits record en 2008-2009 (Delbecque, 2010).
48.
Chapitre Données et méthodologie
La partie empirique19 de ce mémoire consiste en des études d’évènements, outil que nous avons
présenté dans la description du test d’efficience semi-forte précédemment.
Pour rappel, une étude d’évènement va analyser les taux de rentabilité anormaux autour d’un
évènement. Nous allons dans ce chapitre décrire la méthodologie utilisée pour les réaliser.
2.1 Les actions choisiesNotre étude va se porter sur des actions représentant le secteur financier américain. Pour ce faire,
nous avons choisi 10 sociétés. Ce sont principalement des banques, mais nous avons aussi repris
2 groupes d’assurance.
Il s’agit de :
Bank of America (BAC) The Bank of New York Mellon (BK)
Citigroup (C) Goldman Sachs (GS)
JP Morgan Chase & Co (JPM) Morgan Stanley (MS)
State Street Corp. (STT) U.S. Bancorp (USB)
Wells Fargo (WFC) Met Life (MET)
(En Annexe 5, une description de chaque société)
Nous avons obtenus les prix quotidiens de chaque action (au prix de fermeture de la bourse) via
Yahoo! Finance. Nous avons utilisé les prix ajustés pour calculer les rentabilités journalières.
En effet, les prix ajustés prennent en compte les distributions de dividendes et les
fractionnements. En cela, ils rejoignent les standards du Center for Research in Security Prices
(CRSP). Kenneth French était le directeur de ce centre de 1985 à 1994, fournira les données
nécessaires pour obtenir les facteurs de nos modèles.
Les rentabilités journalières ont été calculées avec la formule suivante :
, = ln ,
,
19 Ce chapitre et le suivant ont été réalisés à partir des sources suivantes : (Hamon and Jacquillat, 1992)(Ramousse and Le Guelte, 1996; MacKinlay, 1997; Johnson, 1998; Laplante, Dasgupta and Mamingi, 1998; Serra, 2002; Mignon, 2003; Kolari and Pynnönen, 2005; Kothari and Warner, 2006; Stachoviak, 2006; Rival, 2007) et (Rozès, 2008; Ahern, 2009; Woon, 2010; Mouchès, 2010)
49.
Pour ce faire, nous avons utilisé le logarithme népérien qui a la propriété de stabiliser nos
données et de prendre en compte la continuité.
Nous pouvons remarquer que la rentabilité la plus élevée atteint la valeur de 62,56% pour l’action
de Morgan Stanley le 13 Octobre 2010. La rentabilité la plus faible est de -89,25% pour Street
State Corp. le 20 Janvier 2009. En moyenne sur l’entièreté de la période, toutes les rentabilités
sont négatives, la plus faible étant pour Citigroup avec -1,03% et le plus élevée étant Wells Fargo
avec -0,14%.
2.2 L’identification de l’évènementDans le chapitre précédent, nous avons mis en évidence l’importance du mois de Septembre 2008
avec la faillite de Lehman Brothers comme élément-clé. Cet évènement, ex-post, fut un
déclencheur qui donna une force à la crise qu’elle n’avait pas encore jusque-là.
Nous estimons donc la faillite de Lehman du 16 Septembre 2008 comme l’évènement de notre
analyse. Le mois de Septembre et début Octobre furent des mois remplis de nouvelles de grande
importance pour les marchés avec le renflouement de certaines institutions jusqu’à la
promulgation du TARP pour sauver le système financier américain.
C’est pourquoi nous avons défini une fenêtre d’évènement allant du 8 Septembre 2008 au 3
Octobre 2008 compris. Cette fenêtre correspond à la période où il y a eu le plus de bruit,
parasitant de la sorte notre étude.
De part et d’autre de la fenêtre d’évènement nous avons deux fenêtres d’estimation comme vous
le remarquerez en Figure 6 qui nous permet notamment d’estimer les facteurs de régressions que
nous expliquerons ultérieurement. Cette fenêtre d’estimation commence le 2 Juin 2008 et finit le
30 Janvier 2009. Son but est de présenter des rentabilités qui ne sont pas soumises à l’évènement
et ses répercussions. L’échelle de notre étude est journalière.
50.
Figure 6 Ligne du temps des études d'évènements
2.3 Les modèles d’évaluationDans une étude d’évènement, nous comparons donc les rentabilités observées (historiques) avec
des rentabilités attendues issues d’un modèle d’évaluation de prix des actions. Ce qui nous donne
l’équation suivante :
)
L’originalité de cette partie empirique réside dans le fait que nous nous ne sommes pas limités à
un seul modèle mais à quatre modèles. Le but étant de passer de modèles qui prennent de plus en
plus compte de l’apport de la finance comportementale.
2.3.1 Le C.A.P.M.
Le Capital Asset Pricing Model est le modèle de base lié à l’efficience de marché.
Ce dernier décrit la rentabilité du titre i au temps t par :
Où,
est le terme constant pour le titre
=²
est une mesure standardisée du risque systématique
est la rentabilité du marché, dans notre cas, il s’agit d’une construction réalisée par K.
French (2010), pondéré selon la valeur de toutes les actions inscrites sur les principaux
marchés boursiers américain, disponible sur son site
est le terme d’erreur aléatoire
Fenêtre d’estimation pré-évènement
02/06/08 05/09/08 08/09/08 03/10/08 06/10/08 30/01/09
t=-73 t=-6 t=-5 t=14 t=15 t=95
Evènement
15/09/08
t=0
Fenêtre d’estimation post-évènement
Fenêtre d’évènement
51.
Dans notre analyse, nous obtenons le en régressant les rentabilités observées (hors fenêtre
d’évènement) avec la rentabilité de marché (hors fenêtre d’évènement). Nous obtenons donc un
facteur par action.
La rentabilité attendue ( ) d’une action est définie par :
, = + ,
Où,
est le taux sans risque, dans notre étude, il s’agit du taux des billets de trésorerie
américain d’une maturité d’un mois sous une échelle quotidienne
est donc la prime de risque du marché
2.3.2 Le modèle facteurs de Fama French
Le modèle précédent a des limites et ne prend pas en compte certaines anomalies que nous avons
présentées précédemment dans le chapitre sur la finance comportementale comme l’effet de taille
et l’effet lié aux ratios de prix.
Le facteur SMB (Small minus Big) a été rajouté pour prendre en considération le facteur
taille de l’entreprise. Il correspond à la différence de rentabilités entre les portefeuilles à
petite capitalisation boursière (Small-cap) et à grande capitalisation boursière (Large-Cap).
Le facteur HML (High minus Low) quant à lui est destiné à distinguer la différence de
rentabilités entre des actions avec un ratio de valeur comptable/valeur de marché élevé
(entreprise dite value) et des actions avec un ratio de valeur comptable/valeur de marché
faible (entreprise dite growth) (French, 2010).
Ces deux facteurs sont considérés comme des risques microéconomiques par Fama et French
(1993). Par contre, la prime value résultant du facteur HML est considérée par Lakonishok,
Shleifer et Vishny (1993) comme un biais des investisseurs sur leurs préférences pour les actions
connues, générant une prime pour les firmes value.
Fama et French (1993) ont donc ajouté deux facteurs supplémentaires au CAPM :
, + , ( , ) + , + , ,
52.
Dans ce modèle, pour obtenir les facteurs, nous régressons les rentabilités observées moins le
taux sans risque avec les trois facteurs : le facteur de marché moins taux sans risque, le facteur de
taille et le facteur de capitalisation.
On obtient la rentabilité attendue avec cette formule :
, = + + , ( , ) + , + ,
2.3.3 Le modèle facteurs de Carhart
Carhart (1997) estima que le modèle de Fama-French ne reflétait pas entièrement la réalité car il
ne prenait pas en compte l’effet momentum. De fait, il décida d’ajouter un facteur supplémentaire
pour capturer l’effet de continuation des actions qui surperforment ou sous-performent l’année
précédente continue de le faire l’année suivante (Jegadeesh and Titman, 1993).
Le facteur MOM construit par French et disponible sur son site. Il s’agit de la différence
de rentabilités entre des portefeuilles avec des rentabilités précédentes hautes et des
portefeuilles avec des rentabilités précédentes faibles (French, 2010). Il s’agit d’un facteur
proche de la finance comportementale, reprenant une anomalie de l’efficience.
Similairement à Fama-French, nous obtenons le modèle et la rentabilité attendue comme suit :
, = + , ( , ) + , + , + , + ,
, = + + , ( , ) + , + , + ,
2.3.4 Le modèle facteurs
Ce quatrième et dernier modèle a pour but de capter le plus possible d’impact dû à des anomalies
de l’efficience de marché (et donc de la finance comportementale). Ce dernier en plus de
reprendre le modèle précédent ; prend en compte l’effet de renversement.
L’effet contraire ou de renversement est caractérisé par le fait que des actions qui ont sous-
performé dans le passé, surperforment dans le futur (De Bondt and Thaler, 1985). Intuitivement,
nous comprenons qu’il s’agit de la construction opposée du momentum. On le décrit avec deux
facteurs (French, 2010) :
Le facteur ST_REV est construit sur les renversements à court-terme, c’est-à-dire une
rentabilité faible en t moins 2 mois pour une rentabilité haute en t mois 1 mois.
Le facteur LT_REV est construit sur les renversements à long-terme, c’est-à-dire une
rentabilité faible en t moins 61 mois pour une rentabilité haute en t-13 mois. Ce dernier
53.
facteur est un élément proche de la finance comportementale comme nous l’avons
présenté dans la description d’anomalies dans le chapitre 2 de la revue théorique.
Comme précédemment, nous obtenons le modèle et la rentabilité attendue comme suit :
, = + , ( , ) + , + , + , + ,
+ , + ,
, = + + , ( , ) + , + , + ,
+ , + ,
2.4 Les tests statistiques
2.4.1 Le test d’hypothèse
Nos études reposent sur un test d’hypothèse :
: , = 0
: , 0
En d’autres termes, l’hypothèse nulle suppose qu’il n’y a pas de différences entre la rentabilité
observée et attendue (via un modèle). L’hypothèse nulle vérifie et confirme l’efficience des cours
des actions que nous analysons vis-à-vis marché.
Il s’agit d’un test bilatéral, nous approcherons donc les tests de significativité avec la loi de
Student avec un seuil de risque divisé par deux lors des analyses dans les tables statistiques.
2.4.2 Les rentabilités anormales moyennes
Les rentabilités anormales peuvent être agréées de deux manières :
en série temporelle, où les rentabilités sont agrégées pour une action sur toute la période
en analyse transversale, où les rentabilités sont agrégées pour toutes les actions à une
même date
Les statistiques sont très similaires pour chacune des manières. Nous allons donc principalement
décrire l’analyse transversale. En effet, l’intérêt de cette approche réside dans le fait qu’on évite
l’impact d’information non liée à notre évènement propre à une seule entreprise.
2.4.2.1 Définition
En analyse transversale, nous avons donc :
54.
=1
,
étant le nombre de titres avec des rentabilités en excès par séance ; 10 dans notre
analyse.
2.4.2.2 Test de significativité
Pour vérifier le caractère significatif de la moyenne nous utilisons le test de Student suivant :
=
est l’écart-type mesuré sur toute la période d’analyse sans la fenêtre d’évènement pour
exclure une déformation de la volatilité associée à l’évènement.
Les statistiques-T seront comparées à la valeur critique issue de la table de Student pour un test
bilatéral à % (et plus si nécessaire) pour un degré de liberté égale à 9 (10-1).
2.4.3 Les rentabilités anormales moyennes cumulées
2.4.3.1 Définition
L’impact éventuel de l’évènement n’est pas forcément concentré sur une seule séance (journée),
il peut être réparti. C’est pourquoi nous étudions les rentabilités anormales moyennes en les
cumulant jour après jour comme décrit dans la formule suivante :
=
2.4.3.2 Test de significativité
Comme précédemment, nous vérifierons la significativité avec un test de Student :
=
est l’écart-type des rentabilités moyennes cumulées et est estimé par :
= + 75 ( 74 à 94)
55.
Chapitre Interprétations des résultats des études d’évènements
3.1 IntroductionDans ce chapitre, nous allons interpréter les résultats obtenus avec les études d’évènements
réalisées sous les quatre différents modèles. Pour rappel, les études d’évènements sont des tests
joints, dès lors on interprétera le modèle lui-même et les résultats liés pour chaque modèle.
En premier lieu, nous allons interpréter les résultats, modèle après modèle avant de tirer une
conclusion d’ordre général. Nous mentionnerons à chaque fois, l’annexe nécessaire pour avoir les
données liées aux explications.
3.2 Les résultats du C.A.P.M.
3.2.1 Le modèle
Pour le C.A.P.M., nous avons remarqué lors des régressions que le de chaque action analysée
est significativement supérieur à 1 atteignant même 2,577 pour Morgan Stanley (en Annexe 7).
Pour rappel, les facteurs de régression sont toujours calculés sur les deux périodes d’estimation,
donc hors de la fenêtre d’évènement.
De fait, ces actions par rapport à un mouvement du marché suivent le marché, mais d’une
manière plus importante. Pour rappel, le marché dans notre étude est un indice construit par
French (2010) qui reprend des valeurs boursières américaines. On voit notamment que des
banques comme Morgan Stanley et Citigroup sont les plus corrélées avec le marché avec des
supérieurs à 2. Tandis qu’U.S. Bancorp a le faible avec 1,12.
Les actions choisies ont donc une volatilité plus grande que le marché au vu de leur . Ceci n’est
pas étonnant, au vu de l’extrême volatilité recensée durant la crise pour les financières.
Notons que l’ , ou l’intercept de la pente de régression n’est jamais significatif au risque de seuil
de 5% et ce peu importe les actions analysées dans notre étude. Ceci montre que le modèle utilisé
est pertinent car il a de bonnes spécifications et les rentabilités sont expliquées par le facteur.
56.
3.2.2 Les rentabilités anormales
3.2.2.1 Les rentabilités anormales moyennes
L’écart-type des rentabilités anormales moyennes sur les deux périodes d’estimations (hors
fenêtre d’évènement) est égal à 3,57%. Au besoin, en Annexe 6, se trouve une table pour voir
directement à quelle date correspond un t donné (p. ex. t=0 équivaut à la date du 15/09/2008).
Tableau 2 Les chocs anormaux significatifs avec le C.A.P.M
a) Période pré-évènement
Les rentabilités anormales moyennes avec le C.A.P.M. ne sont pas significativement différentes
de 0, exception faite à la date du 16 Juillet 2008 qui enregistre un choc positif de 9,87%
significatif. Le marché a sur-réagi ce jour-là en Annexe 8 (la significativité est mise en couleur).
b) Fenêtre d’évènement
Au risque de seuil de 5%, aucune séance journalière ne connait des rentabilités anormales
moyennes significatives.
c) Période post-évènement
Une très grande majorité des rentabilités ne sont pas significativement différentes de 0 à 5%.
Néanmoins on recense 4 chocs positifs où le marché à sur-réagi et un choc négatif où le marché a
également sur-réagi mais dans des rentabilités fortement négatives (les rentabilités observées
étaient plus négatives que les rentabilités attendues, elles-aussi négatives).
3.2.2.2 Les rentabilités anormales moyennes cumulées
Les rentabilités anormales moyennes cumulées sont toutes non significativement différentes de 0
et ce pour toutes les dates d’analyse en Annexe 9. Les statistiques-T obtenues sont en effet fort
proche de 0. Notons que cela est de même pour un seuil de risque passant de 5% à 20%.
Ce résultat confirme l’efficience de forme semi-forte sur notre étude au vu de la non-présence de
résultats significatifs avec le C.A.P.M.
Date Sous ou Sur-réaction16/07/2008 2,76% Sur-réaction14/10/2008 11,23% Sur-réaction24/11/2008 11,11% Sur-réaction20/01/2009 -19,37% Sur-réaction21/01/2009 11,51% Sur-réaction28/01/2009 10,53% Sur-réaction
C.A.P.M.
57.
3.2.2.3 Les rentabilités anormales moyennes et cumulées de forme sérielle
Nous remarquons, d’ailleurs, qu’aucune rentabilité anormale moyenne, et cumulée sous forme de
séries temporelles n’est significativement différente de 0 en Annexe 10.
C’est pourquoi, nous ne pouvons pas rejeter l’hypothèse nulle. De fait, les réactions des actions
choisies par rapport au marché suivent l’hypothèse d’efficience car rentabilités anormales (sauf
quelques chocs) sont majoritairement égales à 0.
3.3 Les résultats du modèle de Fama-French
3.3.1 Le modèle
Dans les régressions de ce modèle à trois facteurs disponible en Annexe 11, nous obtenons tout
d’abord le facteur concernant la prime de risque (Rm-Rf) qui est significatif pour toutes les
actions comme pour le C.A.P.M. Néanmoins, ils sont moins élevés. Ceci est logique au vu de
l’ajout d’autres facteurs pour expliquer la rentabilité attendue. Précisons que certaines actions ont
à présent un inférieur à 1.
Il est apparu que le facteur SMB est peu significatif (3 actions sur 10 au seuil de risque de 5% et 5
pour 20%). Le prix des actions choisies pour notre période d’analyse n’est pas donc pas
totalement expliqué par le facteur de taille (capitalisation).
A l’inverse le facteur HML est particulièrement significatif et ce pour toutes les actions analysées.
Le marché évaluerait donc les titres en prenant en compte le risque que comporte ce facteur. Le
niveau atteint par ce facteur est particulièrement élevé (supérieur à la moyenne [2,54] des facteurs
pour les 10 actions) pour Bank of America, Citigroup, JP Morgan et Wells Fargo. Notons par la
même occasion que ces quatre institutions sont appelées les « Big Four Banks of America ».
Avec des HML élevés, les actions analysées sont de type value (ceci est dû aux baisses des
capitalisations des financières), donc avec un ratio valeur comptable sur valeur de marché élevé.
Mais durant la période d’analyse, les rentabilités issues du portefeuille HML construit par Fama,
connait en moyenne sur toute la période d’étude, une rentabilité négative qui équivaut à dire que
les actions dites growth ont surperformé les value (Sontchik, 2005). Il est donc difficile de donner
une explication comportementale à ce fait. A nouveau, nous remarquons plutôt l’existence de
l’efficience sur le marché. Reprenant donc la théorie de Fama et French (1996) considérant la
prime value comme un risque de marché et non un biais.
Notons que l’ , ou l’intercept de la pente de régression n’est jamais significatif au risque de seuil
de 5% et ce peu importe les actions analysées dans notre étude. Ceci montre que le modèle utilisé
58.
est pertinent car il a de bonnes spécifications, les rentabilités étant expliquées par les facteurs
significatifs.
3.3.2 Les rentabilités anormales
3.3.2.1 Les rentabilités anormales moyennes
L’écart-type des rentabilités anormales moyennes sur les deux périodes d’estimations (hors
fenêtre d’évènement) est égal à 2,28%.
Tableau 3 Les chocs anormaux significatifs avec Fama-French
a) Période pré-évènement
En Annexe 12, nous pouvons voir que pour la période de pré-évènement qu’aucune rentabilité
anormale moyenne n’est significative.
b) Fenêtre d’évènement
Une très grande majorité des résultats sont non différents de 0 statistiquement parlant.
Néanmoins, on récence un choc négatif le 18 Septembre 2008 avec en moyenne une rentabilité
anormale de -8,96%. Dans ce cas-ci, les rentabilités observées étaient plus faibles que les
rentabilités attendues obtenues par le modèle. Nous remarquons donc qu’à cette séance, le
marché à sous-réagi en accord avec le modèle de Fama-French.
c) Période post-évènement
On remarque deux chocs durant cette période. Le premier est apparu le 20 Janvier 2009 et est
fortement négatif avec -14,10%. Le second a eu lieu le 21 Janvier 2009 et est positif avec 8,68%
de rentabilité anormale. Comme expliqué pour le C.A.P.M., ces deux chocs sont dus au marché
qui a sur-réagi.
3.3.2.2 Les rentabilités anormales moyennes cumulées
Les rentabilités anormales moyennes cumulées obtenues avec le modèle de Fama-French sont
toutes non significativement différentes de 0 et ce pour toutes les dates d’analyse en Annexe 13.
Les statistiques-T obtenues sont en effet fort proche de 0. Notons que cela est de même pour un
seuil de risque passant de 5% à 20%.
Date Sous ou Sur-réaction18/09/2008 -8,96% Sous-réaction20/01/2009 -14,10% Sur-réaction21/01/2009 8,68% Sur-réaction
FAMA-FRENCH
59.
Ce résultat confirme l’efficience de forme semi-forte sur notre étude au vu de la non-présence de
résultats significatifs avec le modèle de Fama-French.
3.3.2.3 Les rentabilités anormales moyennes et cumulées de forme sérielle
Similairement, aux interprétations tirées pour le C.A.P.M., avec le modèle de Fama-French, nous
remarquons qu’aucune rentabilité anormale moyenne, et cumulée en séries temporelles n’est
significativement différente de 0 en Annexe 14.
C’est pourquoi, nous ne pouvons pas rejeter l’hypothèse nulle. De fait, les réactions des actions
choisies par rapport au marché suivent l’hypothèse d’efficience car rentabilités anormales (sauf 3
chocs) avec le modèle de Fama-French sont majoritairement égales à 0.
3.4 Les résultats du modèle de Carhart
3.4.1 Le modèle
En Annexe 15, nous avons les facteurs de régression du modèle de Carhart qui tient en compte le
facteur momentum en plus des facteurs présents dans le modèle de Fama-French.
Tout comme avec le modèle précédent, les Rm-Rf sont tous significatifs à 5%, mais une fois de
plus, ils sont plus faibles que lors des modèles précédents. A présent, nous comptons 4 actions
ayant ce facteur en-dessous de 1, et il n’y plus qu’une action qui a ce supérieur à 2 (Morgan
Stanley).
Le facteur SMB est à nouveau relativement peu significatif (3 actions sur 10 à un seuil de 5%). Le
facteur HML se comporte de la même manière qu’avec le modèle précédent.
Le facteur supplémentaire, MOM est très peu significatif à 5%. Seuls Citigroup et Goldman Sachs
possèdent un MOM significatif. On peut conclure que ce facteur, tout comme SMB n’est pas
explicatif du comportement des rentabilités sur les actions choisies durant la période analysée. Ce
facteur s’il avait été significatif aurait apporté une explication comportementale sur de la sous-
réaction. Néanmoins, à un seuil de risque à 20% (ce qui est relativement élevé dans ce genre
d’étude), tous les facteurs sont significatifs. Malgré tout, nous devons donc reconnaitre
l’efficience de marché une nouvelle fois.
Notons que l’ , ou l’intercept de la pente de régression n’est jamais significatif au risque de seuil
de 5% et ce peu importe les actions analysées dans notre étude. Ceci montre que le modèle utilisé
est pertinent car il a de bonnes spécifications, les rentabilités étant expliquées par le facteur.
60.
3.4.2 Les rentabilités anormales
3.4.2.1 Les rentabilités anormales moyennes
L’écart-type de ces rentabilités est de 2,25%. En Annexe 16, nous avons les tableaux récapitulatifs
des rentabilités anormales moyennes avec le modèle de Carhart.
Tableau 4 Les chocs anormaux significatifs avec Carhart
a) Période pré-évènement
Similairement, au modèle précédent, aucun résultat n’est pas significativement différent de 0 pour
la période pré-évènement.
b) Fenêtre d’évènement
Nous avons, à nouveau, un choc négatif le 18 Septembre 2008 comme avec Fama-French. Mais
la rentabilité anormale moyenne est moins faible avec -8,52%. Le marché a sous-réagi une fois de
plus. Le reste des séances de cette fenêtre est non significativement différent de 0.
c) Période post-évènement
Nous recensons trois chocs significatifs lors de cette période. Soit un de plus par rapport au
modèle précédent. Les trois chocs sont synonymes de sur-réaction du marché par rapport au aux
rentabilités attendues issues du modèle de Carhart.
3.4.2.2 Les rentabilités anormales moyennes cumulées
En Annexe 17, nous voyons qu’avec le cumul des rentabilités anormales moyennes, aucun
résultat n’est significatif.
3.4.2.3 Les rentabilités anormales moyennes et cumulées de forme sérielle
En cohérence avec les résultats des séries temporelles obtenues avec le C.A.P.M. et Fama-French,
les résultats ne sont jamais significatifs (et ce jusqu’à 20%).
Mis à part quatre chocs recensés dans les rentabilités anormales moyennes, nous voyons que nous
ne pouvons rejeter l’hypothèse nulle d’égalité des rentabilités (observées et attendues). De fait, les
actions choisies suivent l’hypothèse d’efficience de marché.
Date Sous ou Sur-réaction18/09/2008 -8,52% Sous-réaction20/01/2009 -14,22% Sur-réaction21/01/2009 8,41% Sur-réaction28/01/2009 7,02% Sur-réaction
CARHART
61.
3.5 Les résultats du modèle six facteurs
3.5.1 Le modèle
Dans ce dernier modèle, nous avons ajouté 2 facteurs sur le renversement (à court et long-terme).
Les régressions décrites en Annexe 19 sont consistantes avec les précédentes.
En effet, nous retrouvons la même tendance pour le Rm-Rf qui est à chaque fois significatif. On
remarque que nous avons à présent deux relativement faibles, aux alentours de 0,5. Plus aucun
ne dépasse 2, à l’inverse des modèles précédents. Le fait de rajouter des facteurs pour expliquer la
rentabilité a diminué l’amplitude de ce facteur à travers les différents modèles.
Le facteur de taille, SMB, est à nouveau relativement peu significatif, à part pour trois actions. Il
n’est pas assez significatif pour expliquer la rentabilité des actions choisies sur la période définie.
Le facteur HML comme dans les deux précédents modèles, est totalement significatif. Le facteur
MOM est à nouveau peu significatif, à part pour trois actions à un seuil de risque de 5%.
Les nouveaux facteurs composés par ST_REV (pour le court-terme) et LT_REV pour le long
terme n’ont pas les mêmes réactions.
Le facteur LT_REV comme le SMB est peu significatif avec seulement 4 actions sur 10
significatives à ce facteur à 5%. On ne peut donc pas expliquer la rentabilité avec les tendances au
renversement des prix à long-terme (t-61 mois).
Par contre, Le facteur ST_REV est relativement significatif avec 6 actions sur 10 significatives à
5% pour atteindre 8 actions sur 10 à 20%. Il est intéressant de voir cet effet est présent à court-
terme. En effet, cela suggère que le marché à travers les actions a connu des hausses et baisses
successives. En creusant, cette idée, dans les matrices de rentabilités (observées et attendues), on
remarque en effet qu’il n’y pas de tendances à la baisse ou la hausse à court-terme. La rentabilité
se retourne constamment et cela à court-terme. Le marché a été en effet assez instable durant la
crise, et ce particulièrement pour les actions financières, ce qui explique la significativité du
facteur de renversement à court-terme (Steenbarger, 2007; Steenbarger, 2008).
La rentabilité issue d’un reversement à court-terme pourrait-être décomposée par 4 composants
(Da, Liu and Schaumburg, 2010) :
Effet momentum entre les industries
Variation dans les rentabilités attendues dans l’industrie
Sous-réaction des chocs sur les cash-flows dans l’industrie
62.
Sur-réaction dans l’industrie par rapport au choc sur taux d’actualisation.
Nous savons qu’avec la crise (vue dans le chapitre 1 de cette partie) que seuls les trois derniers
composants ont pu avoir un impact.
Pour la première fois, l’ n’est pas totalement non significatif. En effet, il est significatif à 5%
pour Bank of America et Citigroup. Mais de manière globale, il reste peu significativement
différent de 0. De fait, le modèle est pertinent car les facteurs significatifs expliquent entièrement
la rentabilité.
3.5.2 Les rentabilités anormales
3.5.2.1 Les rentabilités anormales moyennes
L’écart-type des rentabilités anormales moyennes est de 4,23%.
Tableau 5 Les chocs anormaux significatifs avec 6 facteurs
a) Période pré-évènement
En Annexe 20, on remarque deux chocs significatifs dans cette période. Le premier, le 16 Juillet,
est positif. Le second, 6 jours après est aussi positif. Les actions analysées ont sur-réagi en lien
avec notre modèle à 6 facteurs.
b) Fenêtre d’évènement
Toujours en Annexe 20, on peut voir que deux séances consécutives sont statistiquement
significatives, à savoir le 29 et 30 Septembre, la première avec -6,25% et la seconde avec 7,64%
Date Sous ou Sur-réaction16/07/2008 11,18% Sur-réaction22/07/2010 5,44% Sur-réaction29/09/2008 -6,25% Sur-réaction30/09/2008 7,64% Sur-réaction7/10/2008 -5,88% Sur-réaction
13/10/2008 12,08% Sur-réaction17/11/2008 -5,64% Sur-réaction19/11/2008 -6,36% Sur-réaction24/11/2008 17,34% Sur-réaction26/11/2008 8,11% Sur-réaction
1/12/2008 -9,34% Sur-réaction8/12/2008 8,26% Sur-réaction
16/12/2008 5,65% Sur-réaction20/01/2009 -21,44% Sur-réaction21/01/2009 16,08% Sur-réaction28/01/2009 13,60% Sur-réaction
6 FACTEURS
63.
en rentabilité anormale moyenne. Les deux fois, le marché à sur-réagi (une fois à la hausse et une
fois à la baisse).
c) Période post-évènement
Pour la première fois, avec ce modèle à 6 facteurs nous obtenons 12 chocs anormaux en Annexe
20. Nous assistons à de la sur-réaction de nos actions.
3.5.2.2 Les rentabilités anormales moyennes cumulées
Malgré la présence de chocs en plus grande abondance qu’avec les autres modèles pour les
rentabilités anormales moyennes, lorsqu’elles sont cumulées, elles ne sont pas significatives en
Annexe 21.
3.5.2.3 Les rentabilités anormales moyennes et cumulées de forme sérielle
Lors des analyses sous forme de séries temporelles, une fois de plus, nous constatons qu’il n’y pas
de résultats significativement différent de 0.
Même si nous avons assisté à plus de chocs ponctuels qu’avec les autres modèles, une très grande
majorité des rentabilités anormales n’est pas significative. Dès lors, nous ne rejetons pas
l’hypothèse nulle qui suppose que les rentabilités anormales sont nulles. Cela montre que les
actions choisies avec une évaluation faite avec un modèle à 6 facteurs suivent l’efficience de
marché.
3.6 Interprétations d’ordre généralLa première conclusion que nous pouvons tirer est qu’avec les actions choisies et la période que
nous avons analysée, peu importe le modèle, nous ne pouvons pas remettre en cause l’efficience
de marché. Notre étude reposait sur une information qui était la faillite de Lehman Brothers, de
ce fait, nous avons réaffirmé l’efficience sous sa forme forte. En effet, une très grande majorité
des rentabilités anormales ne sont pas différentes de 0.
Néanmoins nous avons assisté avec les différents modèles à quelques chocs ponctuels anomaux.
En Tableau 6, un tableau récapitulatif de ces chocs et leur effet sur les actions analysés en termes
de sous ou sur-réaction.
64.
Tableau 6 Tableau récapitulatif des rentabilités anormales moyennes significatives
Mis à part, le 18 Septembre avec Carhart et Fama-French, nous avons toujours eu des chocs en
lien avec de la sur-réaction où les actions analysées avaient une rentabilité observée
significativement supérieure aux rentabilités attendues pas les modèles.
Date Sous ou Sur-réaction16/07/2008 2,76% Sur-réaction14/10/2008 11,23% Sur-réaction24/11/2008 11,11% Sur-réaction20/01/2009 -19,37% Sur-réaction21/01/2009 11,51% Sur-réaction28/01/2009 10,53% Sur-réaction
Date Sous ou Sur-réaction18/09/2008 -8,96% Sous-réaction20/01/2009 -14,10% Sur-réaction21/01/2009 8,68% Sur-réaction
Date Sous ou Sur-réaction18/09/2008 -8,52% Sous-réaction20/01/2009 -14,22% Sur-réaction21/01/2009 8,41% Sur-réaction28/01/2009 7,02% Sur-réaction
Date Sous ou Sur-réaction16/07/2008 11,18% Sur-réaction22/07/2010 5,44% Sur-réaction29/09/2008 -6,25% Sur-réaction30/09/2008 7,64% Sur-réaction7/10/2008 -5,88% Sur-réaction
13/10/2008 12,08% Sur-réaction17/11/2008 -5,64% Sur-réaction19/11/2008 -6,36% Sur-réaction24/11/2008 17,34% Sur-réaction26/11/2008 8,11% Sur-réaction
1/12/2008 -9,34% Sur-réaction8/12/2008 8,26% Sur-réaction
16/12/2008 5,65% Sur-réaction20/01/2009 -21,44% Sur-réaction21/01/2009 16,08% Sur-réaction28/01/2009 13,60% Sur-réaction
C.A.P.M.
FAMA-FRENCH
CARHART
6 FACTEURS
65.
Concernant les différents modèles utilisés, on note 3 facteurs qui expliquent les rentabilités, il
s’agit du facteur de marché (Rm-Rf), du facteur de ratios de prix (HML) et du facteur de
renversement à court-terme (ST_REV).
Les investisseurs pourraient générer des rentabilités en excès en investissant dans des actions value
et en isolant l’effet de renversement à court-terme.
Nos analyses empiriques montreraient que durant la crise, les actions choisies représentatives du
secteur financier semblent s’adapter aux informations comme l’efficience le veut. Tout d’abord,
elles se décalent progressivement à la baisse, puis suivent une tendance à la sur-réaction, ce qui
correspond à ‘effet de renversement à court-terme, pour terminer à un retour à la moyenne en
comparaison avec le marché.
Cette analyse confirmerait la difficulté qu’ont eue les investisseurs durant la crise à générer de la
rentabilité en excès. Le marché se renversait trop souvent pour tirer une tendance rémunératrice.
66.
Chapitre Comprendre les résultats anormaux significatifs avec la
finance comportementale
4.1 IntroductionLe chapitre précédent a démontré que globalement durant la période analysée et avec les actions
choisies, l’efficience de marché était le paradigme dominant. Néanmoins, nous avons noté la
présence de quelques rentabilités anormales qui ne sont pas explicables par l’efficience de marché.
Ces dernières sont liées à la situation de crise que le marché, et en particulier les actions
financières ont connue.
Dès lors, nous pouvons voir la crise (et de fait, ces répercussions) de deux façons (Grosse, 2010) :
La première est qu’il s’agit tout simplement un cas de malchance ou un cygne noir comme vu
précédemment. Au lieu d’ignorer simplement cet évènement, les analystes pourraient explorer la
probabilité d’occurrence de cette crise, ou essayer de modéliser des alternatives pour prendre en
compte ce point inhabituel dans le but d’anticiper de futurs évènements du même type, ce qui est
une vision assez limitée.
La seconde est de tenter de comprendre quelles ont été les actions commises par les participants
des marchés financiers qui ont mené à cette crise, et pour notre étude, qui justifieraient nos
rentabilités anormales moyennes significatives. Il s’agit de cette analyse que nous allons
développer. La finance comportementale va nous donner des clés pour avoir une lecture
différente du comportement des investisseurs qui ont pu mener à ces résultats anormaux.
4.2 Des éléments de finance comportementale
4.2.1 La bulle spéculative
L’exubérance irrationnelle 20 des investisseurs aussi bien dans le marché de l’immobilier américain
que sur les produits obligataires liés à celui-ci, a mené à une importante hausse des prix de
l’immobilier au début des années 2000 aux U.S.A. Cette hausse visible dans la Figure 7 n’avait
aucun fondement logique ou rationnel, tout comme n’importe quelles autres bulles dans
l’histoire.
20 Terme employé en 1996 par Greenspan pour mettre en garde du danger du marché des actions surévalués et de la future crise internet (Greenspan, 1996). Ce terme est par ailleurs le titre de l’ouvrage de Shiller sur la finance comportementale.
67.
Figure 7 Indice des prix de l'immobilier des U.S.A. (Federal Housing Financing Agency, 2010)
Selon Grosse (2010) et Shiller (2000), une exubérance irrationnelle aurait permis cette hausse. De
1997 à 2006, nous avons assisté à une hausse de l’ordre des 10% annuel pour voir une chute en
2007 et 2008 de 13%. Cette exubérance irrationnelle qui commença dont au milieu des années 90
a produit une hausse de plus de 100% en moins de 10 ans. Cette hausse n’est pas justifiée par une
hausse de la population. Il est clair que la spéculation a eu un rôle prépondérant dans cette
hausse. De plus, le fait qu’il n’y avait pas une demande réelle derrière ces biens a renforcé la
baisse après l’euphorie haussière.
Une bulle par définition n’a pas de base rationnelle, elle est due aux comportements humains et
c’est pour cela qu’elle est difficilement détectable ex-ante. Nous allons à présent, nous intéresser
sur ces comportements qui ont mené à la bulle et par la même occasion, à la crise.
4.2.2 Des visions court-terme
Selon Avgouleas (2009) et Grosse (2010), ex-post, l’inhabilité des investisseurs à maintenir un
horizon temporel suffisamment long pour gérer la chute « temporaire » des prix des actifs fut un
0
25
50
75
100
125
150
175
200
225
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Indice des prix de l'immobilier des U.S.A.
Indice des prix nominaux de l'immobiler Indice des prix de l'immobilier ajusté à l'inflation
68.
élément précurseur de la crise financière. Comme nous l’avons vu, l’immobilier US a perdu de la
valeur, entrainant dans sa chute les produits financiers liés.
Dès lors, deux réactions étaient possibles pour couvrir les pertes sur les actifs. Soit on augmentait
le capital, soit on vendait des actifs à forte perte, le tout dans un effort pour contrer la liquidité.
Ceci était un problème aigu car les institutions financières devaient évaluer leurs actifs à leur
juste-valeur chaque jour. Comme nous l’avons expliqué précédemment, cela renforça la pression
sur la liquidité et dans ces certains cas la solvabilité. Cette pression a fait beaucoup de mal aux
institutions financières qui devaient se recapitaliser sur les marchés qui s’étaient asséchés en 2008.
Pour Hirshleifer (2008) Rationnellement, un investisseur a besoin de changer son portefeuille en
fonction de ses besoins de liquidité ce qui implique une activité limitée. Mais la vision à court-
terme a été influencée par les mécanismes de rémunération dans le secteur bancaire les années
précédant la crise en se basant sur des performances à court-terme notamment (bonus)
(Puttonen, 2009a).
4.2.2.1 Le cas des banques d’investissement
La vision à court-terme en tandem avec l’importante exposition des banques d’investissements
aux produits dits toxiques les ont fait souffrir durant la crise, et ce pour trois raisons :
elles n’ont pas accès aux dépôts comme source de fonds ;
leurs portefeuilles étaient sous pression avec la baisse des prix des actifs ;
elles ne pouvaient pas lever des fonds avec des billets de trésorerie ou des obligations vu
la situation de ces marchés.
Ce phénomène toucha Lehman Brothers qui fit faillite, Bear Stearns qui fut nationalisée pour être
revendue à JP Morgan avec des garanties d’état ainsi que Merrill Lynch qui fut acquise par Bank
of America. Plusieurs de ces mouvements sont visibles en Annexe 3.
Les autres types d’investisseurs possédant des actifs liés aux prêts hypothécaires subirent le même
genre de problèmes et durent se recapitaliser ou vendre à perte.
Les investisseurs et les banques étaient dans l’incapacité de garder leurs positions jusqu’au
moment où les prix remonteraient. Ce comportement court-terme a favorisé l’émergence de la
crise et n’est pas un comportement rationnel. De plus, la peur et l’aversion aux pertes ont dominé
la psychologie des agents. (Grosse, 2010).
69.
4.2.3 L’excès de confiance
L’excès de confiance peut apporter une explication supplémentaire aux résultats anormaux
obtenus. Il n’a pas seulement touché les investisseurs mais aussi ceux qui avait la charge de les
contrôler.
4.2.3.1 Des investisseurs
Selon Shefrin (2010b) et Grosse (2010), la psychologie des investisseurs a eu un impact important
avant la crise. La confiance irraisonnable dans une hausse des prix perpétuelle du marché
immobilier et de la capacité des emprunteurs à rembourser leurs prêts en est la cause.
Ces excès de confiance ont favorisé une frénésie d’achats de produits liés aux subprimes et au
marché immobilier américain qui a engendré à son tour la bulle spéculative.
Avec la perte de confiance engendrée par l’éclatement de la bulle, tous les produits de type
obligations adossées d’actifs (même ceux non liés au marché immobilier) ont perdu de la valeur.
Cet effet de contagion est avant tout la propagation du sentiment de peur sur les marchés.
4.2.3.2 Des dirigeants
Nous avons vu que les investisseurs ont été soumis à des biais psychologiques qui ont eu un
impact sur les décisions financières. Mais une question réside, pourquoi les mécanismes de
surveillance n’ont-ils pas pris en compte le risque grandissant ?
La gestion du risque, et par là, nous entendons la division chargée d’évaluer les risques liés aux
positions des investisseurs dans les banque, a failli à sa mission durant et avant la crise.
La surveillance des traders et des spécialistes en ingénierie financière a failli. Ces personnes ont
créé les obligations adossées d’actifs (avec une part de subprimes) et les ont directement vendues.
Mais la valorisation de leurs produits n’était pas correcte, de plus ils n’ont pas su correctement
communiquer les risques liés à a une baisse de l’immobilier. La complexité des produits, comme
expliqué plus tôt, rendait les choses extrêmement difficiles parce que les titres sous-jacents sont
d’une certaine manière cachés parmi la masse.
Il semblerait que l’excès de confiance qui touche les investisseurs était aussi dans le chef de la
direction et la gestion du risque entraine une gestion irrationnelle influencée par des biais
comportementaux (Grosse, 2010).
La finance comportementale nous explique que les biais psychologiques influencent les
investisseurs et de ce fait génère un impact sur l’évaluation des actifs financiers. Mais plus
70.
récemment, Shefrin (2010a; 2010b) a mis en avant que les investisseurs ne sont pas les seuls à être
affectés par des biais et heuristiques. En effet, les dirigeants d’entreprise (le management en
général) est lui aussi soumis à ces biais, car après tout, ils sont aussi humains que les investisseurs.
Leurs décisions ont des impacts sur les risques. De plus, les analystes (dans notre cas, les agences
de notation particulièrement) voient leurs jugements influencés par la psychologie.
Ceci est la base d’un nouveau pan de la finance comportementale : la finance comportementale
d’entreprise que nous avons présentée dans la partie théorique. Une des leçons principales que
nous pouvons tirer de cette crise en termes de psychologie est que les erreurs ne sont pas faites
seulement par les investisseurs mais aussi par les émetteurs (sociétés, gouvernements, banques…)
(Shefrin, 2010b).
4.2.4 L’aversion aux pertes et le comportement des masses
La disparition de la liquidité dans les marchés est un signe clair de l’aversion aux pertes (en lien
avec la théorie des perspectives).
Les taux d’intérêt élevés (sur le marché interbancaire) et la baisse vertigineuse des prix des actifs
doivent pousser un arbitragiste rationnel à placer son argent sur les marchés au lieu de le garder
en cash (Grosse, 2010).
Mais les banques refusèrent de se prêter de l’argent ayant peur de ne jamais le récupérer au vu des
expositions de chacun aux actifs toxiques difficilement évaluables. Une panique irrationnelle s’en
suivit qui grippa le marché interbancaire (Avgouleas, 2009).
A la suite de la faillite de Lehman Brothers, on a ressenti une manifestation encore plus forte de
l’aversion aux pertes ainsi qu’un effet de suivisme par rapport à la masse. En effet, la panique qui
poussa à une vente sans fin est constituée de ces 2 biais. Les investisseurs ont eu peur de la non-
solvabilité de certaines banques et ont donc vendu leurs actions. De plus, ces derniers n’auraient
jamais cru un état capable de laisser une importante institution financière faire faillite. Une vente
dans ces conditions est rationnelle, mais une vente aveugle comme il est apparu ne l’est pas.
Donc, la spirale de la chute des prix de tous les actifs financiers est irrationnelle, résultant de
cette situation socio-psychologique (Avgouleas, 2009)
Un des gros problèmes de cette crise était l’excès de confiance régnant sur les marchés ou
l’exubérance irrationnelle. De plus, il y a un phénomène de masse, tout le monde voulait profiter
des subprimes. Il y a évidemment une logique concurrentielle qui pousse à obtenir les meilleurs
rendements pour ses clients, mais le suivisme aveugle à renforcer la sévérité de la crise
71.
C’est pourquoi, après la faillite de Lehman Brothers, nous avons assisté aussi à une bataille pour
la qualité entre les investisseurs. Au point que les billets de trésorerie émis par le trésor US à 3
mois avec un taux proche de 0% eurent un succès massif (Grosse, 2010).
On pourrait supposer que les non-professionnels comme les déposants sont plus prompts à
paniquer. Mais on voit avec cette crise que les professionnels eux-mêmes se sont mis à paniquer
et à refuser de se prêter de l’argent (entre banques) ce qui n’a fait que renforcer la crise.
Nous montrons donc qu’avec l’aide de la finance comportementale, nous pouvons expliquer des
résultats anormaux significatifs non justifiables par l’hypothèse d’efficience de marché.
72.
ConclusionDans la revue théorique, nous avons montré l’importance de l’utilisation de la psychologie en
complément à la finance. Lors de la rédaction du chapitre sur la finance comportementale, nous
avons pu remarquer à quel point, l’investisseur (et l’humain en général) est influencé par des biais
cognitifs, des heuristiques et des effets de cadrage. Ceci influence l’investisseur dans ses décisions
financières.
Nous avons vu aussi qu’avec la finance d’entreprise comportementale, pas seulement les
investisseurs étaient sujets à ces biais, mais aussi les dirigeants d’entreprises, les analystes… Il
nous parait important pour le futur d’avoir une connaissance de la psychologie en lien avec la
finance. Une meilleure connaissance des biais pourrait aider les acteurs sur les marchés à limiter
les mauvaises décisions qui sont impactées par la psychologie.
Néanmoins, à travers la partie théorique, nous avons pu observer la robustesse empirique de
l’hypothèse d’efficience de marché, qui en a fait le paradigme dominant de la finance de marché.
Cette position n’a pas été remise en cause lors de notre analyse empirique sur le secteur financier.
En effet, nous avons montré que les actions financières (à travers notre échantillon de 10 actions
financières) sont globalement restées efficientes durant la crise. La grande majorité des résultats
obtenus sur les rentabilités anormales, et ce avec les différents modèles testés n’a pas été
significative. Ceci implique donc que l’information est directement intégrée dans les prix. Dans
notre étude, l’information étant la faillite de Lehman Brothers que nous considérons comme
élément catalyseur de la crise du secteur financier.
La faillite de Lehman Brothers n’a donc pas ou peu entrainé de sous ou sur-réaction. Par notre
étude, nous avons montré que l’efficience sous sa forme semi-forte était vérifiée et cela sous
différents modèles d’évaluations des prix des actions. En passant du C.A.P.M., modèle à 1
facteur, au modèle à 6 facteurs, nous avons remarqué lors de nos régressions 3 facteurs
particulièrement significatifs pour expliquer la rentabilité des actions.
Nous avons le facteur de marché lié à la prime de risque (Rm-Rf) qui permet de voir la
corrélation avec le marché et le titre qui reflète le risque systématique.
La prime value issue du facteur de ratio de valeur comptable sur valeur de marché (HML)
nous permet de constater que sous l’efficience de marché, il s’agit d’un risque à prendre
en compte pour l’évaluation des titres.
73.
Nous avons remarqué que le marché (sous notre échantillon) reconnait l’effet de
renversement à court-terme (ST_REV). Cela va dans le sens où le marché s’est retourné
constamment durant la crise.
Nous émettons l’hypothèse à l’aide de nos analyses empiriques, que durant la crise, les actions
choisies pour représenter le secteur financier confirment l’efficience de marché. Dans un premier
temps, elles se décalent progressivement à la baisse, pour sur-réagir par après. Cette chaine de
réactions a lieu à court-terme, et est confirmée par le facteur ST_REV significatif. Grâce à ce
phénomène, nous assistons à un retour à la moyenne en comparaison avec le marché.
Ceci va dans le sens de la réalité qu’ont connue les investisseurs. En effet, durant la crise, il était
difficile de générer du profit sur le marché avec les multiples renversements successifs qui ont eu
lieu. De plus, le fait de ne pas pouvoir déceler d’effet de Momentum limitait les opportunités de
profits. Le tout confirmant donc l’efficience de marché.
Intuitivement, nous pourrions imaginer des investisseurs s’intéresser tout particulièrement aux
deux derniers facteurs pour générer du profit.
Toutefois, même si l’efficience a été démontrée empiriquement, quelques rentabilités anormales
moyennes (par séance) ont été décelées. Ceci nous permet d’avancer que le marché à travers
notre échantillon et notre période d’analyse n’est pas tout le temps efficient. La finance
traditionnelle ne peut donc pas expliquer ces résultats anormaux.
Avec l’aide de la finance comportementale, nous avons accès à de nouveaux outils pour
comprendre les marchés et les investisseurs grâce à l’apport de la psychologie. Cela nous permet
d’avoir une lecture complémentaire pour justifier ces résultats anormaux significatifs. Nous avons
particulièrement vu que les investisseurs étaient soumis à l’excès de confiance avant l’émergence
de la crise. Ce comportement lié à des biais psychologiques a favorisé la création d’une bulle
spéculative.
Contrairement à notre intuition lors la définition de ce mémoire, le secteur financier avec les dix
titres que nous avons sélectionnés a été relativement efficient, et ce malgré le contexte de crise du
secteur financier.
Cependant, d’autres études pourraient être réalisées pour vérifier si les prix restent efficients
durant les crises. Nous avons travaillé avec des titres à fortes capitalisations boursières et
relativement liquides. Nous pourrions imaginer des résultats anormaux bien plus significatifs avec
une étude sur des actions de plus faible capitalisation (et donc moins liquide).
74.
BibliographieAdrian, T. and Shin, H.S. (2009) 'The Shadow Banking System: Implications for Financiel
Regulation', Federal Reserve Bank of New York Reports, vol. 382.
AFP (2010) Renforcer la garantie des dépôts bancaires, 12 Février, [Online], Available:
http://www.lalibre.be/economie/actualite/article/563968/renforcer-la-garantie-des-depots-
bancaires.html [12 Juillet 2010].
Ahern, K.R. (2009) 'Sample Selection and Event Study Estimation', Journal of Empirical Finance,
vol. 16, pp. 466-482.
Aktas, N. (2004) 'La "finance comportementale" un état des lieux', Reflets et perspectives, vol. XLIII,
no. 2, pp. 19-33.
Albouy, M. (2005) 'Peut-on encore croire à l'efficience des marchés financiers?', Revue française de
gestion, vol. 4, no. 157, pp. 169-188.
Albouy, M. and Charreaux, G. (2005) 'La finance comportementale ou l'émergence d'un nouveau
paradigme dominant?', Lavoisier - Revue française de gestion, vol. 4, no. 157, pp. 139-143.
Alexender, S. (1961) 'Price movement in speculative markets: Trends or Random Walks',
Industrial Management Review, vol. 41, no. 3, pp. 7-26.
Avgouleas, E. (2009) 'The Global Financial Crisis, Behavioural Finance, and Financial Regulation
In Search of a New Orthodoxy', Jounal of Corporate Law Studies, vol. 9, pp. 23-59.
Bacmann, J.-F. (2007) Analyse d'évènement et dépendances temporelles des rentabilités boursières, Neufchâtel:
Faculté de Droit et des Sciences Economiques.
Bak, P., Paczuski, M. and Shubik, M. (1996) 'Price Variations in a Stock Market with Many
Agents', Cowles Foundation, Yale University, vol. 1132.
Bank of America (2010) About Bank of America, 2 Août, [Online], Available:
http://www.bankofamerica.com/index.cfm?page=about [2 Août 2010].
Bank of New York Mellon (2010) About Us BNY Mellon, 2 Août, [Online], Available:
http://www.bnymellon.com/about/index.html [2 Août 2010].
75.
Banz, R.W. (1981) 'The Relationship between Return and market Value of Common Stocks',
Journal of Financial Economics, vol. 9, pp. 3-18.
Barberis, N., Huang, M. and Santos, T. (2001) 'Prospect theory and asset prices', Quarterly Journal
of Economics, vol. 116, p. 1–53.
Barberis, N. and Thaler, R. (2003) 'A Survey of Behavioral Finance', in Constantinides, G.,
Harris, M. and Stulz, R. Handbook of the Economics of Finance, Elsevier North Holland.
Barber, B.M. and Odean, T. (2001) 'Boys will be Boys: Gender, Overconfidence, and Common
Stock Investment', The Quarterly Journal of Economics, pp. 261-292.
Bénassy-Quéré, A., Coeuré, B., Jacquet, P. and Pisani-Ferry, J. (2009) 'The Crisis: Policy Lessons
and Policy Challenges', Bruegel Working Paper, vol. 6, pp. 1-71.
Bernard, V. and Thomas, J. (1989) 'Post-Earning Announcement Drift: Delayed Price Response
or Risk Premium', Journal of Accounting Research, pp. 1-36.
Bertrand, A. and Garnier, P.-H. (2005) Psychologie cognitive, Levallois-Perret: Studyrama.
Black, F. (1986) 'Noise', Journal of Finance, vol. 41, no. 3, pp. 529-543.
Bodie, Z., Kane, A. and Marcus, A.J. (2004) Investments, 6th edition, Irwin: McGraw-Hill.
Broquet, C., Cobbaut, R., Gillet, R. and Van Den Berg, A. (1997) Gestion de portefeuille, 3rd edition,
Bruxelles: De Boeck.
Brunnermeier, M.K. (2001) Asset Pricing under Asymmetric Information Bulles, Crashes, Technical
Analysis, and Herding, London: Oxford University Press.
Campbell, J.Y. and Cochrane, J. (1999) 'By Force of Habit: A consumption-based Explanation of
Aggregate Stock Market Behavior', Journal of Political Economy, vol. 107, pp. 205-251.
Capelle-Blancard, G. (2009) 'Effience des marchés et anomalies', Systèmes de marché , Université
Paris 1 Panthéon Sorbonne.
Carhart, M.M. (1997) 'On Persistence in Mutual Fund Performance', The Journal of Finance, vol. 52,
no. 1, pp. 57-82.
Chan, K., Jegadeesh, N. and Lakonishok, J. (1996) 'Momentum Strategies', Journal of Finance, vol.
51, pp. 1681-1713.
76.
Cipriani, M. and Guarino, A. (2009) 'Herd Behavior in Financial Markets: An Experiment with
Financial Market Professionals', Journal of the European Economic Association, vol. 7, no. 1, pp. 206-
233.
Citigroup (2010) About Citi, 2 Août, [Online], Available:
http://www.citigroup.com/citi/press/index.htm [2 Août 2010].
Colmant, B., Gillet, R. and Szafarz, A. (2003) Efficience de marché. Concepts, bulles spéculatives et images
comptables, Bruxelles: De Boeck Larcier.
Cutler, D.M., Poterba, J.M. and Summers, L.H. (1989) 'What moves stock prices?', Journal of
Portfolio Management, vol. 15, no. 3, pp. 4-12.
Da, Z., Liu, Q. and Schaumburg, E. (2010) 'Decomposing the Short-Term Return Reversal',
Working Paper, pp. 1-42.
De Bondt, W. and Thaler, R. (1985) 'Does the Stock Market Overreact', Journal of Finance, no. 40,
pp. 739-805.
de Jong, F. (2007) 'Event Studies Methodology', Course : Empirical Finance and Investment
Cases, Tilburg University, 1-22.
Delbecque, B. (2010) 'Cours de "European Monetary Policy"', Economics School of Louvain,
Louvain-la-Neuve.
DeLong, J.B., Shleifer, A., S.L. and R., W. (1991) 'The survival of noise traders in financial
markets', Journal of Business, vol. 64, pp. 1-20.
Deprins, D. (2007) 'Cours : Statistique', Université Catholique de Louvain, Louvain-la-Neuve.
Dispas, C. (2008) 'Cours : Gestion de Portefeuilles', Louvain School of Management, Louvain-la-
Neuve.
ECB (2010) ECB Statistical Data Warehouse, 20 Juillet, [Online], Available:
http://sdw.ecb.europa.eu/ [20 Juillet 2010].
Engle, R.F. (1982) 'Autoregressive conditional heteroscedasticity with estimates of variances of
United Kingdom inflation', vol. 50, pp. 987-1007.
Fairchild, R. (2010) 'Behavioural Corporate Finance: Existing Research and Future Directions',
International Journal of Behavioural Accounting and Finance, vol. I, pp. 277-293.
77.
Fama, E. (1965) 'The behavior of stock-market prices', The journal of business, vol. 38, no. 1, pp. 34-
105.
Fama, E. (1970) 'Efficient Capital Markets: A review of theory and empirical work', The journal of
Finance, vol. 25, no. 2, pp. 282-417.
Fama, E. (1991) 'Efficient Capital Markets II', The journal of Finance, vol. 46, no. 5, pp. 1575-1617.
Fama, E. and Blume, M. (1966) 'Filter rules and stock market trading', Journal of Business, vol. 39,
pp. 226-241.
Fama, E., Fisher, L., Jensen, M. and Roll, R. (1969) 'the adjustement of stock prices to new
information', Journal Economic Review, vol. 10, pp. 1-21.
Fama, E. and French, K. (1988) 'Dividend Yields and exepected Stock Returns', Journal of
Financial Economics, vol. 22, pp. 3-25.
Fama, E. and French, K. (1992) 'The Cross-Section of Expected Stock Returns', Journal of Finance,
vol. 47, pp. 427-465.
Fama, E.F. and French, K.R. (1993) 'Common Risk Factors in the Returns on Stocks and Bond',
Journal of Financial Economics, vol. 33, no. 1, p. 3–56.
Fama, E. and French, K. (1996) 'Multifactor Explanations of Asset Pricing Anomalies', Journal of
Finance, vol. 51, pp. 55-84.
FED (2010) FRB: Open Market Operations, 20 Juillet, [Online], Available:
http://www.federalreserve.gov/monetarypolicy/openmarket.htm [20 Juillet 2010].
Federal Housing Financing Agency (2010) House Price Index, 29 Juillet, [Online], Available:
http://www.fhfa.gov/Default.aspx?Page=14 [29 Juillet 2010].
Finucane, M.L., A.A., Slovic, P. and Johnson, S.M. (2000) 'The affect heuristic in judgments of
risks and benefits', Journal of Behavioral Decision Making, vol. 13, no. 1, pp. 1-17.
Forbes, W. (2009) Behavioural Finance, Chichester: John Willey & Sons Ltd.
French, K. (1980) 'Stock Return and Week-end Effects', Journal of Financial Economics, Mars, pp.
55-69.
78.
French, K. (2010) Data Library, [Online], Available:
http://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html [27 Juillet 2010].
French, K. and Poterba, J. (1991) 'Investor Diversification and International Equity Markets',
American Economic Review, vol. 81, no. 2, p. 222–226.
Frey, B.S. and Stutzer, A. (2002) 'What Can Economists Learn From Happiness Research?',
Journal of Economic Literature, vol. XL, pp. 402-435.
Goldman Sachs (2010) Our Firm, 2 Août, [Online], Available:
http://www2.goldmansachs.com/our-firm/index.html [2 Août 2010].
Greenspan, A. (1996) Remarks by Chairman Alan Greenspan: The Challenge of Central Banking in a
Democratic Society, 5 Décembre, [Online], Available:
http://www.federalreserve.gov/boarddocs/speeches/1996/19961205.htm [Juillet 16 2010].
Grosse, R. (2010) 'The Global Financial Crisis - a Behavioral View', EGADE Graduate Business
School Working Paper, pp. 1-27.
Grossman, S. and Stiglitz, J. (1980) 'On the Impossibility of Informationally Efficient Markets',
American Economic Review, no. 70, pp. 393-408.
Hamon, J. and Jacquillat, B. (1992) Le marché français des actions : Etudes empiriques 1977-1991, Paris:
Presse Universitaire de France.
Heaton, J.B. (2002) 'Managerial Optimism and Corporate Finance', Financial Management, pp. 33-
45.
Hellwig, M. (2008) 'The Causes of the Financial Crisis', CESifo Forum, vol. 4, pp. 12-21.
Hirshleifer, D. (2008) 'Investor psychology and asset pricing', Journal of Finance, vol. 56, p. 1533–
1598.
Hirshleifer, D., Subrahmanyam, A. and Titman, S. (1994) 'Security Analysis and Trading Patterns
when Some Investors Receive Information Before Others', Anderson Graduate School of Management
Working Paper, pp. 7-93.
Howson, C. and Urbach, P. (2006) Scientific Reasoning: The Bayesian Approach, London: Open court.
Ikenberry, D., Lakonishok, J. and Vermaelen, T. (1995) 'Market Underreaction to Open Market
Share Repurchases', Journal of Financial Economics, vol. 39, pp. 181-208.
79.
Investopedia (2010) Filter Rule, [Online], Available:
http://www.investopedia.com/terms/f.filterrule.asp [8 Février 2010].
Jaffe, J.F. (1974) 'Special information and insider trading', Journal of business, no. 47, pp. 410-428.
Jegadeesh, N. and Titman, S. (1993) 'Returns to buying winners and selling losers: implications
for stock market efficiency', Journal of Finance, vol. 48, pp. 65-91.
Jensen, M. (1978) 'Some anomalous evidence regarding market efficiency', Journal of Financial
Economics, vol. 6, p. 75.
Johnson, K. (1998) 'Graphical Analysis for Event Study Sesign', Journal of Fiancial and Strategic
Decisions, vol. 11, no. 1, pp. 61-71.
JP Morgan (2010) About us, 2 Août, [Online], Available:
http://www.jpmorgan.com/pages/jpmorgan/about [2 Août 2010].
Kahneman, D. and Frederick, S. (2002) 'Representativeness revisited: Attribute substitution in
intuitive judgment', in Gilovich, T., Griffin, D. and Kahneman, D. Heuristics of Intuitive Judgment:
Extensions and Applications, New York: Cambridge University Press.
Kahneman, D. and Tversky, A. (1979) 'Prospect Theory: An analysis of decision uder risk',
Econometrica, vol. 47, no. 2, pp. 263-291.
Kindleberger, C. (1989) Manias, Panics, and Crashes: A History of Financial Crises, New York: Basic
Books.
King, R.R., Smith, V.L., Williams, A.W. and van Boening, M.V. (1993) 'The Robustness of
Bubbles and Crashes in Experimental Stock Markets', in Day, R.H. and Chen, P. Nonlinear
Dynamics and Evolutionary Economics, New York: Oxford University Press.
Knaepen, D. (2010) 'Cours : International Financial Management', Louvain School of
Management, Louvain-la-Neuve.
Kolari, J. and Pynnönen, S. (2005) ' Event-study methodology: Correction for cross-sectional
correlation in standardized abnormal return tests. ', Working Papers of the University of Vaasa,
Department of Mathematics and Statistics, no. 9.
Korinek, A. (2010) 'Systemic risk-taking: Amplification effects, externalities, and regulatory
responses', University of Maryland.
80.
Kothari, S.P. and Warner, J.B. (2006) 'Econometrics of Event Studies', in Eckbo, B.E. Handbook
of Corporate Finance: Empirical Corporate Finance, 1st edition, Hanover, NH: North Holland.
Lakonishok, J., Shleifer, A. and Vishny, R.W. (1993) 'Contrarian Investment, Extrapolation, and
Risk', National Bureau of Economic Research Working Paper, no. W436.
Laplante, B., Dasgupta, S. and Mamingi, N. (1998) ' Capital Market Responses to Environmental
Performance in Developing Countries', World Bank Policy Research Working Paper, no. 190.
Levasseur, M.G. (2008) 'Cours : Finance d'Entreprise', Louvain School of Management, Louvain-
la-Neuve.
Lo, A.W. (2004) 'The Adaptive Markets Hypothesis: Market Efficiency form an Evolutionary
Perspective', MIT Sloan School of Management Publication, Août, pp. 1-31.
Lo, A. and Repin, D. (2002) 'The Psychophysiology of Real-Time Financial Risk Processing', no.
14, pp. 323-339.
Lougran, T. and Ritter, J. (1995) 'The New Issues Puzzle', Journal of Finance, vol. 50, pp. 23-50.
Lucas, R. (1978) 'Asset Prices in an Exchange Economy', no. 46, pp. 1429-1446.
MacKinlay, A.C. (1997) 'Event Studies in Economics and Finance', Journal of Economic Litterature,
vol. XXXV, pp. 13-39.
McDermott, R., Fowler, J.H. and Smirnov, O. (2008) 'On the Evolutionary Origin of Prospect
Theory Preferences', Journal of Politics, vol. 70, no. 2, pp. 335-350.
Mehra, R. and Prescott, E. (1985) 'The equity premium: A puzzle', Journal of Monetary Economics,
vol. 15, p. 145–161.
Mercier and Van der Henst, J.B. (2007) 'Psychologie évolutionniste', CNRS, Laboratoire sur le
cerveau, le langage et la cognition.
Met Life (2010) About Met Life, 2 Août, [Online], Available:
http://www.metlife.com/about/index.html?WT.ac=GN_about [2 Août 2010].
Mignon, V. (2003) 'Etude d'événements sur données intraquotidiennes françaises : les réactions
des actionnaires aux annonces', Revue d'Economie Financière, no. 66, pp. 335-340.
81.
Mitchell, M. and Stafford, E. (2001) 'Managerial Decisions and Long-term Stock Price
Performance', Journal of Business, vol. 73, pp. 287-329.
Morgan Stanley (2010) About Morgan Stanley, 2 Août, [Online], Available:
http://www.morganstanley.com/about/index.html [2 Août 2010].
Morwitz, V.G., Greenleaf, E.A. and Johnson, E.J. (1998) 'Divide and Prosper: Consumers'
Reaction so Partioned Prices', Journal of Marketing Research, vol. 35, pp. 453-463.
Mouchès, A. (2010) 'L’utilisation pratique des tests statistiques sous "Excel"', Université
Catholique de l'Ouest, Angers, 1-37.
Nguyen Thi Thanh, H. (2005) 'Existe-t-il un effet P.E.R. réalité et prévisionnel', Banque & marchés,
vol. 76, pp. 62-71.
Nofsinger, J.R. (2001) Investment Madness: How Psychology Affects Your Investing.and What to Do About
It, Pearson Education.
Panetta, F. and Angelini, P. (2009) 'Financial Pro-cyclicality: Lessons from the Crisis', Questioni di
Economia e Finanza - Banca d'Italia, no. 44.
Phung, A. (2010) Behavioral Finance: Key Concepts - Prospect Theory, [Online], Available:
http://www.investopedia.com/university/behavioral_finance/behavioral11.asp [5 Juillet 2010].
Puttonen, V. (2009a) 'Course : Financial Institutions', Helsinki School of Economics, Helsinki.
Puttonen, V. (2009b) 'Course: Marketing Financial Services', Helsinki School of Economics,
Helsinki.
Ramousse, R..L.B.M. and Le Guelte, L. (1996) Introduction aux statistiques, Paris.
Raufaste, E. and Hilton, D.J. (1999) 'Les mécanismes de la décision face au risque ', Risques, vol.
39.
Ricciardi, V. and Simon, H.K. (2000) 'What is Behavioral Finance?', Business, Education and
Technology Journal, pp. 1-9.
Rival, M. (2007) 'Utilité et Limites de la Méthode des Etudes d'Evènemnet : le Cas de
l'Evaluation d'une Action Stratégique de Lobbying', Vies et Sciences Economiques, vol. 174, pp. 119-
141.
82.
Rozès, S. (2008) 'Etude d'évènements', Toulouse School of Economics Report.
Schatten, E. (2009) 'The Troubled Asset Relief Program: Report on Transactions through',
Congress of United States of America.
Schwartz, H. (1998) Rationalit Gone Awry? Decision Making Inconsistent with Economic and Finance
Theory, Westport: Greenwood Publishing Group Inc.
Schwarz, N. (2010) 'Feelings-as-Information Theory', in Van Lange, P., Kruglanski, A. and
Higgins, E.T. Handbook of theories of social psychology.
Schwert, G. (2002) 'Anomalies and Market Efficiency', The Bradley Policy Research Center, pp. 1-54.
Schwienbacher, A. (2009) 'Cours d'Advanced Corporate Finance', Louvain School of
Management, Louvain-la-Neuve.
Serra, A.P. (2002) 'Event Study Tests - A brief survey', Working Papers Da Faculdade de Economia de
Porto, no. 117, pp. 1-14.
Seyhun, H.N. (1986) 'Insider's profits, cost of trading, and market efficiency', Journal of Financial
Economics, no. 16, pp. 189-212.
Shefrin, H. (2002) Beyond Greed and Fear : Understanding Behavioral Finance and the Psychology of
Investing, 2nd edition, Nex York: Oxford University Press.
Shefrin, H. (2007) Behavioral Corporate Finance: Decisions that Create Value, New York: McGraw-Hill.
Shefrin, H. (2008) Ending the Management Illusion, New York: McGraw-Hill.
Shefrin, H. (2010a) 'Behavioralizing Finance', Foundations and Trends in Finance, vol. IV, no. 1-2, pp.
1-184.
Shefrin, H. (2010b) 'How Psychological Pitfalls Generated the Global Financial Crisis', in
Institute, R.F.o.C. Voices of Wisdom: Understanding the Global Financial Crisis, Charlottesville:
Laurence B. Siegel.
Shefrin, H. and Statman, M. (1985) 'The disposition to sell Winners too early and ride Losers too
long: Theory and Evidence', Journal of Finance, vol. 40, no. 3, pp. 777-782.
Shiller, R.J. (1981) 'Do stock prices move too much to be justified by subsequent changes in
dividends?', American Economic Review, vol. 71, no. 3, pp. 421-436.
83.
Shiller, R.J. (2000) Irrational Exuberance, New York: Princeton University Press.
Shleifer, A. (2000) Inefficient markets: an introduction to behavioral finance, New York: Oxford
University press.
Slovic, P., Finucane, M., Peters, E. and MacGregor, D.G. (2002) 'The Affect Heuristic', in
Gilovich, T., Griffin, D. and Kahneman, D. Heuristics and Biases: The Psychology of Intuitive Judgment,
Cambridge University Press.
Slovic, P. and Lichtentstein, S. (1983) 'Preference reversals: A broader perspective', American
Economic Review, vol. 73, pp. 596-605.
Sontchik, S. (2005) 'Cross-sectional Implications. Fama-French Three Factor Model', Goethe
University of Frankfurt, Frankfurt, 1-43.
Stachoviak, C. (2006) 'Etude d'évènements et modélisation de la variance', Euro-Mediterranean
Economics and Finance Review, vol. I, no. 3, pp. 18-27.
Staddon, J. (2001) The new behaviorism: Mind, mechanism and society, Philadelphia: Psychology Press.
State Street (2010) Fact Sheet, 2 Août, [Online], Available:
http://www.statestreet.com/wps/portal/internet/corporate/home/aboutstatestreet/corporateo
verview/factsheet/!ut/p/c4/04_SB8K8xLLM9MSSzPy8xBz9CP0os3i_0CADCydDRwN3d0tzA
89gNxczHydnIwNjI_3gtCL9cJAuJFX-Qc7OBp4m5v4-
QLaxgY8ZfnkPA_zyrobo8iFBrkB5Y0NXAwMno0BTE_zyAeY [2 Août 2010].
Steenbarger, B. (2007) Momentum and Reversal Effects for the Swing Trader, 22 Janvier, [Online],
Available: http://traderfeed.blogspot.com/2007/01/momentum-and-reversal-effects-for.html
[30 Juillet 2010].
Steenbarger, B. (2008) Short-Term Reversal Patterns Among Global Equity Indexes, 21 Aout, [Online],
Available: http://traderfeed.blogspot.com/2008/08/short-term-reversal-patterns-among.html
[30 Juillet 2010].
Subrahmanyam, A. (2005) 'Investor Psychology and Security Market Under- and Overraction', in
Daniel, K. and Hirshleifer, D. Advances in Behavioral Finance, New York: Princeton University
Press.
Susskind, A. (2005) La finance comportementale, Bruxelles: De Boeck Larcier.
84.
Taleb, N.N. (2007) The Black Swan: The impact of the Highly Improbable, New York: Random House.
Teinilä, T. (2009) 'Comments on the credit crisis ', Helsinki School of Economics, Helsinki.
Thaler, R. (1993) Advances in Behavioral Finance: Volume I, New York: Russell Sage Foundation.
Thaler, R. and Johnson, E. (1990) 'Gambling with the house money and trying to break even:
The effects of prior outcomes on risky choice', Management Science, vol. 36, p. 643–660.
Tversky, A. and Kahneman, D. (1973) 'Availability: A heuristic for judging frequency and
probability', Cognitive Psychology, vol. 4, pp. 207-232.
Tversky, A. and Kahneman, D. (1981) 'The Framing of Decisions and the Psychology of Choice',
Science, vol. 211, pp. 453-463.
Tversky, A. and Kahneman, D. (1991) 'Loss Aversion in Riskless Choice: A Reference
Dependent Model', Quarterly Journal of Economics, vol. 106, pp. 1039-1061.
U.S. Bancorp (2010) About us from U.S. Bancorp, 2 Août, [Online], Available:
http://www.usbank.com/en/AboutHome.cfm [2 Août 2010].
Wells Fargo (2010) Get to Know Our Company, 2 Août, [Online], Available:
https://www.wellsfargo.com/about/corporate/ [2 Août 2010].
Westbrookl, J. (2010) Ex-Moody’s, S&P Employees Say Firms Put Business Before Ratings, 23 Avril,
[Online], Available: http://www.businessweek.com/news/2010-04-23/moody-s-s-p-influenced-
by-wall-street-senate-finds-update1-.html [13 Juillet 2010].
Wilson, E. (1975) Sociobiology: The New Synthesis, Cambridge: Belknap Press of Harvard University
Press.
Woon, W.S. (2010) 'Introduction to the Event Study Methodology', Singapore Management
University, Singapore, 1-11.
85.
Table des matières des annexes
Annexe 1 Taxinomie de la crise __________________________________________________________________ 86
Annexe 2 Evolution du système d’intermédiation financière __________________________________________ 87
Annexe 3 Ligne du temps de la crise du secteur financier _____________________________________________ 88
Annexe 4 Les avantages et les désavantages d’une baisse des taux ____________________________________ 90
Annexe 5 Description des sociétés choisies pour l’étude empirique _____________________________________ 91
Annexe 6 Table de conversion t en date ___________________________________________________________ 93
Annexe 7 Les facteurs de régression du C.A.P.M. ___________________________________________________ 96
Annexe 8 Tableaux des rentabilités anormales moyennes avec le C.A.P.M. ______________________________ 97
Annexe 9 Tableaux des rentabilités anormales moyennes cumulées avec le C.A.P.M. _____________________100
Annexe 10 Résultats des rentabilités anormales sous forme de séries temporelles avec le C.A.P.M. _________103
Annexe 11 Les facteurs de regression du modèle de Fama-French ____________________________________104
Annexe 12 Tableaux des rentabilités anormales moyennes avec le modèle de Fama-French _______________105
Annexe 13 Tableaux des rentabilités anormales moyennes cumulées avec le modèle de Fama-French ______108
Annexe 14 Résultats des rentabilités anormales sous forme de séries temporelles avec le modèle de Fama-
French _____________________________________________________________________________________111
Annexe 15 Les facteurs de régression du modèle de Carhart _________________________________________112
Annexe 16 Tableaux des rentabilités anormales moyennes avec le modèle de Carhart____________________113
Annexe 17 Tableaux des rentabilités anormales moyennes cumulées avec le modèle de Carhart ___________116
Annexe 18 Résultats des rentabilités anormales sous forme de séries temporelles avec le modèle de Carhart 119
Annexe 19 Les facteurs de régression du modèle à 6 facteurs ________________________________________120
Annexe 20 Tableaux des rentabilités anormales moyennes avec le modèle à 6 facteurs ___________________121
Annexe 21 Tableaux des rentabilités anormales moyennes cumulées avec le modèle à 6 facteurs __________124
Annexe 22 Résultats des rentabilités anormales sous forme de séries temporelles avec le modèle à 6 facteurs127
86.
Annexe 1 Taxinomie de la crise
Crise
Les racines microéconomiques
La titrisation des subprimes
Les subprimes
La titrisation
L'évaluation du risque L'effet de levier La valorisation de
marchéLa pouvoir de
contagion
La rémunération dans le système
fiancier
L'environnement macroeconomique
Une politique monétaire laxiste
Les déséquilibres mondiaux
Un phénomène comportemental
Le syndrome du cygne noir
87.
Source : (Teinilä, 2009)
Système d’intermédiation financière ancien
Système d’intermédiation financière moderne
Emprunteur hypothécaire
Banque Déposant
Emprunteur hypothécaire
Courtiers en hypothèques
Banque d’origine des
prêts hypothécaires
Banque d’investis-
sement
Manager d’obligations
adossées d’actifs #1
Manager d’obligations
adossées d’actifs #2 Investisseur
Annexe 2 Evolution du système d’intermédiation financière
88.
Annexe 3 Ligne du temps de la crise du secteur financier
0
20
40
60
80
100
120
140
Chronologie des évènements de la crise financière sur un indice bancaire (1/2)
KBW Bank Index
18/07/2007
annonce que deux de ses Hedge Funds ont subi de fortes pertes
18/07/2007
réduit la notation de 399 titres liés aux subprimes
6/08/2007
Licencie 7000 employés et se déclare en faillite
9-10/08/2007BCE injecte 156 milliards €, FED 59 milliards $, BoJ 6,2 milliards € pour améliorer la liquidité
22/08/2007
ferme sa filiale spécialisée dans les subprimes
17/09/2007
voit ses actionschuter de 40% après avoir demandé une ligne de crédit pour sa liquidité à la Banque d’Angleterre
30/10/2007
annonce une perte de 2,24 milliard $ pour son troisième trimestre et la démission de son PDG
17/02/2008
est nationalisée par la Banque d’Angleterre
4/11/2007
annonce une perte sèche de 11 milliards $ et la démission de son PDG
16/03/2008
Rachat de Bear Sternspar JP Morgan sous la pression de la FED avec une garantie de 29 milliards $
12/08/2008
annonce une perte de 358 millions CHF au second trimestre, et sépare ses activités d’investissement et de gestion de fortune
89.
0
20
40
60
80
100
120
140
Chronologie des évènements de la crise financière sur un indice bancaire (2/2)
KBW Bank Index
15/09/2008
Faillite de Lehman. Revente des activés US à Barclays et des activités Euro/Asie à Nomura
1/09/2008
Allianz vend Dresdner Bank à Commerzbank
7/09/2008Les U.S.A. prennent le contrôle de
Et
15/09/2008
Est vendu à
17/09/2008La FED inject 85 milliards $ pour sauver
19/09/2008Les U.S.A. propose le TARP avec un enveloppe de 700 milliards $
28-30/09/2008Renflouement de
19/09/2008Acquisition de
Par
21/09/2008Changement de statut pour
de banque d’investissement à banque régulée
8/10/20087 banques centrales réduisent les taux directeurs de 50 bps pour relancer l’économie
19/10/2008Renflouement de
29/09/2008Renflouement de
3/10/2008Acquisition de
Par
6/10/2008Plan de sauvegarde du système islandais
27/10/2008Renflouement de
Inspiré de (Knaepen, 2010)
90.
Annexe 4 Les avantages et les désavantages d’une baisse des taux
Les avantages d’une baisse des taux
o Une baisse des taux augmente le revenu disponible des emprunteurs en réduisant
le montant des remboursements.
o Une baisse des taux peut arrêter la taille et la vitesse de la chute du marché
immobilier.
o Les sociétés et ménages qui ne sont pas (ou peu) endettés pourraient tirer des
avantages via des taux faibles.
Les désavantages d’une baisse des taux
o Les baisses répétées en 2001-2003 des taux pour contrer l’explosion de la bulle
internet et le 11 Septembre 2001 a favorisé l’émergence de la bulle immobilière et
du crédit.
o La situation de 2007 avec la chute des titres liés à l’immobilier, le haut niveau de
dette des ménages et les pertes des banques réduit l’efficacité de la baisse des taux
d’intérêt.
o En général, ceteris paribus, une réduction du taux court-terme doit augmenter la
valeur des actifs (via l’actualisation). Par contre, la chute de marché immobilier
n’est pas contrée avec la baisse des taux.
o Quand la valeur des actifs chute, les fonds sont moins abondants. La recherche
sur l’accélérateur financier souligne le lien entre cette chute et la diminution des
prêts octroyés, aggravant dès lors la situation économique.
Sources : (Delbecque, 2010; Korinek, 2010)
91.
Annexe 5 Description des sociétés choisies pour l’étude empirique
Bank of America est une société financière, la plus grande banque aux U.SA. par actifs. Ils sont
présents dans 150 pays et servent les plus grandes sociétés mondiales. Récemment, ils ont acquis
Merril Lynch, le plus grand gestionnaire de fortunes mondial et un important acteur dans les
banques d’investissement (Bank of America, 2010).
Bank of New York Mellon est une société financière globale issue de la fusion de la Banque of
New York et de Mellon Financial Corporation. La société emploie 42900 personnes dans le
monde spécialisées dans la gestion de fonds pour autrui (custodian) (Bank of New York Mellon,
2010).
Citigroup est une société financière américaine basée à New York. Issue de la fusion du géant
bancaire Citicorp et du conglomérat financier Travelers Group en 1998. Citigroup a 16000
bureaux dans le monde et emploie 260000 employés. Ils possèdent 200 millions de clients dans
plus de 140 pays (Citigroup, 2010).
Goldman Sachs est une banque d’investissement américaine. Elle possède des compétences
diversifiées : conseil (F&A), finance d’entreprise, investissement. Elle emploie 35000 personnes
dans le monde (Goldman Sachs, 2010).
JPMorgan Chase & Co est une des plus importante entreprise dans le secteur financier. Elle
dispose de plus de 2.300 milliards de dollars d’actifs et effectue des opérations dans plus de 60
pays. La société est le leader mondial en ce qui concerne la banque d’investissement (JP Morgan,
2010).
Morgan Stanley est une société spécialisée dans les services financiers basée à New York. Ses
clients sont les sociétés, gouvernements, et les particuliers. La société opère dans 36 pays, avec
600 bureaux et 60000 employés (Morgan Stanley, 2010)
State Street Corporation est la holding qui possède une division en custodian, une autre dans le
conseil financier. De plus, ils fournissent des titres aux investisseurs institutionnels. Ils gèrent
aussi des fonds. Ils emploient 27310 employées dans le monde (State Street, 2010).
U.S. Bancorp est la holding de U.S. Bank, la 5ème banque de détail américaine. Son siège est à
Minneapolis, Minesota. Elle emploie approximativement 55000 personnes (U.S. Bancorp, 2010).
92.
Wells Fargo est un groupe financier américain dont le siège social est à San Francisco. Wells
Fargo est né du rachat de Wells Fargo & Co par Northwest Corporation en 1998. Après
l'acquisition de Wachovia en 2008, le groupe détient 6650 agences, 12260 distributeurs
automatiques pour 48 millions de clients (Wells Fargo, 2010).
La Metropolitan Life Insurance Company, ou MetLife est une entreprise, spécialisée dans les
assurances (Met Life, 2010).
93.
Annexe 6 Table de conversion t en date
t Date t Date-73 2/06/2008 -39 21/07/2008-72 3/06/2008 -38 22/07/2008-71 4/06/2008 -37 23/07/2008-70 5/06/2008 -36 24/07/2008-69 6/06/2008 -35 25/07/2008-68 9/06/2008 -34 28/07/2008-67 10/06/2008 -33 29/07/2008-66 11/06/2008 -32 30/07/2008-65 12/06/2008 -31 31/07/2008-64 13/06/2008 -30 1/08/2008-63 16/06/2008 -29 4/08/2008-62 17/06/2008 -28 5/08/2008-61 18/06/2008 -27 6/08/2008-60 19/06/2008 -26 7/08/2008-59 20/06/2008 -25 8/08/2008-58 23/06/2008 -24 11/08/2008-57 24/06/2008 -23 12/08/2008-56 25/06/2008 -22 13/08/2008-55 26/06/2008 -21 14/08/2008-54 27/06/2008 -20 15/08/2008-53 30/06/2008 -19 18/08/2008-52 1/07/2008 -18 19/08/2008-51 2/07/2008 -17 20/08/2008-50 3/07/2008 -16 21/08/2008-49 7/07/2008 -15 22/08/2008-48 8/07/2008 -14 25/08/2008-47 9/07/2008 -13 26/08/2008-46 10/07/2008 -12 27/08/2008-45 11/07/2008 -11 28/08/2008-44 14/07/2008 -10 29/08/2008-43 15/07/2008 -9 2/09/2008-42 16/07/2008 -8 3/09/2008-41 17/07/2008 -7 4/09/2008-40 18/07/2008 -6 5/09/2008
Période pré-évènement
94.
t Date-5 8/09/2008-4 9/09/2008-3 10/09/2008-2 11/09/2008-1 12/09/20080 15/09/20081 16/09/20082 17/09/20083 18/09/20084 19/09/20085 22/09/20086 23/09/20087 24/09/20088 25/09/20089 26/09/2008
10 29/09/200811 30/09/200812 1/10/200813 2/10/200814 3/10/2008
Fenêtre d'évènement
95.
t Date t Date15 6/10/2008 56 3/12/200816 7/10/2008 57 4/12/200817 8/10/2008 58 5/12/200818 9/10/2008 59 8/12/200819 10/10/2008 60 9/12/200820 13/10/2008 61 10/12/200821 14/10/2008 62 11/12/200822 15/10/2008 63 12/12/200823 16/10/2008 64 15/12/200824 17/10/2008 65 16/12/200825 20/10/2008 66 17/12/200826 21/10/2008 67 18/12/200827 22/10/2008 68 19/12/200828 23/10/2008 69 22/12/200829 24/10/2008 70 23/12/200830 27/10/2008 71 24/12/200831 28/10/2008 72 26/12/200832 29/10/2008 73 29/12/200833 30/10/2008 74 30/12/200834 31/10/2008 75 31/12/200835 3/11/2008 76 2/01/200936 4/11/2008 77 5/01/200937 5/11/2008 78 6/01/200938 6/11/2008 79 7/01/200939 7/11/2008 80 8/01/200940 10/11/2008 81 9/01/200941 11/11/2008 82 12/01/200942 12/11/2008 83 13/01/200943 13/11/2008 84 14/01/200944 14/11/2008 85 15/01/200945 17/11/2008 86 16/01/200946 18/11/2008 87 20/01/200947 19/11/2008 88 21/01/200948 20/11/2008 89 22/01/200949 21/11/2008 90 23/01/200950 24/11/2008 91 26/01/200951 25/11/2008 92 27/01/200952 26/11/2008 93 28/01/200953 28/11/2008 94 29/01/200954 1/12/2008 95 30/01/200955 2/12/2008
Période post-évènement
96.
Annexe 7 Les facteurs de régression du C.A.P.M.
BAC BK C GS JPM MET MS STT USB WFC-0,0067 0,0016 -0,0071 -0,0003 -0,0010 0,0008 0,0045 -0,0010 -0,0031 0,0003
P-Valeur 0,1740 0,6191 0,2157 0,9265 0,7769 0,8584 0,3709 0,8815 0,3074 0,9441Significativité 5% Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
Significativité 10% Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
1,9597 1,6691 2,0774 1,4593 1,4695 1,6873 2,5766 1,8007 1,1239 1,4965P-Valeur 7,45E-24 4,32E-33 6,06E-21 2,56E-28 4,77E-24 4,23E-22 4,74E-33 9,77E-14 3,11E-21 1,81E-20
Significativité 5% Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif
97.
Annexe 8 Tableaux des rentabilités anormales moyennes avec le C.A.P.M.
Période pré-évènement (du 02/06/2008 au 05/09/2008) [C.A.P.M.]
= 3,57%
t T-Stat Signif. 5%-39 -2,20% -0,6173 Non Significatif-38 5,38% 1,5070 Non Significatif-37 0,04% 0,0113 Non Significatif-36 -1,09% -0,3041 Non Significatif-35 -1,53% -0,4298 Non Significatif-34 -1,89% -0,5284 Non Significatif-33 3,48% 0,9743 Non Significatif-32 -0,74% -0,2071 Non Significatif-31 0,95% 0,2668 Non Significatif-30 1,56% 0,4375 Non Significatif-29 1,33% 0,3733 Non Significatif-28 0,12% 0,0326 Non Significatif-27 -1,81% -0,5056 Non Significatif-26 -1,36% -0,3810 Non Significatif-25 0,18% 0,0509 Non Significatif-24 1,05% 0,2934 Non Significatif-23 -4,22% -1,1822 Non Significatif-22 -3,33% -0,9327 Non Significatif-21 1,40% 0,3909 Non Significatif-20 0,71% 0,1975 Non Significatif-19 -0,96% -0,2691 Non Significatif-18 -1,70% -0,4773 Non Significatif-17 0,68% 0,1894 Non Significatif-16 -1,75% -0,4914 Non Significatif-15 1,49% 0,4186 Non Significatif-14 0,28% 0,0783 Non Significatif-13 0,10% 0,0278 Non Significatif-12 -0,49% -0,1366 Non Significatif-11 1,76% 0,4940 Non Significatif-10 1,47% 0,4126 Non Significatif-9 2,90% 0,8121 Non Significatif-8 2,02% 0,5669 Non Significatif-7 0,47% 0,1330 Non Significatif-6 2,88% 0,8070 Non Significatif
t T-Stat Signif. 5%-73 -0,44% -0,1231 Non Significatif-72 0,37% 0,1038 Non Significatif-71 -0,43% -0,1215 Non Significatif-70 -1,87% -0,5248 Non Significatif-69 -0,64% -0,1787 Non Significatif-68 -2,26% -0,6318 Non Significatif-67 2,18% 0,6120 Non Significatif-66 -0,29% -0,0800 Non Significatif-65 1,96% 0,5489 Non Significatif-64 0,31% 0,0860 Non Significatif-63 0,46% 0,1282 Non Significatif-62 -2,01% -0,5633 Non Significatif-61 0,67% 0,1881 Non Significatif-60 0,22% 0,0628 Non Significatif-59 0,51% 0,1415 Non Significatif-58 -2,43% -0,6803 Non Significatif-57 3,24% 0,9075 Non Significatif-56 -0,72% -0,2010 Non Significatif-55 0,24% 0,0679 Non Significatif-54 -1,15% -0,3214 Non Significatif-53 -1,46% -0,4092 Non Significatif-52 0,38% 0,1056 Non Significatif-51 2,01% 0,5637 Non Significatif-50 0,80% 0,2232 Non Significatif-49 -1,71% -0,4798 Non Significatif-48 1,85% 0,5194 Non Significatif-47 -1,33% -0,3727 Non Significatif-46 -1,14% -0,3199 Non Significatif-45 -0,78% -0,2190 Non Significatif-44 -3,94% -1,1031 Non Significatif-43 -0,32% -0,0899 Non Significatif-42 9,87% 2,7652 Significatif-41 3,70% 1,0372 Non Significatif-40 1,54% 0,4301 Non Significatif
98.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [C.A.P.M.]
t T-Stat Signif. 5%-5 3,39% 0,9493 Non Significatif-4 0,35% 0,0985 Non Significatif-3 -1,83% -0,5135 Non Significatif-2 0,95% 0,2655 Non Significatif-1 -2,00% -0,5606 Non Significatif0 -2,87% -0,8032 Non Significatif1 1,44% 0,4022 Non Significatif2 -3,87% -1,0829 Non Significatif3 -1,31% -0,3673 Non Significatif4 3,60% 1,0083 Non Significatif5 -0,89% -0,2481 Non Significatif6 1,26% 0,3523 Non Significatif7 -0,96% -0,2686 Non Significatif8 2,43% 0,6806 Non Significatif9 2,84% 0,7958 Non Significatif
10 -3,99% -1,1181 Non Significatif11 6,85% 1,9197 Non Significatif12 3,22% 0,9024 Non Significatif13 2,84% 0,7949 Non Significatif14 -2,40% -0,6715 Non Significatif
99.
Période post-évènement (du 06/10/2008 au 30/01/2009) [C.A.P.M.]
t T-Stat Signif. 5%15 3,27% 0,9162 Non Significatif16 -5,00% -1,4006 Non Significatif17 -1,28% -0,3588 Non Significatif18 2,66% 0,7459 Non Significatif19 4,49% 1,2565 Non Significatif20 -3,48% -0,9752 Non Significatif21 11,23% 3,1444 Significatif22 4,80% 1,3433 Non Significatif23 -5,50% -1,5405 Non Significatif24 -3,59% -1,0069 Non Significatif25 -5,04% -1,4110 Non Significatif26 4,27% 1,1948 Non Significatif27 3,46% 0,9684 Non Significatif28 -0,95% -0,2655 Non Significatif29 2,06% 0,5760 Non Significatif30 0,24% 0,0672 Non Significatif31 -5,32% -1,4907 Non Significatif32 -3,55% -0,9940 Non Significatif33 -3,53% -0,9877 Non Significatif34 2,36% 0,6608 Non Significatif35 0,90% 0,2535 Non Significatif36 -2,01% -0,5631 Non Significatif37 -0,51% -0,1434 Non Significatif38 1,39% 0,3895 Non Significatif39 -2,95% -0,8256 Non Significatif40 -1,84% -0,5146 Non Significatif41 2,54% 0,7102 Non Significatif42 1,20% 0,3369 Non Significatif43 -6,07% -1,7014 Non Significatif44 2,59% 0,7260 Non Significatif45 -3,61% -1,0123 Non Significatif46 -1,92% -0,5386 Non Significatif47 -2,68% -0,7521 Non Significatif48 0,24% 0,0669 Non Significatif49 -9,25% -2,5907 Non Significatif50 11,11% 3,1109 Significatif51 1,22% 0,3421 Non Significatif52 -0,91% -0,2540 Non Significatif53 2,74% 0,7673 Non Significatif54 -3,76% -1,0533 Non Significatif55 -0,83% -0,2326 Non Significatif56 3,37% 0,9441 Non Significatif57 3,88% 1,0872 Non Significatif58 1,25% 0,3507 Non Significatif59 -0,49% -0,1375 Non Significatif
t T-Stat Signif. 5%60 -0,74% -0,2087 Non Significatif61 -3,94% -1,1039 Non Significatif62 -2,91% -0,8138 Non Significatif63 -1,63% -0,4570 Non Significatif64 -1,29% -0,3625 Non Significatif65 2,56% 0,7168 Non Significatif66 0,02% 0,0058 Non Significatif67 1,37% 0,3830 Non Significatif68 -1,07% -0,3000 Non Significatif69 -1,77% -0,4972 Non Significatif70 -1,21% -0,3381 Non Significatif71 1,74% 0,4882 Non Significatif72 -1,43% -0,3995 Non Significatif73 0,32% 0,0896 Non Significatif74 -0,34% -0,0953 Non Significatif75 -0,14% -0,0387 Non Significatif76 -2,54% -0,7121 Non Significatif77 -1,83% -0,5114 Non Significatif78 0,40% 0,1122 Non Significatif79 0,06% 0,0168 Non Significatif80 -0,89% -0,2494 Non Significatif81 0,69% 0,1939 Non Significatif82 -2,69% -0,7532 Non Significatif83 0,42% 0,1176 Non Significatif84 -1,26% -0,3543 Non Significatif85 -8,02% -2,2472 Non Significatif86 -6,62% -1,8532 Non Significatif87 -19,37% -5,4254 Significatif88 11,51% 3,2233 Significatif89 -0,67% -0,1886 Non Significatif90 3,49% 0,9763 Non Significatif91 -2,56% -0,7176 Non Significatif92 1,86% 0,5209 Non Significatif93 10,53% 2,9487 Significatif94 -2,14% -0,5986 Non Significatif95 0,95% 0,2659 Non Significatif
100.
Annexe 9 Tableaux des rentabilités anormales moyennes cumulées avec le C.A.P.M.
Période pré-évènement (du 02/06/2008 au 05/09/2008) [C.A.P.M.]
t T-Stat Significatif à 5%-39 5,19% 21,12% 0,2458 Non Significatif-38 10,57% 21,42% 0,4935 Non Significatif-37 10,61% 21,72% 0,4887 Non Significatif-36 9,53% 22,01% 0,4329 Non Significatif-35 7,99% 22,29% 0,3585 Non Significatif-34 6,11% 22,58% 0,2704 Non Significatif-33 9,58% 22,86% 0,4193 Non Significatif-32 8,85% 23,14% 0,3823 Non Significatif-31 9,80% 23,41% 0,4185 Non Significatif-30 11,36% 23,68% 0,4797 Non Significatif-29 12,69% 23,95% 0,5300 Non Significatif-28 12,81% 24,21% 0,5290 Non Significatif-27 11,00% 24,47% 0,4496 Non Significatif-26 9,64% 24,73% 0,3899 Non Significatif-25 9,82% 24,99% 0,3932 Non Significatif-24 10,87% 25,24% 0,4307 Non Significatif-23 6,65% 25,50% 0,2609 Non Significatif-22 3,32% 25,74% 0,1290 Non Significatif-21 4,72% 25,99% 0,1815 Non Significatif-20 5,42% 26,23% 0,2067 Non Significatif-19 4,46% 26,48% 0,1685 Non Significatif-18 2,76% 26,72% 0,1032 Non Significatif-17 3,43% 26,95% 0,1274 Non Significatif-16 1,68% 27,19% 0,0618 Non Significatif-15 3,17% 27,42% 0,1158 Non Significatif-14 3,45% 27,65% 0,1249 Non Significatif-13 3,55% 27,88% 0,1274 Non Significatif-12 3,07% 28,11% 0,1091 Non Significatif-11 4,83% 28,34% 0,1704 Non Significatif-10 6,30% 28,56% 0,2207 Non Significatif-9 9,20% 28,78% 0,3197 Non Significatif-8 11,23% 29,00% 0,3870 Non Significatif-7 11,70% 29,22% 0,4004 Non Significatif-6 14,58% 29,44% 0,4953 Non Significatif
t T-Stat Significatif à 5%-73 -0,44% 3,57% -0,1231 Non Significatif-72 -0,07% 5,05% -0,0136 Non Significatif-71 -0,50% 6,18% -0,0813 Non Significatif-70 -2,38% 7,14% -0,3328 Non Significatif-69 -3,01% 7,98% -0,3776 Non Significatif-68 -5,27% 8,74% -0,6026 Non Significatif-67 -3,08% 9,45% -0,3266 Non Significatif-66 -3,37% 10,10% -0,3338 Non Significatif-65 -1,41% 10,71% -0,1317 Non Significatif-64 -1,10% 11,29% -0,0978 Non Significatif-63 -0,65% 11,84% -0,0546 Non Significatif-62 -2,66% 12,37% -0,2149 Non Significatif-61 -1,99% 12,87% -0,1543 Non Significatif-60 -1,76% 13,36% -0,1319 Non Significatif-59 -1,26% 13,83% -0,0909 Non Significatif-58 -3,69% 14,28% -0,2581 Non Significatif-57 -0,45% 14,72% -0,0303 Non Significatif-56 -1,16% 15,15% -0,0768 Non Significatif-55 -0,92% 15,56% -0,0592 Non Significatif-54 -2,07% 15,97% -0,1295 Non Significatif-53 -3,53% 16,36% -0,2157 Non Significatif-52 -3,15% 16,74% -0,1882 Non Significatif-51 -1,14% 17,12% -0,0666 Non Significatif-50 -0,34% 17,49% -0,0196 Non Significatif-49 -2,06% 17,85% -0,1151 Non Significatif-48 -0,20% 18,20% -0,0111 Non Significatif-47 -1,53% 18,55% -0,0826 Non Significatif-46 -2,67% 18,89% -0,1416 Non Significatif-45 -3,46% 19,23% -0,1798 Non Significatif-44 -7,39% 19,55% -0,3781 Non Significatif-43 -7,72% 19,88% -0,3881 Non Significatif-42 2,16% 20,20% 0,1068 Non Significatif-41 5,86% 20,51% 0,2857 Non Significatif-40 7,40% 20,82% 0,3553 Non Significatif
101.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [C.A.P.M.]
t T-Stat Significatif à 5%-5 17,97% 29,65% 0,6060 Non Significatif-4 18,32% 29,87% 0,6134 Non Significatif-3 16,49% 30,08% 0,5481 Non Significatif-2 17,44% 30,29% 0,5756 Non Significatif-1 15,43% 30,50% 0,5060 Non Significatif0 12,57% 30,71% 0,4092 Non Significatif1 14,00% 30,92% 0,4529 Non Significatif2 10,14% 31,12% 0,3257 Non Significatif3 8,83% 31,33% 0,2817 Non Significatif4 12,43% 31,53% 0,3941 Non Significatif5 11,54% 31,73% 0,3637 Non Significatif6 12,80% 31,93% 0,4008 Non Significatif7 11,84% 32,13% 0,3685 Non Significatif8 14,27% 32,33% 0,4414 Non Significatif9 17,11% 32,52% 0,5260 Non Significatif
10 13,12% 32,72% 0,4009 Non Significatif11 19,97% 32,91% 0,6068 Non Significatif12 23,19% 33,11% 0,7005 Non Significatif13 26,03% 33,30% 0,7817 Non Significatif14 23,63% 33,49% 0,7057 Non Significatif
102.
Période post-évènement (du 05/10/2008 au 30/01/2009) [C.A.P.M.]
t T-Stat Signif. 5%60 20,06% 41,33% 0,4855 Non Significatif61 16,12% 41,48% 0,3887 Non Significatif62 13,22% 41,63% 0,3175 Non Significatif63 11,59% 41,79% 0,2773 Non Significatif64 10,29% 41,94% 0,2454 Non Significatif65 12,85% 42,09% 0,3053 Non Significatif66 12,87% 42,24% 0,3047 Non Significatif67 14,24% 42,39% 0,3359 Non Significatif68 13,17% 42,54% 0,3095 Non Significatif69 11,39% 42,69% 0,2669 Non Significatif70 10,19% 42,84% 0,2378 Non Significatif71 11,93% 42,99% 0,2775 Non Significatif72 10,50% 43,14% 0,2435 Non Significatif73 10,82% 43,28% 0,2500 Non Significatif74 10,48% 43,43% 0,2413 Non Significatif75 10,34% 43,58% 0,2374 Non Significatif76 7,80% 43,72% 0,1784 Non Significatif77 5,98% 43,87% 0,1362 Non Significatif78 6,38% 44,01% 0,1449 Non Significatif79 6,44% 44,16% 0,1458 Non Significatif80 5,55% 44,30% 0,1252 Non Significatif81 6,24% 44,45% 0,1404 Non Significatif82 3,55% 44,59% 0,0796 Non Significatif83 3,97% 44,73% 0,0887 Non Significatif84 2,70% 44,87% 0,0603 Non Significatif85 -5,32% 45,02% -0,1181 Non Significatif86 -11,93% 45,16% -0,2643 Non Significatif87 -31,30% 45,30% -0,6910 Non Significatif88 -19,80% 45,44% -0,4356 Non Significatif89 -20,47% 45,58% -0,4491 Non Significatif90 -16,98% 45,72% -0,3715 Non Significatif91 -19,54% 45,86% -0,4262 Non Significatif92 -17,69% 46,00% -0,3845 Non Significatif93 -7,16% 46,14% -0,1552 Non Significatif94 -9,30% 46,27% -0,2009 Non Significatif95 -8,35% 46,41% -0,1798 Non Significatif
t T-Stat Signif. 5%15 26,90% 33,68% 0,7988 Non Significatif16 21,90% 33,87% 0,6468 Non Significatif17 20,62% 34,06% 0,6056 Non Significatif18 23,29% 34,24% 0,6800 Non Significatif19 27,77% 34,43% 0,8067 Non Significatif20 24,29% 34,61% 0,7018 Non Significatif21 35,52% 34,80% 1,0207 Non Significatif22 40,31% 34,98% 1,1525 Non Significatif23 34,81% 35,16% 0,9901 Non Significatif24 31,22% 35,34% 0,8833 Non Significatif25 26,18% 35,52% 0,7370 Non Significatif26 30,45% 35,70% 0,8528 Non Significatif27 33,90% 35,88% 0,9449 Non Significatif28 32,96% 36,06% 0,9140 Non Significatif29 35,01% 36,23% 0,9663 Non Significatif30 35,25% 36,41% 0,9682 Non Significatif31 29,93% 36,58% 0,8181 Non Significatif32 26,38% 36,76% 0,7177 Non Significatif33 22,85% 36,93% 0,6189 Non Significatif34 25,21% 37,10% 0,6796 Non Significatif35 26,12% 37,27% 0,7007 Non Significatif36 24,11% 37,44% 0,6439 Non Significatif37 23,60% 37,61% 0,6273 Non Significatif38 24,99% 37,78% 0,6613 Non Significatif39 22,04% 37,95% 0,5807 Non Significatif40 20,20% 38,12% 0,5300 Non Significatif41 22,74% 38,28% 0,5939 Non Significatif42 23,94% 38,45% 0,6226 Non Significatif43 17,87% 38,62% 0,4627 Non Significatif44 20,46% 38,78% 0,5275 Non Significatif45 16,84% 38,94% 0,4325 Non Significatif46 14,92% 39,11% 0,3815 Non Significatif47 12,24% 39,27% 0,3116 Non Significatif48 12,47% 39,43% 0,3164 Non Significatif49 3,23% 39,59% 0,0815 Non Significatif50 14,33% 39,75% 0,3605 Non Significatif51 15,55% 39,91% 0,3897 Non Significatif52 14,65% 40,07% 0,3655 Non Significatif53 17,39% 40,23% 0,4321 Non Significatif54 13,63% 40,39% 0,3373 Non Significatif55 12,80% 40,55% 0,3156 Non Significatif56 16,17% 40,70% 0,3971 Non Significatif57 20,05% 40,86% 0,4906 Non Significatif58 21,30% 41,02% 0,5193 Non Significatif59 20,81% 41,17% 0,5054 Non Significatif
103.
Annexe 10 Résultats des rentabilités anormales sous forme de séries temporelles avec le C.A.P.M.
BAC BK C GS JPM MET MS STT USB WFC-0,40% 0,15% -0,49% -0,06% 0,11% 0,04% 0,27% -0,17% -0,14% 0,20%5,91% 3,89% 6,89% 3,86% 4,40% 5,38% 6,02% 8,00% 3,69% 5,04%
T-Stat -0,0674 0,0382 -0,0708 -0,0157 0,0253 0,0071 0,0441 -0,0208 -0,0390 0,0393Significatif à
5% Non SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif
BAC BK C GS JPM MET MS STT USB WFC-67,25% 25,15% -82,36% -10,22% 18,80% 6,49% 44,81% -28,11% -24,31% 33,53%76,78% 50,63% 89,51% 50,17% 57,22% 69,92% 78,24% 103,95% 47,95% 65,55%
T-Stat -0,8759 0,4968 -0,9201 -0,2037 0,3285 0,0928 0,5728 -0,2704 -0,5071 0,5115Significatif à
5% Non SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif
104.
Annexe 11 Les facteurs de regression du modèle de Fama-French
BAC BK C GS JPM MET MS STT USB WFC-0,0050 0,0022 -0,0054 0,0005 -0,0003 0,0013 0,0055 -0,0001 -0,0025 0,0014
P-Valeur 0,1043 0,4661 0,1959 0,8677 0,8956 0,7545 0,2392 0,9842 0,2838 0,6339Significativité 5% Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
Significativité 10% Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
RM-RF 1,1505 1,4042 1,2483 1,1300 1,0111 1,4031 2,1900 1,3568 0,7482 0,8970P-Valeur 8,30E-18 3,59E-24 6,59E-13 2,86E-19 8,87E-19 7,29E-15 4,25E-24 7,67E-08 3,12E-14 9,51E-13
Significativité 5% Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif
SMB -0,5601 -0,3336 -0,5289 -0,5746 0,4953 -0,0081 -1,1760 -0,1376 0,2076 -0,2058P-Valeur 0,05465 0,24041 0,17816 0,03409 0,04487 0,98380 0,00873 0,81654 0,34559 0,46862
Significativité 5% Non Significatif Non Significatif Non Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non SignificatifSignificativité 10% Significatif Non Significatif Non Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Non Significatif Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif
HML 4,2802 1,3460 4,4028 1,6134 2,7271 1,5738 1,7095 2,4116 2,1608 3,2496p-val 2,15E-31 3,41E-06 5,29E-22 9,09E-09 1,12E-21 9,95E-05 1,33E-04 5,93E-05 3,02E-18 1,45E-22
Significativité 5% Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif
105.
Annexe 12 Tableaux des rentabilités anormales moyennes avec le modèle de Fama-French
Période pré-évènement (du 02/06/2008 au 05/09/2008) [Fama-French]
= 2,28%
t T-Stat Signif. 5%-73 -1,74% 0,5620 Non Significatif-72 0,29% -0,0937 Non Significatif-71 1,35% -0,4353 Non Significatif-70 -0,79% 0,2541 Non Significatif-69 -1,93% 0,6231 Non Significatif-68 -2,62% 0,8467 Non Significatif-67 2,92% -0,9428 Non Significatif-66 -1,02% 0,3276 Non Significatif-65 2,49% -0,8039 Non Significatif-64 1,81% -0,5827 Non Significatif-63 1,31% -0,4227 Non Significatif-62 -2,20% 0,7088 Non Significatif-61 -0,58% 0,1883 Non Significatif-60 2,15% -0,6949 Non Significatif-59 -0,34% 0,1091 Non Significatif-58 -2,80% 0,9027 Non Significatif-57 2,72% -0,8774 Non Significatif-56 0,75% -0,2410 Non Significatif-55 -1,19% 0,3853 Non Significatif-54 -0,30% 0,0976 Non Significatif-53 -3,68% 1,1860 Non Significatif-52 0,36% -0,1158 Non Significatif-51 1,47% -0,4751 Non Significatif-50 0,69% -0,2218 Non Significatif-49 0,28% -0,0889 Non Significatif-48 -1,38% 0,4447 Non Significatif-47 0,15% -0,0476 Non Significatif-46 1,25% -0,4024 Non Significatif-45 1,48% -0,4784 Non Significatif-44 0,45% -0,1465 Non Significatif-43 2,22% -0,7166 Non Significatif-42 2,82% -0,9084 Non Significatif-41 -3,36% 1,0841 Non Significatif-40 -1,27% 0,4097 Non Significatif
t T-Stat Signif. 5%-39 -1,13% 0,3655 Non Significatif-38 0,05% -0,0173 Non Significatif-37 -2,79% 0,9002 Non Significatif-36 3,95% -1,2756 Non Significatif-35 1,30% -0,4192 Non Significatif-34 -0,14% 0,0448 Non Significatif-33 -1,88% 0,6072 Non Significatif-32 -0,64% 0,2059 Non Significatif-31 -0,16% 0,0508 Non Significatif-30 0,23% -0,0750 Non Significatif-29 0,05% -0,0146 Non Significatif-28 -1,91% 0,6161 Non Significatif-27 1,03% -0,3323 Non Significatif-26 1,51% -0,4861 Non Significatif-25 -1,82% 0,5885 Non Significatif-24 -0,46% 0,1495 Non Significatif-23 0,08% -0,0268 Non Significatif-22 0,47% -0,1518 Non Significatif-21 -0,51% 0,1657 Non Significatif-20 -1,62% 0,5211 Non Significatif-19 0,00% 0,0009 Non Significatif-18 -0,20% 0,0641 Non Significatif-17 0,56% -0,1793 Non Significatif-16 -1,50% 0,4854 Non Significatif-15 0,41% -0,1309 Non Significatif-14 0,30% -0,0963 Non Significatif-13 -0,30% 0,0953 Non Significatif-12 -0,86% 0,2771 Non Significatif-11 -0,88% 0,2831 Non Significatif-10 -0,54% 0,1758 Non Significatif-9 -0,84% 0,2709 Non Significatif-8 -1,59% 0,5136 Non Significatif-7 0,18% -0,0587 Non Significatif-6 -0,12% 0,0396 Non Significatif
106.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [Fama-French]
t T-Stat Signif. 5%-5 -0,58% 0,1864 Non Significatif-4 1,59% -0,5119 Non Significatif-3 -0,40% 0,1284 Non Significatif-2 0,35% -0,1145 Non Significatif-1 -1,68% 0,5412 Non Significatif0 0,91% -0,2920 Non Significatif1 -1,87% 0,6026 Non Significatif2 -1,19% 0,3845 Non Significatif3 -8,96% 2,8915 Significatif4 -2,87% 0,9274 Non Significatif5 4,67% -1,5080 Non Significatif6 0,26% -0,0827 Non Significatif7 0,25% -0,0799 Non Significatif8 1,15% -0,3697 Non Significatif9 1,37% -0,4407 Non Significatif
10 1,09% -0,3517 Non Significatif11 2,35% -0,7571 Non Significatif12 -3,50% 1,1299 Non Significatif13 -0,26% 0,0838 Non Significatif14 -0,22% 0,0725 Non Significatif
107.
Période post-évènement (du 06/10/2008 au 30/01/2009) [Fama-French]
t T-Stat Signif. 5%15 0,38% -0,1216 Non Significatif16 0,02% -0,0079 Non Significatif17 2,43% -0,7826 Non Significatif18 5,72% -1,8465 Non Significatif19 0,43% -0,1372 Non Significatif20 5,27% -1,6987 Non Significatif21 0,99% -0,3206 Non Significatif22 0,51% -0,1647 Non Significatif23 0,24% -0,0759 Non Significatif24 -2,65% 0,8538 Non Significatif25 -2,63% 0,8476 Non Significatif26 1,63% -0,5268 Non Significatif27 1,11% -0,3576 Non Significatif28 -0,75% 0,2421 Non Significatif29 2,16% -0,6980 Non Significatif30 -2,33% 0,7507 Non Significatif31 -2,44% 0,7882 Non Significatif32 -0,81% 0,2615 Non Significatif33 -1,40% 0,4516 Non Significatif34 0,20% -0,0659 Non Significatif35 0,22% -0,0714 Non Significatif36 -1,94% 0,6253 Non Significatif37 0,09% -0,0294 Non Significatif38 0,72% -0,2315 Non Significatif39 -0,67% 0,2175 Non Significatif40 1,31% -0,4240 Non Significatif41 1,30% -0,4192 Non Significatif42 1,47% -0,4748 Non Significatif43 -2,88% 0,9294 Non Significatif44 -0,19% 0,0624 Non Significatif45 -1,81% 0,5827 Non Significatif46 -0,94% 0,3030 Non Significatif47 0,69% -0,2239 Non Significatif48 3,66% -1,1822 Non Significatif49 -3,37% 1,0873 Non Significatif50 5,21% -1,6816 Non Significatif51 -3,99% 1,2873 Non Significatif52 0,92% -0,2952 Non Significatif53 0,03% -0,0103 Non Significatif54 -1,43% 0,4628 Non Significatif55 -3,55% 1,1448 Non Significatif56 2,02% -0,6516 Non Significatif57 0,91% -0,2950 Non Significatif58 0,56% -0,1801 Non Significatif59 0,74% -0,2374 Non Significatif
t T-Stat Signif. 5%60 0,49% -0,1589 Non Significatif61 -1,74% 0,5619 Non Significatif62 -0,33% 0,1072 Non Significatif63 -0,52% 0,1683 Non Significatif64 -0,01% 0,0023 Non Significatif65 0,50% -0,1613 Non Significatif66 1,21% -0,3897 Non Significatif67 1,70% -0,5499 Non Significatif68 -0,34% 0,1104 Non Significatif69 -0,61% 0,1984 Non Significatif70 -0,02% 0,0058 Non Significatif71 1,00% -0,3210 Non Significatif72 -1,12% 0,3603 Non Significatif73 -0,55% 0,1772 Non Significatif74 -1,10% 0,3563 Non Significatif75 -0,39% 0,1244 Non Significatif76 -1,44% 0,4650 Non Significatif77 -0,08% 0,0257 Non Significatif78 -0,85% 0,2735 Non Significatif79 1,08% -0,3476 Non Significatif80 -1,41% 0,4539 Non Significatif81 1,69% -0,5464 Non Significatif82 0,06% -0,0204 Non Significatif83 0,95% -0,3079 Non Significatif84 -0,34% 0,1097 Non Significatif85 -2,11% 0,6812 Non Significatif86 -4,02% 1,2976 Non Significatif87 -14,10% 4,5487 Significatif88 8,68% -2,8000 Significatif89 1,10% -0,3557 Non Significatif90 2,18% -0,7023 Non Significatif91 -1,14% 0,3680 Non Significatif92 2,20% -0,7108 Non Significatif93 7,29% -2,3525 Non Significatif94 0,71% -0,2291 Non Significatif95 2,23% -0,7199 Non Significatif
108.
Annexe 13 Tableaux des rentabilités anormales moyennes cumulées avec le modèle de Fama-French
Période pré-évènement (du 02/06/2008 au 05/09/2008) [Fama-French]
t T-Stat Signif. 5%-73 -1,74% 2,28% -0,7638 Non Significatif-72 -1,45% 3,23% -0,4501 Non Significatif-71 -0,10% 3,95% -0,0259 Non Significatif-70 -0,89% 4,56% -0,1951 Non Significatif-69 -2,82% 5,10% -0,5532 Non Significatif-68 -5,45% 5,59% -0,9748 Non Significatif-67 -2,52% 6,03% -0,4182 Non Significatif-66 -3,54% 6,45% -0,5486 Non Significatif-65 -1,05% 6,84% -0,1531 Non Significatif-64 0,76% 7,21% 0,1052 Non Significatif-63 2,07% 7,57% 0,2735 Non Significatif-62 -0,13% 7,90% -0,0162 Non Significatif-61 -0,71% 8,22% -0,0866 Non Significatif-60 1,44% 8,53% 0,1690 Non Significatif-59 1,10% 8,83% 0,1250 Non Significatif-58 -1,69% 9,12% -0,1857 Non Significatif-57 1,03% 9,40% 0,1091 Non Significatif-56 1,77% 9,68% 0,1832 Non Significatif-55 0,58% 9,94% 0,0581 Non Significatif-54 0,28% 10,20% 0,0270 Non Significatif-53 -3,40% 10,45% -0,3254 Non Significatif-52 -3,04% 10,70% -0,2843 Non Significatif-51 -1,57% 10,94% -0,1435 Non Significatif-50 -0,88% 11,17% -0,0789 Non Significatif-49 -0,61% 11,40% -0,0531 Non Significatif-48 -1,98% 11,63% -0,1706 Non Significatif-47 -1,84% 11,85% -0,1550 Non Significatif-46 -0,59% 12,07% -0,0489 Non Significatif-45 0,89% 12,28% 0,0727 Non Significatif-44 1,35% 12,49% 0,1078 Non Significatif-43 3,57% 12,70% 0,2810 Non Significatif-42 6,38% 12,90% 0,4948 Non Significatif-41 3,02% 13,10% 0,2308 Non Significatif-40 1,75% 13,30% 0,1319 Non Significatif
t T-Stat Signif. 5%-39 0,62% 13,49% 0,0460 Non Significatif-38 0,67% 13,69% 0,0493 Non Significatif-37 -2,12% 13,87% -0,1525 Non Significatif-36 1,84% 14,06% 0,1307 Non Significatif-35 3,14% 14,24% 0,2203 Non Significatif-34 3,00% 14,43% 0,2079 Non Significatif-33 1,12% 14,61% 0,0765 Non Significatif-32 0,48% 14,78% 0,0324 Non Significatif-31 0,32% 14,96% 0,0215 Non Significatif-30 0,55% 15,13% 0,0366 Non Significatif-29 0,60% 15,30% 0,0391 Non Significatif-28 -1,31% 15,47% -0,0848 Non Significatif-27 -0,28% 15,64% -0,0180 Non Significatif-26 1,23% 15,80% 0,0776 Non Significatif-25 -0,60% 15,97% -0,0375 Non Significatif-24 -1,06% 16,13% -0,0659 Non Significatif-23 -0,98% 16,29% -0,0601 Non Significatif-22 -0,51% 16,45% -0,0309 Non Significatif-21 -1,02% 16,61% -0,0616 Non Significatif-20 -2,64% 16,76% -0,1574 Non Significatif-19 -2,64% 16,92% -0,1561 Non Significatif-18 -2,84% 17,07% -0,1664 Non Significatif-17 -2,28% 17,22% -0,1326 Non Significatif-16 -3,79% 17,37% -0,2181 Non Significatif-15 -3,38% 17,52% -0,1931 Non Significatif-14 -3,08% 17,67% -0,1745 Non Significatif-13 -3,38% 17,82% -0,1897 Non Significatif-12 -4,24% 17,96% -0,2360 Non Significatif-11 -5,12% 18,10% -0,2826 Non Significatif-10 -5,66% 18,25% -0,3102 Non Significatif-9 -6,50% 18,39% -0,3535 Non Significatif-8 -8,09% 18,53% -0,4367 Non Significatif-7 -7,91% 18,67% -0,4237 Non Significatif-6 -8,03% 18,81% -0,4271 Non Significatif
109.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [Fama-French]
t T-Stat Signif. 5%-5 -8,61% 18,95% -0,4545 Non Significatif-4 -7,02% 19,08% -0,3681 Non Significatif-3 -7,42% 19,22% -0,3862 Non Significatif-2 -7,07% 19,35% -0,3652 Non Significatif-1 -8,75% 19,49% -0,4487 Non Significatif0 -7,84% 19,62% -0,3996 Non Significatif1 -9,71% 19,75% -0,4915 Non Significatif2 -10,90% 19,89% -0,5481 Non Significatif3 -19,86% 20,02% -0,9924 Non Significatif4 -22,74% 20,15% -1,1287 Non Significatif5 -18,06% 20,27% -0,8910 Non Significatif6 -17,81% 20,40% -0,8728 Non Significatif7 -17,56% 20,53% -0,8553 Non Significatif8 -16,41% 20,66% -0,7946 Non Significatif9 -15,05% 20,78% -0,7241 Non Significatif
10 -13,96% 20,91% -0,6676 Non Significatif11 -11,61% 21,03% -0,5521 Non Significatif12 -15,11% 21,15% -0,7144 Non Significatif13 -15,37% 21,28% -0,7225 Non Significatif14 -15,60% 21,40% -0,7289 Non Significatif
110.
Période post-évènement (du 06/10/2008 au 30/01/2009) [Fama-French]
t T-Stat Signif. 5%15 -15,22% 21,52% -0,7073 Non Significatif16 -15,20% 21,64% -0,7022 Non Significatif17 -12,77% 21,76% -0,5869 Non Significatif18 -7,05% 21,88% -0,3220 Non Significatif19 -6,62% 22,00% -0,3010 Non Significatif20 -1,35% 22,12% -0,0612 Non Significatif21 -0,36% 22,23% -0,0162 Non Significatif22 0,15% 22,35% 0,0067 Non Significatif23 0,39% 22,47% 0,0172 Non Significatif24 -2,26% 22,58% -0,1001 Non Significatif25 -4,89% 22,70% -0,2154 Non Significatif26 -3,26% 22,81% -0,1427 Non Significatif27 -2,15% 22,92% -0,0937 Non Significatif28 -2,90% 23,04% -0,1258 Non Significatif29 -0,73% 23,15% -0,0317 Non Significatif30 -3,06% 23,26% -0,1316 Non Significatif31 -5,50% 23,37% -0,2355 Non Significatif32 -6,32% 23,48% -0,2689 Non Significatif33 -7,72% 23,59% -0,3270 Non Significatif34 -7,51% 23,70% -0,3168 Non Significatif35 -7,29% 23,81% -0,3061 Non Significatif36 -9,23% 23,92% -0,3857 Non Significatif37 -9,14% 24,03% -0,3802 Non Significatif38 -8,42% 24,14% -0,3488 Non Significatif39 -9,09% 24,25% -0,3750 Non Significatif40 -7,78% 24,35% -0,3194 Non Significatif41 -6,48% 24,46% -0,2649 Non Significatif42 -5,01% 24,57% -0,2038 Non Significatif43 -7,89% 24,67% -0,3198 Non Significatif44 -8,08% 24,78% -0,3262 Non Significatif45 -9,89% 24,88% -0,3974 Non Significatif46 -10,83% 24,99% -0,4334 Non Significatif47 -10,13% 25,09% -0,4039 Non Significatif48 -6,47% 25,19% -0,2568 Non Significatif49 -9,84% 25,30% -0,3890 Non Significatif50 -4,63% 25,40% -0,1822 Non Significatif51 -8,62% 25,50% -0,3379 Non Significatif52 -7,70% 25,60% -0,3008 Non Significatif53 -7,67% 25,71% -0,2984 Non Significatif54 -9,11% 25,81% -0,3528 Non Significatif55 -12,65% 25,91% -0,4885 Non Significatif56 -10,63% 26,01% -0,4089 Non Significatif57 -9,72% 26,11% -0,3723 Non Significatif58 -9,16% 26,21% -0,3496 Non Significatif59 -8,43% 26,31% -0,3203 Non Significatif
t T-Stat Signif. 5%60 -7,93% 26,40% -0,3004 Non Significatif61 -9,67% 26,50% -0,3650 Non Significatif62 -10,01% 26,60% -0,3762 Non Significatif63 -10,53% 26,70% -0,3944 Non Significatif64 -10,54% 26,80% -0,3932 Non Significatif65 -10,04% 26,89% -0,3732 Non Significatif66 -8,83% 26,99% -0,3271 Non Significatif67 -7,12% 27,09% -0,2630 Non Significatif68 -7,46% 27,18% -0,2746 Non Significatif69 -8,08% 27,28% -0,2962 Non Significatif70 -8,10% 27,37% -0,2958 Non Significatif71 -7,10% 27,47% -0,2586 Non Significatif72 -8,22% 27,56% -0,2982 Non Significatif73 -8,77% 27,66% -0,3171 Non Significatif74 -9,87% 27,75% -0,3558 Non Significatif75 -10,26% 27,84% -0,3685 Non Significatif76 -11,70% 27,94% -0,4188 Non Significatif77 -11,78% 28,03% -0,4203 Non Significatif78 -12,63% 28,12% -0,4490 Non Significatif79 -11,55% 28,21% -0,4094 Non Significatif80 -12,96% 28,31% -0,4577 Non Significatif81 -11,26% 28,40% -0,3966 Non Significatif82 -11,20% 28,49% -0,3931 Non Significatif83 -10,25% 28,58% -0,3585 Non Significatif84 -10,59% 28,67% -0,3692 Non Significatif85 -12,70% 28,76% -0,4415 Non Significatif86 -16,72% 28,85% -0,5795 Non Significatif87 -30,82% 28,94% -1,0649 Non Significatif88 -22,14% 29,03% -0,7626 Non Significatif89 -21,04% 29,12% -0,7224 Non Significatif90 -18,86% 29,21% -0,6457 Non Significatif91 -20,00% 29,30% -0,6827 Non Significatif92 -17,80% 29,39% -0,6056 Non Significatif93 -10,51% 29,48% -0,3564 Non Significatif94 -9,80% 29,57% -0,3313 Non Significatif95 -7,56% 29,65% -0,2551 Non Significatif
111.
Annexe 14 Résultats des rentabilités anormales sous forme de séries temporelles avec le modèle de Fama-French
BAC BK C GS JPM MET MS STT USB WFC0,07% -0,08% 0,02% -0,12% 0,12% -0,11% -0,29% -0,17% 0,09% 0,03%3,69% 3,61% 4,99% 3,43% 3,12% 5,10% 5,65% 7,56% 2,80% 3,62%
T-Stat 0,0195 -0,0218 0,0037 -0,0338 0,0371 -0,0212 -0,0516 -0,0230 0,0304 0,0079
Signif. 5%Non
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif
BAC BK C GS JPM MET MS STT USB WFC12,16% -13,31% 3,15% -19,59% 19,60% -18,27% -49,29% -29,34% 14,41% 4,84%47,98% 46,96% 64,87% 44,57% 40,62% 66,28% 73,41% 98,25% 36,40% 47,00%
T-Stat 0,2535 -0,2833 0,0485 -0,4394 0,4825 -0,2756 -0,6714 -0,2986 0,3957 0,1029
Signif. 5%Non
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif
112.
Annexe 15 Les facteurs de régression du modèle de Carhart
BAC BK C GS JPM MET MS STT USB WFC-0,0054 0,0026 -0,0063 -0,0001 -0,0003 0,0007 0,0053 -0,0004 -0,0026 0,0014
P-Valeur 0,0769 0,3939 0,1203 0,9736 0,9005 0,8689 0,2636 0,9493 0,2632 0,6388Significativité 5% Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
Significativité 10% Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
RM-RF 1,0164 1,5203 0,9519 0,9506 1,0155 1,2039 2,1098 1,2690 0,7094 0,8932P-Valeur 1,22E-11 2,00E-21 6,57E-07 5,65E-12 1,21E-14 2,91E-09 5,84E-18 1,71E-05 4,02E-10 1,01E-09
Significativité 5% Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif
SMB -0,6365 -0,2675 -0,6977 -0,6768 0,4978 -0,1216 -1,2217 -0,1876 0,1855 -0,2079P-Valeur 0,0298 0,3488 0,0718 0,0121 0,0468 0,7616 0,0072 0,7550 0,4052 0,4704
Significativité 5% Significatif Non Significatif Non Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non SignificatifSignificativité 10% Significatif Non Significatif Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Non Significatif Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif
HML 3,8087 1,7540 3,3608 0,9828 2,7428 0,8737 1,4275 2,1031 2,0243 3,2364p-val 6,40E-18 7,71E-06 8,16E-10 6,15E-03 6,13E-14 1,02E-01 1,77E-02 9,20E-03 1,86E-10 2,40E-14
Significativité 5% Significatif Significatif Significatif Significatif Significatif Non Significatif Significatif Significatif Significatif Significatif
MOM -0,4359 0,3772 -0,9632 -0,5830 0,0145 -0,6472 -0,2607 -0,2852 -0,1262 -0,0122P-Valeur 0,0738 0,1144 0,0032 0,0096 0,9444 0,0544 0,4867 0,5698 0,4971 0,9596
Significativité 5% Non Significatif Non Significatif Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 10% Significatif Non Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif
113.
Annexe 16 Tableaux des rentabilités anormales moyennes avec le modèle de Carhart
Période pré-évènement (du 02/06/2008 au 05/09/2008) [Carhart]
AR = 2,25%
t T-Stat Signif. 5%-73 -1,46% -0,6494 Non Significatif-72 0,22% 0,0984 Non Significatif-71 1,18% 0,5235 Non Significatif-70 -0,44% -0,1974 Non Significatif-69 -1,59% -0,7070 Non Significatif-68 -2,01% -0,8914 Non Significatif-67 2,66% 1,1836 Non Significatif-66 -0,56% -0,2470 Non Significatif-65 2,29% 1,0150 Non Significatif-64 1,79% 0,7955 Non Significatif-63 1,31% 0,5829 Non Significatif-62 -1,70% -0,7573 Non Significatif-61 -0,14% -0,0608 Non Significatif-60 1,87% 0,8326 Non Significatif-59 0,00% 0,0016 Non Significatif-58 -1,87% -0,8292 Non Significatif-57 2,27% 1,0065 Non Significatif-56 0,47% 0,2098 Non Significatif-55 -0,76% -0,3396 Non Significatif-54 -0,12% -0,0536 Non Significatif-53 -2,93% -1,3009 Non Significatif-52 0,53% 0,2356 Non Significatif-51 1,21% 0,5385 Non Significatif-50 0,70% 0,3114 Non Significatif-49 0,24% 0,1044 Non Significatif-48 -1,44% -0,6390 Non Significatif-47 0,39% 0,1727 Non Significatif-46 1,99% 0,8838 Non Significatif-45 1,70% 0,7573 Non Significatif-44 0,55% 0,2428 Non Significatif-43 1,92% 0,8507 Non Significatif-42 2,45% 1,0875 Non Significatif-41 -3,95% -1,7549 Non Significatif-40 -1,12% -0,4979 Non Significatif
t T-Stat Signif. 5%-39 -0,94% -0,4164 Non Significatif-38 -0,24% -0,1060 Non Significatif-37 -3,47% -1,5412 Non Significatif-36 4,08% 1,8145 Non Significatif-35 1,51% 0,6712 Non Significatif-34 0,14% 0,0616 Non Significatif-33 -1,98% -0,8807 Non Significatif-32 -0,11% -0,0492 Non Significatif-31 -0,38% -0,1698 Non Significatif-30 0,12% 0,0523 Non Significatif-29 -0,38% -0,1706 Non Significatif-28 -2,24% -0,9968 Non Significatif-27 1,09% 0,4820 Non Significatif-26 1,57% 0,6968 Non Significatif-25 -2,04% -0,9076 Non Significatif-24 -0,55% -0,2463 Non Significatif-23 0,12% 0,0511 Non Significatif-22 0,94% 0,4188 Non Significatif-21 -0,72% -0,3213 Non Significatif-20 -1,83% -0,8144 Non Significatif-19 0,23% 0,1019 Non Significatif-18 0,26% 0,1141 Non Significatif-17 0,86% 0,3834 Non Significatif-16 -1,35% -0,5994 Non Significatif-15 0,24% 0,1057 Non Significatif-14 0,31% 0,1389 Non Significatif-13 -0,12% -0,0527 Non Significatif-12 -0,74% -0,3307 Non Significatif-11 -0,86% -0,3807 Non Significatif-10 -0,55% -0,2431 Non Significatif-9 -1,07% -0,4736 Non Significatif-8 -1,58% -0,7012 Non Significatif-7 0,20% 0,0905 Non Significatif-6 0,04% 0,0183 Non Significatif
114.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [Carhart]
t T-Stat Signif. 5%-5 -0,48% -0,2130 Non Significatif-4 1,28% 0,5680 Non Significatif-3 0,21% 0,0953 Non Significatif-2 0,74% 0,3305 Non Significatif-1 -1,31% -0,5822 Non Significatif0 0,76% 0,3357 Non Significatif1 -1,18% -0,5240 Non Significatif2 -1,60% -0,7112 Non Significatif3 -8,52% -3,7856 Significatif4 -2,55% -1,1314 Non Significatif5 4,24% 1,8841 Non Significatif6 0,27% 0,1196 Non Significatif7 0,28% 0,1240 Non Significatif8 1,36% 0,6022 Non Significatif9 1,37% 0,6072 Non Significatif
10 0,50% 0,2201 Non Significatif11 2,60% 1,1548 Non Significatif12 -3,24% -1,4382 Non Significatif13 -0,27% -0,1194 Non Significatif14 -0,20% -0,0878 Non Significatif
115.
Période post-évènement (du 06/10/2008 au 30/01/2009) [Carhart]
t T-Stat Signif. 5%15 0,41% 0,1833 Non Significatif16 -0,46% -0,2051 Non Significatif17 2,18% 0,9700 Non Significatif18 4,87% 2,1617 Non Significatif19 1,02% 0,4541 Non Significatif20 5,30% 2,3560 Non Significatif21 1,39% 0,6186 Non Significatif22 0,35% 0,1569 Non Significatif23 0,74% 0,3283 Non Significatif24 -2,98% -1,3240 Non Significatif25 -2,14% -0,9492 Non Significatif26 1,67% 0,7431 Non Significatif27 1,01% 0,4470 Non Significatif28 -0,50% -0,2204 Non Significatif29 1,99% 0,8848 Non Significatif30 -2,46% -1,0924 Non Significatif31 -2,15% -0,9570 Non Significatif32 -1,16% -0,5158 Non Significatif33 -1,29% -0,5747 Non Significatif34 0,86% 0,3820 Non Significatif35 0,24% 0,1057 Non Significatif36 -2,30% -1,0219 Non Significatif37 -0,05% -0,0241 Non Significatif38 1,18% 0,5225 Non Significatif39 -0,70% -0,3124 Non Significatif40 1,22% 0,5405 Non Significatif41 1,94% 0,8612 Non Significatif42 1,70% 0,7531 Non Significatif43 -2,76% -1,2263 Non Significatif44 -0,40% -0,1787 Non Significatif45 -1,45% -0,6456 Non Significatif46 -0,61% -0,2722 Non Significatif47 0,50% 0,2220 Non Significatif48 3,67% 1,6324 Non Significatif49 -3,49% -1,5517 Non Significatif50 4,79% 2,1298 Non Significatif51 -3,73% -1,6559 Non Significatif52 -0,07% -0,0302 Non Significatif53 -0,16% -0,0729 Non Significatif54 -1,84% -0,8176 Non Significatif55 -3,05% -1,3561 Non Significatif56 2,44% 1,0852 Non Significatif57 1,12% 0,4982 Non Significatif58 0,70% 0,3097 Non Significatif59 -0,16% -0,0719 Non Significatif
t T-Stat Signif. 5%60 -0,20% -0,0871 Non Significatif61 -2,06% -0,9148 Non Significatif62 -0,78% -0,3458 Non Significatif63 -0,36% -0,1617 Non Significatif64 -0,03% -0,0131 Non Significatif65 0,68% 0,3017 Non Significatif66 0,74% 0,3289 Non Significatif67 1,90% 0,8448 Non Significatif68 -0,64% -0,2831 Non Significatif69 -0,01% -0,0053 Non Significatif70 0,11% 0,0489 Non Significatif71 1,08% 0,4786 Non Significatif72 -1,21% -0,5357 Non Significatif73 -0,20% -0,0907 Non Significatif74 -1,01% -0,4497 Non Significatif75 -0,47% -0,2094 Non Significatif76 -2,48% -1,1020 Non Significatif77 -1,08% -0,4777 Non Significatif78 -1,90% -0,8433 Non Significatif79 1,10% 0,4871 Non Significatif80 -1,63% -0,7219 Non Significatif81 1,38% 0,6127 Non Significatif82 0,56% 0,2468 Non Significatif83 1,20% 0,5337 Non Significatif84 -0,13% -0,0578 Non Significatif85 -2,10% -0,9339 Non Significatif86 -4,12% -1,8315 Non Significatif87 -14,22% -6,3173 Significatif88 8,41% 3,7339 Significatif89 1,24% 0,5498 Non Significatif90 1,70% 0,7571 Non Significatif91 -1,14% -0,5047 Non Significatif92 1,97% 0,8764 Non Significatif93 7,02% 3,1199 Significatif94 0,79% 0,3509 Non Significatif95 2,33% 1,0370 Non Significatif
116.
Annexe 17 Tableaux des rentabilités anormales moyennes cumulées avec le modèle de Carhart
Période pré-évènement (du 02/06/2008 au 05/09/2008) [Carhart]
t T-Stat Signif. 5%-73 -1,46% 2,25% -0,6494 Non Significatif-72 -1,24% 3,18% -0,3896 Non Significatif-71 -0,06% 3,90% -0,0159 Non Significatif-70 -0,51% 4,50% -0,1125 Non Significatif-69 -2,10% 5,03% -0,4168 Non Significatif-68 -4,10% 5,51% -0,7444 Non Significatif-67 -1,44% 5,96% -0,2418 Non Significatif-66 -2,00% 6,37% -0,3135 Non Significatif-65 0,29% 6,75% 0,0428 Non Significatif-64 2,08% 7,12% 0,2921 Non Significatif-63 3,39% 7,47% 0,4543 Non Significatif-62 1,69% 7,80% 0,2164 Non Significatif-61 1,55% 8,12% 0,1910 Non Significatif-60 3,42% 8,42% 0,4066 Non Significatif-59 3,43% 8,72% 0,3932 Non Significatif-58 1,56% 9,00% 0,1734 Non Significatif-57 3,83% 9,28% 0,4124 Non Significatif-56 4,30% 9,55% 0,4502 Non Significatif-55 3,54% 9,81% 0,3603 Non Significatif-54 3,41% 10,07% 0,3392 Non Significatif-53 0,49% 10,32% 0,0471 Non Significatif-52 1,02% 10,56% 0,0963 Non Significatif-51 2,23% 10,80% 0,2064 Non Significatif-50 2,93% 11,03% 0,2656 Non Significatif-49 3,16% 11,26% 0,2811 Non Significatif-48 1,73% 11,48% 0,1504 Non Significatif-47 2,11% 11,70% 0,1808 Non Significatif-46 4,10% 11,91% 0,3446 Non Significatif-45 5,81% 12,12% 0,4792 Non Significatif-44 6,36% 12,33% 0,5155 Non Significatif-43 8,27% 12,53% 0,6599 Non Significatif-42 10,72% 12,73% 0,8417 Non Significatif-41 6,77% 12,93% 0,5234 Non Significatif-40 5,65% 13,13% 0,4303 Non Significatif
t T-Stat Signif. 5%-39 4,71% 13,32% 0,3537 Non Significatif-38 4,47% 13,51% 0,3311 Non Significatif-37 1,00% 13,69% 0,0732 Non Significatif-36 5,09% 13,88% 0,3666 Non Significatif-35 6,60% 14,06% 0,4693 Non Significatif-34 6,74% 14,24% 0,4732 Non Significatif-33 4,75% 14,42% 0,3298 Non Significatif-32 4,64% 14,59% 0,3183 Non Significatif-31 4,26% 14,76% 0,2887 Non Significatif-30 4,38% 14,93% 0,2932 Non Significatif-29 3,99% 15,10% 0,2645 Non Significatif-28 1,75% 15,27% 0,1147 Non Significatif-27 2,84% 15,43% 0,1838 Non Significatif-26 4,40% 15,60% 0,2824 Non Significatif-25 2,36% 15,76% 0,1499 Non Significatif-24 1,81% 15,92% 0,1135 Non Significatif-23 1,92% 16,08% 0,1196 Non Significatif-22 2,87% 16,23% 0,1765 Non Significatif-21 2,14% 16,39% 0,1307 Non Significatif-20 0,31% 16,54% 0,0186 Non Significatif-19 0,54% 16,70% 0,0322 Non Significatif-18 0,79% 16,85% 0,0472 Non Significatif-17 1,66% 17,00% 0,0975 Non Significatif-16 0,31% 17,14% 0,0180 Non Significatif-15 0,55% 17,29% 0,0316 Non Significatif-14 0,86% 17,44% 0,0493 Non Significatif-13 0,74% 17,58% 0,0421 Non Significatif-12 0,00% 17,73% -0,0002 Non Significatif-11 -0,86% 17,87% -0,0482 Non Significatif-10 -1,41% 18,01% -0,0782 Non Significatif-9 -2,47% 18,15% -0,1363 Non Significatif-8 -4,05% 18,29% -0,2216 Non Significatif-7 -3,85% 18,43% -0,2089 Non Significatif-6 -3,81% 18,56% -0,2051 Non Significatif
117.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [Carhart]
t T-Stat Signif. 5%-5 -4,29% 18,70% -0,2293 Non Significatif-4 -3,01% 18,84% -0,1598 Non Significatif-3 -2,79% 18,97% -0,1473 Non Significatif-2 -2,05% 19,10% -0,1073 Non Significatif-1 -3,36% 19,23% -0,1747 Non Significatif0 -2,61% 19,37% -0,1345 Non Significatif1 -3,78% 19,50% -0,1941 Non Significatif2 -5,39% 19,63% -0,2744 Non Significatif3 -13,91% 19,75% -0,7041 Non Significatif4 -16,46% 19,88% -0,8276 Non Significatif5 -12,21% 20,01% -0,6104 Non Significatif6 -11,94% 20,14% -0,5932 Non Significatif7 -11,67% 20,26% -0,5757 Non Significatif8 -10,31% 20,39% -0,5057 Non Significatif9 -8,94% 20,51% -0,4360 Non Significatif
10 -8,45% 20,63% -0,4094 Non Significatif11 -5,85% 20,76% -0,2817 Non Significatif12 -9,09% 20,88% -0,4352 Non Significatif13 -9,35% 21,00% -0,4455 Non Significatif14 -9,55% 21,12% -0,4523 Non Significatif
118.
Période post-évènement (du 06/10/2008 au 30/01/2009) [Carhart]
t T-Stat Signif. 5%15 -9,14% 21,24% -0,4303 Non Significatif16 -9,60% 21,36% -0,4495 Non Significatif17 -7,42% 21,48% -0,3454 Non Significatif18 -2,55% 21,59% -0,1181 Non Significatif19 -1,53% 21,71% -0,0704 Non Significatif20 3,78% 21,83% 0,1730 Non Significatif21 5,17% 21,94% 0,2355 Non Significatif22 5,52% 22,06% 0,2503 Non Significatif23 6,26% 22,17% 0,2824 Non Significatif24 3,28% 22,29% 0,1472 Non Significatif25 1,14% 22,40% 0,0510 Non Significatif26 2,82% 22,51% 0,1251 Non Significatif27 3,82% 22,62% 0,1689 Non Significatif28 3,33% 22,74% 0,1463 Non Significatif29 5,32% 22,85% 0,2328 Non Significatif30 2,86% 22,96% 0,1245 Non Significatif31 0,70% 23,07% 0,0305 Non Significatif32 -0,46% 23,18% -0,0197 Non Significatif33 -1,75% 23,29% -0,0752 Non Significatif34 -0,89% 23,40% -0,0381 Non Significatif35 -0,65% 23,50% -0,0278 Non Significatif36 -2,95% 23,61% -0,1251 Non Significatif37 -3,01% 23,72% -0,1268 Non Significatif38 -1,83% 23,82% -0,0769 Non Significatif39 -2,53% 23,93% -0,1059 Non Significatif40 -1,32% 24,04% -0,0548 Non Significatif41 0,62% 24,14% 0,0257 Non Significatif42 2,32% 24,25% 0,0955 Non Significatif43 -0,44% 24,35% -0,0182 Non Significatif44 -0,85% 24,45% -0,0346 Non Significatif45 -2,30% 24,56% -0,0936 Non Significatif46 -2,91% 24,66% -0,1181 Non Significatif47 -2,41% 24,76% -0,0974 Non Significatif48 1,26% 24,87% 0,0508 Non Significatif49 -2,23% 24,97% -0,0894 Non Significatif50 2,56% 25,07% 0,1023 Non Significatif51 -1,16% 25,17% -0,0463 Non Significatif52 -1,23% 25,27% -0,0488 Non Significatif53 -1,40% 25,37% -0,0550 Non Significatif54 -3,24% 25,47% -0,1271 Non Significatif55 -6,29% 25,57% -0,2460 Non Significatif56 -3,85% 25,67% -0,1499 Non Significatif57 -2,73% 25,77% -0,1058 Non Significatif58 -2,03% 25,86% -0,0784 Non Significatif59 -2,19% 25,96% -0,0844 Non Significatif
t T-Stat Signif. 5%60 -2,39% 26,06% -0,0916 Non Significatif61 -4,45% 26,16% -0,1700 Non Significatif62 -5,22% 26,25% -0,1990 Non Significatif63 -5,59% 26,35% -0,2121 Non Significatif64 -5,62% 26,45% -0,2124 Non Significatif65 -4,94% 26,54% -0,1861 Non Significatif66 -4,20% 26,64% -0,1576 Non Significatif67 -2,30% 26,73% -0,0859 Non Significatif68 -2,93% 26,83% -0,1094 Non Significatif69 -2,95% 26,92% -0,1094 Non Significatif70 -2,84% 27,01% -0,1050 Non Significatif71 -1,76% 27,11% -0,0649 Non Significatif72 -2,96% 27,20% -0,1090 Non Significatif73 -3,17% 27,29% -0,1161 Non Significatif74 -4,18% 27,39% -0,1527 Non Significatif75 -4,65% 27,48% -0,1693 Non Significatif76 -7,13% 27,57% -0,2587 Non Significatif77 -8,21% 27,66% -0,2967 Non Significatif78 -10,11% 27,76% -0,3641 Non Significatif79 -9,01% 27,85% -0,3236 Non Significatif80 -10,64% 27,94% -0,3807 Non Significatif81 -9,26% 28,03% -0,3302 Non Significatif82 -8,70% 28,12% -0,3094 Non Significatif83 -7,50% 28,21% -0,2658 Non Significatif84 -7,63% 28,30% -0,2696 Non Significatif85 -9,73% 28,39% -0,3428 Non Significatif86 -13,85% 28,48% -0,4865 Non Significatif87 -28,08% 28,57% -0,9829 Non Significatif88 -19,67% 28,65% -0,6865 Non Significatif89 -18,43% 28,74% -0,6413 Non Significatif90 -16,73% 28,83% -0,5802 Non Significatif91 -17,86% 28,92% -0,6178 Non Significatif92 -15,89% 29,01% -0,5479 Non Significatif93 -8,87% 29,09% -0,3048 Non Significatif94 -8,08% 29,18% -0,2768 Non Significatif95 -5,74% 29,27% -0,1963 Non Significatif
119.
Annexe 18 Résultats des rentabilités anormales sous forme de séries temporelles avec le modèle de Carhart
BAC BK C GS JPM MET MS STT USB WFC0,09% -0,09% 0,05% -0,09% 0,12% -0,08% -0,28% -0,16% 0,09% 0,03%3,65% 3,58% 4,84% 3,35% 3,12% 5,03% 5,64% 7,55% 2,80% 3,62%
T-Stat 0,0241 -0,0259 0,0112 -0,0282 0,0369 -0,0167 -0,0500 -0,0216 0,0322 0,0080
Signif. 5%Non
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif
BAC BK C GS JPM MET MS STT USB WFC14,88% -15,66% 9,15% -15,95% 19,51% -14,24% -47,66% -27,57% 15,19% 4,91%47,45% 46,56% 62,93% 43,54% 40,62% 65,43% 73,29% 98,14% 36,34% 47,00%
T-Stat 0,3136 -0,3363 0,1454 -0,3664 0,4803 -0,2176 -0,6504 -0,2809 0,4180 0,1045
Signif. 5%Non
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif
120.
Annexe 19 Les facteurs de régression du modèle à 6 facteurs
BAC BK C GS JPM MET MS STT USB WFC-0,0070 0,0027 -0,0091 -0,0022 -0,0007 -0,0004 0,0028 -0,0007 -0,0024 0,0010
P-Valeur 0,0208 0,3764 0,0192 0,4141 0,7765 0,9233 0,5445 0,9123 0,2998 0,7359Significativité 5% Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
Significativité 10% Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif
RM-RF 0,8106 1,7169 0,5632 0,5414 1,1130 1,1084 1,7734 1,3306 0,9427 1,0451P-Valeur 1,46E-05 6,61E-17 1,65E-02 9,48E-04 4,61E-11 2,71E-05 2,53E-09 7,75E-04 2,45E-10 3,57E-08
Significativité 5% Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif Significatif
SMB -0,6116 -0,4165 -0,6358 -0,5345 0,3830 -0,1435 -1,1727 -0,2645 0,0192 -0,3670P-Valeur 0,03601 0,15148 0,08916 0,03909 0,12736 0,72628 0,00949 0,67027 0,93102 0,20297
Significativité 5% Significatif Non Significatif Non Significatif Significatif Non Significatif Non Significatif Significatif Non Significatif Non Significatif Non SignificatifSignificativité 10% Significatif Non Significatif Significatif Significatif Non Significatif Non Significatif Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Significatif Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif
HML 3,7387 1,2207 3,2999 1,2886 2,2823 0,6810 1,3533 1,7913 1,4422 2,6142p-val 1,54E-14 5,82E-03 2,74E-08 1,12E-03 1,19E-08 2,72E-01 4,63E-02 5,75E-02 2,94E-05 1,30E-08
Significativité 5% Significatif Significatif Significatif Significatif Significatif Non Significatif Significatif Non Significatif Significatif Significatif
MOM -0,3605 0,5238 -0,8469 -0,5953 0,1586 -0,5539 -0,1522 -0,1865 0,0294 0,1777P-Valeur 0,1387 0,0321 0,0073 0,0064 0,4498 0,1083 0,6845 0,7201 0,8744 0,4611
Significativité 5% Non Significatif Significatif Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 10% Non Significatif Significatif Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non Significatif Non SignificatifSignificativité 20% Significatif Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Non Significatif
ST_REV 0,5607 0,1961 0,9720 0,5724 0,3363 0,4556 0,8675 0,2380 0,1710 0,4078P-Valeur 0,0011 0,2458 0,0000 0,0002 0,0222 0,0579 0,0011 0,5110 0,1869 0,0159
Significativité 5% Significatif Non Significatif Significatif Significatif Significatif Non Significatif Significatif Non Significatif Non Significatif SignificatifSignificativité 10% Significatif Non Significatif Significatif Significatif Significatif Significatif Significatif Non Significatif Non Significatif SignificatifSignificativité 20% Significatif Non Significatif Significatif Significatif Significatif Significatif Significatif Non Significatif Significatif Significatif
LT_REV 0,1151 0,9563 0,0909 -0,5615 0,8225 0,3382 0,1169 0,5567 1,0447 1,1123P-Valeur 0,7770 0,0198 0,8619 0,1214 0,0204 0,5569 0,8522 0,5235 0,0010 0,0065
Significativité 5% Non Significatif Significatif Non Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Significatif SignificatifSignificativité 10% Non Significatif Significatif Non Significatif Non Significatif Significatif Non Significatif Non Significatif Non Significatif Significatif SignificatifSignificativité 20% Non Significatif Significatif Non Significatif Significatif Significatif Non Significatif Non Significatif Non Significatif Significatif Significatif
121.
Annexe 20 Tableaux des rentabilités anormales moyennes avec le modèle à 6 facteurs
Période pré-évènement (du 02/06/2008 au 05/09/2008) [6 facteurs]
= 4,23%
t T-Stat Signif. 5%-73 -2,17% 1,0869 Non Significatif-72 0,29% -0,1459 Non Significatif-71 1,02% -0,5116 Non Significatif-70 -0,30% 0,1503 Non Significatif-69 -3,95% 1,9747 Non Significatif-68 -4,35% 2,1738 Non Significatif-67 3,00% -1,5011 Non Significatif-66 -3,08% 1,5393 Non Significatif-65 3,00% -1,4977 Non Significatif-64 2,67% -1,3342 Non Significatif-63 1,77% -0,8869 Non Significatif-62 -3,47% 1,7326 Non Significatif-61 -1,48% 0,7406 Non Significatif-60 2,35% -1,1750 Non Significatif-59 -1,82% 0,9119 Non Significatif-58 -5,28% 2,6410 Non Significatif-57 3,66% -1,8283 Non Significatif-56 1,44% -0,7182 Non Significatif-55 -3,37% 1,6841 Non Significatif-54 -1,22% 0,6119 Non Significatif-53 -5,04% 2,5216 Non Significatif-52 -0,02% 0,0102 Non Significatif-51 0,36% -0,1786 Non Significatif-50 0,25% -0,1262 Non Significatif-49 -1,38% 0,6909 Non Significatif-48 2,75% -1,3749 Non Significatif-47 -3,08% 1,5375 Non Significatif-46 -1,96% 0,9776 Non Significatif-45 -0,60% 0,3012 Non Significatif-44 -3,07% 1,5366 Non Significatif-43 0,76% -0,3821 Non Significatif-42 11,18% -5,5904 Significatif-41 3,71% -1,8540 Non Significatif-40 0,13% -0,0629 Non Significatif
t T-Stat Signif. 5%-39 -0,96% 0,4825 Non Significatif-38 5,44% -2,7199 Significatif-37 0,85% -0,4246 Non Significatif-36 -1,00% 0,4983 Non Significatif-35 0,27% -0,1335 Non Significatif-34 -2,87% 1,4345 Non Significatif-33 2,97% -1,4860 Non Significatif-32 -0,54% 0,2721 Non Significatif-31 0,26% -0,1298 Non Significatif-30 1,22% -0,6104 Non Significatif-29 0,15% -0,0731 Non Significatif-28 1,96% -0,9812 Non Significatif-27 0,58% -0,2892 Non Significatif-26 -0,93% 0,4639 Non Significatif-25 1,38% -0,6918 Non Significatif-24 1,60% -0,8015 Non Significatif-23 -2,46% 1,2283 Non Significatif-22 -1,53% 0,7632 Non Significatif-21 1,65% -0,8255 Non Significatif-20 0,24% -0,1188 Non Significatif-19 -1,87% 0,9365 Non Significatif-18 -2,68% 1,3417 Non Significatif-17 0,95% -0,4746 Non Significatif-16 -1,79% 0,8943 Non Significatif-15 2,48% -1,2399 Non Significatif-14 -1,08% 0,5398 Non Significatif-13 0,13% -0,0641 Non Significatif-12 0,31% -0,1569 Non Significatif-11 2,02% -1,0111 Non Significatif-10 0,36% -0,1785 Non Significatif-9 1,07% -0,5342 Non Significatif-8 0,48% -0,2388 Non Significatif-7 -1,72% 0,8603 Non Significatif-6 1,23% -0,6131 Non Significatif
122.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [6 facteurs]
t T-Stat Signif. 5%-5 1,74% -0,8701 Non Significatif-4 -1,26% 0,6303 Non Significatif-3 -1,52% 0,7601 Non Significatif-2 0,08% -0,0409 Non Significatif-1 -1,73% 0,8635 Non Significatif0 -4,42% 2,2122 Non Significatif1 -0,02% 0,0084 Non Significatif2 -4,80% 2,4025 Non Significatif3 -1,74% 0,8714 Non Significatif4 4,78% -2,3894 Non Significatif5 1,16% -0,5824 Non Significatif6 -0,55% 0,2737 Non Significatif7 -1,30% 0,6479 Non Significatif8 2,31% -1,1575 Non Significatif9 1,08% -0,5397 Non Significatif
10 -6,25% 3,1267 Significatif11 7,64% -3,8176 Significatif12 -1,82% 0,9110 Non Significatif13 -3,90% 1,9487 Non Significatif14 -2,85% 1,4256 Non Significatif
123.
Période post-évènement (du 06/10/2008 au 30/01/2009) [6 facteurs]
t T-Stat Signif. 5%15 -1,72% 0,8589 Non Significatif16 -5,88% 2,9391 Significatif17 0,40% -0,2003 Non Significatif18 0,67% -0,3373 Non Significatif19 1,47% -0,7359 Non Significatif20 12,08% -6,0415 Significatif21 4,38% -2,1881 Non Significatif22 -5,11% 2,5572 Non Significatif23 -0,41% 0,2034 Non Significatif24 -1,52% 0,7581 Non Significatif25 -0,74% 0,3688 Non Significatif26 0,70% -0,3522 Non Significatif27 -2,78% 1,3875 Non Significatif28 -2,81% 1,4031 Non Significatif29 0,06% -0,0306 Non Significatif30 -4,68% 2,3383 Non Significatif31 0,85% -0,4246 Non Significatif32 2,43% -1,2137 Non Significatif33 1,26% -0,6294 Non Significatif34 2,56% -1,2785 Non Significatif35 0,98% -0,4892 Non Significatif36 2,26% -1,1288 Non Significatif37 -3,04% 1,5212 Non Significatif38 -4,17% 2,0839 Non Significatif39 -0,09% 0,0473 Non Significatif40 -1,51% 0,7560 Non Significatif41 -2,54% 1,2684 Non Significatif42 -4,52% 2,2623 Non Significatif43 0,97% -0,4855 Non Significatif44 -1,81% 0,9057 Non Significatif45 -5,64% 2,8211 Significatif46 -2,77% 1,3849 Non Significatif47 -6,36% 3,1811 Significatif48 -4,75% 2,3725 Non Significatif49 -1,09% 0,5427 Non Significatif50 17,34% -8,6714 Significatif51 -0,03% 0,0164 Non Significatif52 8,11% -4,0534 Significatif53 3,24% -1,6221 Non Significatif54 -9,34% 4,6699 Significatif55 0,54% -0,2701 Non Significatif56 3,60% -1,7990 Non Significatif57 -0,82% 0,4110 Non Significatif58 3,60% -1,7993 Non Significatif59 8,26% -4,1288 Significatif
t T-Stat Signif. 5%60 1,09% -0,5451 Non Significatif61 0,80% -0,4013 Non Significatif62 -2,68% 1,3377 Non Significatif63 -0,09% 0,0473 Non Significatif64 -2,10% 1,0503 Non Significatif65 5,65% -2,8229 Significatif66 2,68% -1,3385 Non Significatif67 -0,18% 0,0909 Non Significatif68 0,74% -0,3686 Non Significatif69 -4,41% 2,2042 Non Significatif70 -1,17% 0,5839 Non Significatif71 1,62% -0,8125 Non Significatif72 0,21% -0,1038 Non Significatif73 -1,39% 0,6957 Non Significatif74 1,51% -0,7571 Non Significatif75 2,21% -1,1046 Non Significatif76 3,78% -1,8882 Non Significatif77 3,20% -1,5996 Non Significatif78 4,37% -2,1874 Non Significatif79 -1,29% 0,6455 Non Significatif80 0,80% -0,3996 Non Significatif81 0,32% -0,1620 Non Significatif82 -5,05% 2,5260 Non Significatif83 0,57% -0,2855 Non Significatif84 -4,23% 2,1129 Non Significatif85 -4,23% 2,1154 Non Significatif86 -4,23% 2,1156 Non Significatif87 -21,44% 10,7191 Significatif88 16,08% -8,0389 Significatif89 -2,11% 1,0549 Non Significatif90 5,28% -2,6399 Non Significatif91 -1,06% 0,5315 Non Significatif92 3,84% -1,9215 Non Significatif93 13,60% -6,7990 Significatif94 -3,83% 1,9155 Non Significatif95 0,01% -0,0066 Non Significatif
124.
Annexe 21 Tableaux des rentabilités anormales moyennes cumulées avec le modèle à 6 facteurs
Période pré-évènement (du 02/06/2008 au 05/09/2008) [6 facteurs]
t T-Stat Signif. 5%-73 -2,17% 4,23% -0,5136 Non Significatif-72 -1,88% 5,99% -0,3144 Non Significatif-71 -0,86% 7,33% -0,1171 Non Significatif-70 -1,16% 8,47% -0,1369 Non Significatif-69 -5,11% 9,46% -0,5398 Non Significatif-68 -9,46% 10,37% -0,9120 Non Significatif-67 -6,45% 11,20% -0,5763 Non Significatif-66 -9,53% 11,97% -0,7962 Non Significatif-65 -6,54% 12,70% -0,5148 Non Significatif-64 -3,87% 13,39% -0,2890 Non Significatif-63 -2,10% 14,04% -0,1492 Non Significatif-62 -5,56% 14,66% -0,3792 Non Significatif-61 -7,04% 15,26% -0,4614 Non Significatif-60 -4,69% 15,84% -0,2962 Non Significatif-59 -6,52% 16,39% -0,3974 Non Significatif-58 -11,80% 16,93% -0,6968 Non Significatif-57 -8,14% 17,45% -0,4664 Non Significatif-56 -6,70% 17,96% -0,3733 Non Significatif-55 -10,07% 18,45% -0,5459 Non Significatif-54 -11,30% 18,93% -0,5967 Non Significatif-53 -16,34% 19,40% -0,8424 Non Significatif-52 -16,36% 19,85% -0,8240 Non Significatif-51 -16,00% 20,30% -0,7883 Non Significatif-50 -15,75% 20,74% -0,7595 Non Significatif-49 -17,13% 21,16% -0,8095 Non Significatif-48 -14,38% 21,58% -0,6664 Non Significatif-47 -17,46% 21,99% -0,7937 Non Significatif-46 -19,41% 22,40% -0,8667 Non Significatif-45 -20,01% 22,79% -0,8781 Non Significatif-44 -23,09% 23,18% -0,9959 Non Significatif-43 -22,32% 23,57% -0,9472 Non Significatif-42 -11,14% 23,94% -0,4654 Non Significatif-41 -7,44% 24,32% -0,3058 Non Significatif-40 -7,31% 24,68% -0,2961 Non Significatif
t T-Stat Signif. 5%-39 -8,27% 25,04% -0,3304 Non Significatif-38 -2,83% 25,40% -0,1116 Non Significatif-37 -1,99% 25,75% -0,0771 Non Significatif-36 -2,98% 26,09% -0,1143 Non Significatif-35 -2,71% 26,43% -0,1027 Non Significatif-34 -5,58% 26,77% -0,2086 Non Significatif-33 -2,61% 27,10% -0,0964 Non Significatif-32 -3,16% 27,43% -0,1150 Non Significatif-31 -2,90% 27,76% -0,1043 Non Significatif-30 -1,68% 28,08% -0,0597 Non Significatif-29 -1,53% 28,39% -0,0539 Non Significatif-28 0,43% 28,71% 0,0151 Non Significatif-27 1,01% 29,02% 0,0349 Non Significatif-26 0,08% 29,33% 0,0029 Non Significatif-25 1,47% 29,63% 0,0495 Non Significatif-24 3,07% 29,93% 0,1026 Non Significatif-23 0,61% 30,23% 0,0203 Non Significatif-22 -0,91% 30,52% -0,0299 Non Significatif-21 0,74% 30,82% 0,0240 Non Significatif-20 0,98% 31,11% 0,0314 Non Significatif-19 -0,90% 31,39% -0,0286 Non Significatif-18 -3,58% 31,68% -0,1130 Non Significatif-17 -2,63% 31,96% -0,0823 Non Significatif-16 -4,42% 32,24% -0,1371 Non Significatif-15 -1,94% 32,51% -0,0597 Non Significatif-14 -3,02% 32,79% -0,0921 Non Significatif-13 -2,89% 33,06% -0,0875 Non Significatif-12 -2,58% 33,33% -0,0773 Non Significatif-11 -0,56% 33,60% -0,0165 Non Significatif-10 -0,20% 33,86% -0,0059 Non Significatif-9 0,87% 34,13% 0,0255 Non Significatif-8 1,35% 34,39% 0,0392 Non Significatif-7 -0,37% 34,65% -0,0108 Non Significatif-6 0,85% 34,91% 0,0244 Non Significatif
125.
Fenêtre d’évènement (du 08/09/2008 au 03/10/2008) [6 facteurs]
t T-Stat Signif. 5%-5 2,59% 35,16% 0,0738 Non Significatif-4 1,33% 35,41% 0,0376 Non Significatif-3 -0,19% 35,67% -0,0053 Non Significatif-2 -0,11% 35,92% -0,0029 Non Significatif-1 -1,83% 36,17% -0,0507 Non Significatif0 -6,26% 36,41% -0,1718 Non Significatif1 -6,27% 36,66% -0,1711 Non Significatif2 -11,08% 36,90% -0,3002 Non Significatif3 -12,82% 37,14% -0,3452 Non Significatif4 -8,04% 37,38% -0,2151 Non Significatif5 -6,88% 37,62% -0,1828 Non Significatif6 -7,43% 37,86% -0,1961 Non Significatif7 -8,72% 38,10% -0,2289 Non Significatif8 -6,41% 38,33% -0,1671 Non Significatif9 -5,33% 38,56% -0,1381 Non Significatif
10 -11,58% 38,79% -0,2985 Non Significatif11 -3,95% 39,03% -0,1011 Non Significatif12 -5,77% 39,25% -0,1469 Non Significatif13 -9,66% 39,48% -0,2448 Non Significatif14 -12,52% 39,71% -0,3152 Non Significatif
126.
Période post-évènement (du 06/10/2008 au 30/01/2009) [6 facteurs]
t T-Stat Signif. 5%15 -14,23% 39,93% -0,3564 Non Significatif16 -20,11% 40,16% -0,5008 Non Significatif17 -19,71% 40,38% -0,4882 Non Significatif18 -19,04% 40,60% -0,4689 Non Significatif19 -17,56% 40,82% -0,4303 Non Significatif20 -5,48% 41,04% -0,1336 Non Significatif21 -1,11% 41,26% -0,0268 Non Significatif22 -6,22% 41,47% -0,1500 Non Significatif23 -6,63% 41,69% -0,1590 Non Significatif24 -8,14% 41,90% -0,1943 Non Significatif25 -8,88% 42,12% -0,2109 Non Significatif26 -8,18% 42,33% -0,1932 Non Significatif27 -10,95% 42,54% -0,2574 Non Significatif28 -13,76% 42,75% -0,3218 Non Significatif29 -13,70% 42,96% -0,3188 Non Significatif30 -18,37% 43,17% -0,4256 Non Significatif31 -17,52% 43,37% -0,4040 Non Significatif32 -15,10% 43,58% -0,3464 Non Significatif33 -13,84% 43,79% -0,3160 Non Significatif34 -11,28% 43,99% -0,2564 Non Significatif35 -10,30% 44,19% -0,2331 Non Significatif36 -8,04% 44,39% -0,1812 Non Significatif37 -11,09% 44,60% -0,2486 Non Significatif38 -15,25% 44,80% -0,3405 Non Significatif39 -15,35% 45,00% -0,3411 Non Significatif40 -16,86% 45,19% -0,3731 Non Significatif41 -19,40% 45,39% -0,4273 Non Significatif42 -23,92% 45,59% -0,5247 Non Significatif43 -22,95% 45,79% -0,5013 Non Significatif44 -24,76% 45,98% -0,5386 Non Significatif45 -30,41% 46,18% -0,6585 Non Significatif46 -33,18% 46,37% -0,7155 Non Significatif47 -39,54% 46,56% -0,8491 Non Significatif48 -44,28% 46,75% -0,9471 Non Significatif49 -45,37% 46,94% -0,9664 Non Significatif50 -28,03% 47,14% -0,5946 Non Significatif51 -28,06% 47,32% -0,5929 Non Significatif52 -19,95% 47,51% -0,4199 Non Significatif53 -16,71% 47,70% -0,3502 Non Significatif54 -26,05% 47,89% -0,5439 Non Significatif55 -25,51% 48,08% -0,5305 Non Significatif56 -21,91% 48,26% -0,4539 Non Significatif57 -22,73% 48,45% -0,4692 Non Significatif58 -19,13% 48,63% -0,3934 Non Significatif59 -10,87% 48,82% -0,2228 Non Significatif
t T-Stat Signif. 5%60 -9,78% 49,00% -0,1997 Non Significatif61 -8,98% 49,18% -0,1826 Non Significatif62 -11,66% 49,36% -0,2361 Non Significatif63 -11,75% 49,54% -0,2372 Non Significatif64 -13,85% 49,72% -0,2786 Non Significatif65 -8,21% 49,90% -0,1644 Non Significatif66 -5,53% 50,08% -0,1104 Non Significatif67 -5,71% 50,26% -0,1136 Non Significatif68 -4,97% 50,44% -0,0986 Non Significatif69 -9,38% 50,62% -0,1854 Non Significatif70 -10,55% 50,79% -0,2077 Non Significatif71 -8,93% 50,97% -0,1751 Non Significatif72 -8,72% 51,15% -0,1705 Non Significatif73 -10,11% 51,32% -0,1970 Non Significatif74 -8,60% 51,49% -0,1669 Non Significatif75 -6,39% 51,67% -0,1236 Non Significatif76 -2,61% 51,84% -0,0503 Non Significatif77 0,59% 52,01% 0,0113 Non Significatif78 4,96% 52,19% 0,0951 Non Significatif79 3,67% 52,36% 0,0702 Non Significatif80 4,47% 52,53% 0,0852 Non Significatif81 4,80% 52,70% 0,0910 Non Significatif82 -0,26% 52,87% -0,0048 Non Significatif83 0,32% 53,04% 0,0060 Non Significatif84 -3,91% 53,21% -0,0735 Non Significatif85 -8,14% 53,37% -0,1525 Non Significatif86 -12,37% 53,54% -0,2311 Non Significatif87 -33,81% 53,71% -0,6295 Non Significatif88 -17,73% 53,88% -0,3291 Non Significatif89 -19,84% 54,04% -0,3672 Non Significatif90 -14,56% 54,21% -0,2686 Non Significatif91 -15,63% 54,37% -0,2874 Non Significatif92 -11,78% 54,54% -0,2160 Non Significatif93 1,82% 54,70% 0,0332 Non Significatif94 -2,02% 54,86% -0,0367 Non Significatif95 -2,00% 55,03% -0,0364 Non Significatif
127.
Annexe 22 Résultats des rentabilités anormales sous forme de séries temporelles avec le modèle à 6 facteurs
BAC BK C GS JPM MET MS STT USB WFC0,14% -0,18% 0,21% -0,01% 0,08% -0,04% -0,19% -0,18% 0,04% 0,00%5,77% 3,88% 8,67% 6,47% 3,81% 7,13% 7,00% 8,24% 3,85% 4,25%
T-Stat 0,0249 -0,0456 0,0244 -0,0010 0,0218 -0,0052 -0,0273 -0,0220 0,0091 0,0002
Signif. 5%Non
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif
BAC BK C GS JPM MET MS STT USB WFC24,26% -29,86% 35,79% -1,09% 14,02% -6,20% -32,34% -30,70% 5,93% 0,16%74,95% 50,38% 112,72% 84,16% 49,52% 92,64% 91,02% 107,18% 50,09% 55,22%
T-Stat 0,3237 -0,5926 0,3175 -0,0129 0,2831 -0,0670 -0,3553 -0,2864 0,1184 0,0029
Signif. 5%Non
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
SignificatifNon
Significatif