Chapitre I : Une présentation de l`industrie des Hedge Funds

Le pouvoir de déstabilisation des Hedge Funds :
Evaluation empirique sur les indices boursiers
Février 2009, Version préliminaire
Franck Martin, Ngo Tran, Guillaume Queffelec, Jean-Sébastien Pentecôte
CREM, UMR 6211, Université des RENNES 1
1
Introduction
Depuis le début des années 90, plus particulièrement l’attaque sur la Livre Sterling par
Sorros en 1992 et la crise de change asiatique de 1997, la question des Hedge Funds est
devenue un champ exploratoire à part entière, riche d’une abondante littérature. Tant la
communauté scientifique que les autorités de régulation se sont intéressées à cette
« industrie » en forte croissance, qui évoluait jusqu’ici dans la discrétion la plus totale. Bien
qu’appréciés pour leur rôle présumé bénéfique sur les marchés financiers en terme de liquidité
et de découverte des prix, la quasi-faillite d’LTCM en septembre 1998, il y a tout juste dix
ans, a révélé les enjeux d’importance systémique liés à l’existence de ces fonds
d’investissement privés. En effet, leurs stratégies opportunistes à forts effets de levier
constituent potentiellement une menace pour la stabilité financière, au regard des multiples
relations qu’ils entretiennent avec les banques. La faiblesse des dispositions réglementaires en
matière d’endettement des fonds leur permet un recours presque illimité à la vente à découvert
ainsi qu’aux actifs complexes, tels que les contrats à terme et les produits dérivés. Le
problème des leviers est donc central lorsqu’on aborde la question des Hedge Funds, car bien
que ceux-ci ne représentent encore qu’une faible part du montant des transactions sur les
marchés financiers, leur endettement, parfois excessif, peut constituer un risque de faillites en
cascade de nature à provoquer de véritables crises financières.
De ce point de vue, leur rôle déstabilisant a pu être mis en lumière suite à l’incident LTCM
dans le rapport intitulé « Report of The President’s Working Group on Financial
Markets : Hedge Funds, Leverage, and the Lessons of Long-Term Capital
Management » (1999).
Ainsi, de nombreux auteurs réinterprètent l’histoire financière récente par le prisme des
Hedge Funds, cherchant à identifier des corrélations entre leurs positions et les violentes
perturbations qu’ont connues les marchés financiers ces vingt dernières années. Dans leur
article « Do Hedge Funds Disrupt Emerging Markets ? », FUNG W., DAVID A., HSIEH
A. et TSATSARONIS K, identifient effectivement la présence des Hedge Funds sur les
marchés des devises frappées par la crise asiatique de 1997.
Cependant, la question des leviers dépasse le cadre strict des faillites bancaires et des crises
financières. L’endettement excessif peut avoir pour autre conséquence d’offrir aux Hedge
Funds la capacité d’influencer le marché de manière quotidienne via l’impressionnante
2
quantité de fonds qu’ils sont capables de mobiliser sur une classe de titres spécifique et sur un
laps de temps très court. On imagine dans ce contexte qu’ils sont en mesure d’entraîner le
marché sur des tendances dont ils sont à l’origine, profitant des comportements irrationnels
des spéculateurs mal informés pratiquant le mimétisme, qu’on appelle également Noise
Traders.
Cette approche du pouvoir déstabilisant, attribué aux Hedge Funds, est pourtant peu envisagée
par la littérature et reste encore particulièrement pauvre en matière d’évaluation empirique.
Ainsi nous proposons ici de vérifier cette hypothèse à l’aide d’une modélisation VAR en
étudiant l’impact de la rentabilité des Hedge Funds adoptant des stratégies dites « Global
Macro » sur le marché actions américain.
Le présent travail s’articule de la manière suivante. Dans un premier temps, le chapitre
premier a pour but de fournir une définition plus précise de ce que sont les Hedge Funds et
d’aborder de manière brève l’ensemble des problématiques qui les entourent. Ensuite, le
chapitre deux propose, sur la base des articles « Noise trader risk in financial market »
(1990) et « Positive feedback investment strategies and destabilizing rational
speculation » (1990) de DELONG, SHLEIFER, SUMMERS et WALDMANN, une approche
théorique de la stratégie menée par les Hedge Funds, pouvant être à l’origine de déséquilibres
de prix. Enfin, le chapitre trois tente d’évaluer à l’aide de plusieurs VAR bivariés l’impact des
Hedge Funds sur les marchés actions.
Chapitre I : Présentation de l’industrie des Hedge Funds
3
Avant de se plonger au cœur du sujet, il est nécessaire d’avoir en tête une photographie de ce
qu’est l’industrie des Hedge Funds. Ainsi, l’objectif de cette première section est de proposer,
sur la base de la littérature disponible, une vue d’ensemble des problématiques liées à
l’existence de ces fonds d’investissement privés.
Ce qu’il faudra retenir en quelques mots et qui guidera l’analyse qui va suivre, est
principalement l’aspect obscur du contexte dans lequel ils évoluent. Le manque de législation
harmonisée sur les marchés mondiaux ralentie de manière considérable le travail de collecte
de données nécessaires à toute étude économique.
D’autre part, la complexité des stratégies qu’ils adoptent, couplée aux montants colossaux des
capitaux qu’ils gèrent, rend difficile la bonne modélisation de leurs comportements et leurs
conséquences sur le fonctionnement des marchés
Cette entrée en matière tentera donc dans un premier temps de les définir, en prenant soin de
rappeler les évolutions récentes de cette industrie en plein essor ; puis dans un deuxième
temps, nous tenterons de présenter de manière simple, les bases de leurs stratégies ainsi que
leurs implications sur la stabilité financière. Enfin, nous passerons en revue les différentes
thématiques abordées par la littérature qui constitue le point de départ de ce travail.
Section I : Définition
Lorsqu’on aborde la question des Hedge Funds, la première difficulté se résume bien
souvent à en donner une définition. En effet, il n’existe pas de définition au sens juridique,
néanmoins un consensus semble être trouvé auprès des économistes autour de quelques
critères similaires entre les fonds permettant de les distinguer.
La traduction littérale française du mot Hedge Funds, c'est-à-dire Fond de couverture,
constitue en soit une erreur. Ces fonds ne cherchent pas à se couvrir du risque en prenant des
positions de sens opposés sur les marchés, au contraire ceux –ci s’exposent au risque de
manière délibérée afin d’obtenir de fortes rentabilités.
Les Hedge Funds sont des fonds d’investissement privés spécialisés dans la gestion
alternative, qui consiste à exploiter une large gamme de produits financiers (option et produits
dérivés), dont le but est de désynchroniser le portefeuille d’actifs des aléas du marché afin de
lisser et maximiser sa rentabilité. On parle aussi de stratégie de "rendement absolu" car leur
performance n’est pas mesurée comparativement à un indice de référence, ou benchmark.
4
Les Hedge Funds jouissent dans le domaine de la diversification des produits financiers d’une
liberté quasi-totale, ce qui constitue un des éléments majeur de leur originalité. En effet,
aucune limite ne leur est imposée quand à l’utilisation d’actifs complexes.
Une autre caractéristique particulière est leur recours massif et illimité à la vente à découvert.
Ce mécanisme consiste à passer un contrat de vente dans lequel on s’engage à livrer une
certaine quantité d’actifs à un prix et une date donnés, alors qu’on ne les possède pas encore.
Si on anticipe la baisse du prix de cet actif, il est alors possible de réaliser une plus-value en
achetant ces titres une fois la baisse réalisée pour les revendre plus cher. A moins d’être
extrêmement bien informé, ce type de stratégie s’avère très risqué, compte tenu du fait qu’a
priori il n’existe pas de limite à l’augmentation du prix d’un titre, les pertes peuvent être
illimitées.
Afin de motiver les gérants de fonds à maximiser les rendements du portefeuille, ceux-ci sont
rémunérés sous forme de commissions de « surperformance ». En claire, lorsqu’ils dépassent
leurs objectifs, ils sont récompensés sous forme de primes. Ce mécanisme incitatif est
certainement à l’origine des bonnes performances de ce type de fonds mais pousse également
ces derniers à une plus grande prise de risque.
Enfin et c’est peut être le point le plus important, leur stratégie est principalement basée sur
les effets de levier financier. On calcule le montant des leviers à l’aide d’un simple ratio :
Total de l’encours / capitaux propres.
On peut distinguer deux manières de faire du levier :
1. La manière « traditionnelle » est tout simplement l’emprunt auprès des banques. Cette
technique a pour principal avantage d’évincer une partie du risque liée aux effets de
levier car la somme due au prêteur est connue de manière certaine. Cependant, elle
impose un certain nombre de contraintes comme le paiement d’un intérêt, un niveau
de collatéraux ou fonds propres importants, le respect des échéances de
remboursement etc…
2. Une manière plus « sophistiquée » consiste à utiliser tous les produits financiers qui
permettent de faire de la vente à découvert comme les convertibles, les options et les
contrats à terme. Le risque est évidemment majeur dans ce type de stratégie. Il
nécessite d’être capable d’évaluer la valeur fondamentale d’un titre afin d’exploiter
les déséquilibres de prix mais également d’anticiper les retournements d’anticipations
des autres agents vis-à-vis des rendements que peut générer le titre.
5
Il est difficile de se faire une opinion quand au véritable niveau des leviers. Au regard du
graphique ci-dessous, on constate que ceux-ci resteraient compris entre 1 et 2 depuis les
années 2000, ce qui ne présente rien d’excessif.
Graphique 1 : Estimation par La Banque des règlements internationaux du niveau des leviers
Pourtant, deux éléments permettent de douter de la pertinence de ces chiffres. Premièrement,
nous n’avons que des niveaux moyens sur le mois, ce qui s’avère très pauvre en information.
Rien ne dit qu’ils n’ont pas eu à un moment donné, le temps d’une journée ou d’une heure
plus de dix fois leurs capitaux propres. D’autre part, on sait aujourd’hui que lorsque LTCM a
sombré en 1998 celui-ci affichait un levier de 25. Avec seulement 5 milliards de dollars en
poche, LTCM a été capable d’emprunter pour 125 milliards de dollars. Dans ces conditions
on peut largement douter qu’ LTCM fut le seul dans ce cas.
6
Section II : Les différents styles de stratégies
Bien qu’il soit possible de donner une définition du terme Hedge Funds, il ne faut pas perdre
de vue que celui-ci reste assez générique. Ces fonds n’adoptent pas tous les mêmes types de
stratégies tant du point de vue des marchés sur lesquels ils interviennent, que de l’intensité de
leur portefeuille en produits dérivés. Celles-ci se sont grandement diversifiées avec le temps.
Alors que les stratégies globales macro représentaient traditionnellement plus des deux tiers
des encours des Hedge Funds, aujourd’hui aucune stratégie ne représente plus de 30% des
encours.
On distingue généralement sept styles de gestion qui permettent par la suite d’opérer à un
classement des fonds.
On retrouve les Hedge Funds sur les stratégies suivantes :
1. Long short equity qui fondent leur action sur des prises de positions de sens opposées
sur une même classe de titres en fonction par exemple du secteur d’activité. Le but est
de faire du levier, en achetant à terme et en vendant à découvert.
2. L’arbitrage de convertibles qui consiste à profiter de déséquilibres de prix sur des
obligations convertibles. Ce type d’actif revêt à la fois les particularités d’une
obligation et d’une action traditionnelle. Ce titre de propriété garantit un prix de
remboursement à échéance, le plus souvent contenant une prime de remboursement,
ainsi qu’un coupon et constitue donc un actif peu risqué. Sa particularité est qu’il peut
être échangé auprès de l’émetteur contre une certaine quantité d’actions. Le rapport
entre les deux, variant au cours du temps au gré des évolutions du cours de l’action et
des augmentations de capital. La forte présence des fonds spéculatifs sur les marchés
des convertibles vient du fait que ce type de titre est peu risqué et qu’il permet de
pratiquer la vente à découvert. En effet, une stratégie simple est d’acheter des
convertibles et de vendre immédiatement à découvert les actions. Si le marché corrige
effectivement le déséquilibre de prix, le fond fait alors de la plus-value sur la vente de
l’action mais fait également du levier le temps d’honorer son contrat de vente d’action.
3. Global Macro parie sur les rendements d’une économie ou une région du monde.
Leur prise de position est basée sur une analyse des variables macroéconomiques et
des décisions de politiques économiques. Ils sont donc généralement sensibles aux
modifications de la courbe des taux, représentatives de la politique monétaire et des
7
anticipations d’inflation. On retrouve également pour ces fonds une exposition au
risque sur le marché des changes ainsi que sur les marchés actions et matières
premières.
4. Les arbitrages sur produits de taux ou « fixed income arbitrage » ont pour objectif
de profiter des déformations de la courbe des taux et exploitent des véhicules
financiers tels que les titres d’Etats, les futures et les swaps de taux.
5. l’arbitrage sur fusions acquisitions « Merger arbitrage ». Dans le cas d’offres
publiques d’achat ou de vente, il est possible de profiter de différences de prix entre ce
que propose l’acquéreur et le prix négocié sur le marché.
6. Certains fonds sont spécialisés sur les marchés émergents et répondent en somme
aux mêmes caractéristiques que les fonds global macro. On peut penser tout de même
qu’il présentent une aversion au risque beaucoup plus faible compte tenu du faible
nombre d’instruments de couverture sur ces marchés et une plus grande fragilité des
fondamentaux macroéconomiques notamment du point de vue des changes.
7. Enfin les fonds « event driven » sont peut être les plus opportunistes de tous dans le
sens où ils n’ont pas de stratégie à proprement parlé. Celle-ci évolue au gré des news
concernant la rentabilité des grands groupes et leurs difficultés.
Il est à noter, qu’on assiste ces dernières années à un développement de l’activisme
actionnarial. De plus en plus, les grands fonds font valoir leurs droits au sein des conseils
d’administration afin d’assurer la rentabilité de leur placement. Il est difficile de savoir si ce
genre de comportement s’avèrera profitable à terme pour l’industrie tant on connaît les
dérives liées à la course à la rentabilité menée les fonds de placements.
Section III : Un Etat des lieux de l’industrie
Le secteur des Hedge Funds a connu une croissance fulgurante depuis le début des années
quatre-vingt-dix tant du point de vue du nombre de fonds recensés que du total d’actifs gérés.
Fin 2006, on estime qu’ils géraient environ 1426 milliards de dollars d’actifs pour un total de
onze mille fonds soit une croissance d’environ 700% depuis 1995.
8
Graphique 2 : Evolution des Hedge Funds en nombre et en terme d'encours depuis 1990
Source : Cole R., FELDBERG G. et LYNCH D.,« Hedge Funds, transfert du risque de crédit et stabilité
financière », Banque de France, Revue de la stabilité financière, numéro spécial Hedge Funds, N°10, Avril 2007
Ils se sont imposés sur certains marchés pour devenir des agents incontournables sur quelques
produits financiers. En 2005, ils représentaient environ 89% du volume de transaction sur les
obligations convertibles, 66% sur le marché des « distressed debt » c'est-à-dire les obligations
émises par les entreprises en difficultés, 33% des obligations sur les marchés émergents, et
enfin 38% des dérivés de crédit pour atteindre 58% début 2006.
On impute leur formidable succès aux fortes rentabilités qu’ils génèrent mais également à
l’aspect très opaque de leur industrie. Les investisseurs qui injectent de l’argent dans ces
fonds sont pour la plus part des fortunes personnelles dont on ignore l’origine. Il n’est pas
improbable d’y trouver les capitaux des grandes fortunes qui se constituent de plus en plus
dans les pays émergent tels que le Brésil, la Chine ou encore la Russie, ainsi qu’une partie des
pétrodollars des pays du Moyen-Orient.
Certaines banques centrales s’en servent également pour y recycler leurs réserves de changes.
Toutefois il ne faudrait pas surestimer leur importance, comme le montre le tableau cidessous, en 2005, ils représentaient à peine 1% du total du volume de transaction effectué sur
les marchés mondiaux.
Tableau 1 : Taille relative des Hedge Funds en milliards de dollars
9
Source : KING M. et MAIER P., « Hedge Funds and financial stability: The state of debate », Bank of Canada
Discussion Paper, septembre 2007
Lorsque l’on s’intéresse au taux de survie des Hedge Funds, on constate que ceux-ci s’avèrent
être assez solides puisqu’on estime que chaque année environ 85 à 95% restent en activité. Ce
sont bien sur, les premières années qui sont difficiles avec des taux d’échec de 30% pour les
fonds de moins de trois ans, et 40% d’entre eux ne survivent pas au-delà de 5 ans.
Etrangement, alors que l’essentiel des débats tournent autour de leurs effets de leviers, la mort
pour cause de souscapitalisation ne semble pas être la raison principale. Dans leur étude
portant sur 1,500 Hedge Funds fin 2003, Anurag Guptaa et Bing Liang (2005) trouvent que
seulement 3.7% des fonds encore en vie étaient souscapitalisés et seulement 10,9% des fonds
qui ont disparus étaient effectivement sous capitalisés.
Les faillites seraient donc plutôt la conséquence d’erreurs répétées en matière de placement.
Section IV : Quel impact sur la stabilité Financière ?
A : L’apport des Hedge Funds sur les marchés
L’aspect atypique des Hedge Funds a suscité beaucoup d’interrogations quand aux
conséquences de leur activité sur les marchés financiers. Etonnamment, le rôle positif qu’on
leur attribut généralement, ne fait pas controverse. Ainsi il est admis qu’ils participent à une
plus grande efficience des marchés, qu’ils contribuent de manière importante à fournir de la
liquidité, et qu’enfin ils ont permis de développer les dérivés de crédit permettant un meilleur
partage du risque.
10
Cependant, certains pointent également du doigt leur utilisation excessive des effets leviers,
pouvant être à l’origine de risques systémiques, mais également la source de déformation de
prix d’actifs voir de création de bulles spéculatives.
Sur un marché efficient, les prix d’actifs représentent la juste valorisation d’un titre, c'est-àdire sa capacité à générer des flux de richesse dans le temps. On associe généralement les
déséquilibres de prix à des erreurs d’anticipation des agents quand aux fondamentaux du titre
concerné. Ces erreurs naissent des asymétries d’informations qui conduisent les agents à
adopter des comportements irrationnels tels que le mimétisme. Les mauvaises valorisations de
titres trompent les investisseurs conduisant à une mauvaise allocation des ressources, qui
affecte la croissance de long terme.
La présence d’investisseurs fondamentalistes pratiquant l’arbitrage s’avère donc nécessaire au
bon fonctionnement des marchés.
Ceux-ci fondent leurs prises de position sur une analyse fine des fondamentaux d’un titre et
sont donc capables d’identifier des déséquilibres de prix. Leur stratégie d’arbitrage, qui
consiste à adopter des positions vendeuses sur des titres surévalués et inversement, contribue
à la découverte des prix.
On estime donc que les Hedge Funds, en tant qu’investisseurs sophistiqués profitant des
opportunités d’arbitrage, contribuent à l’efficience des marchés.
Un autre argument récurrent dans la littérature est leur rôle actif dans la liquidité sur les
marchés. Dans un premier temps il faut s’entendre sur la définition de ce qu’on appelle
liquidité qui est étroitement lié au contexte. Ici il est question de liquidité de produits
financiers ou du marché dans son ensemble et non de la liquidité des agents. On ne parle
évidemment pas de liquidité au sens bancaire par exemple. Le refinancement des agents en
manque de cash ne fait pas partie de l’activité des Hedge Funds même s’il leur arrive
certainement de rendre service à l’occasion.
Un actif liquide est un produit financier qui peut être transformé en monnaie avec un
minimum de perte de valeur. Généralement, on y associe également des temps de transaction
extrêmement courts. Un marché est dit liquide lorsqu’il est capable d’accueillir un volume de
transaction élevé sans distorsion de prix. En effet, lorsqu’un marché connaît un choc de
liquidité, le prix des actifs tend à dévier de sa valeur fondamentale car les agents doivent
supporter un risque d’illiquidité supplémentaire au risque intrinsèque du titre.
Le rôle positif supposé des fonds d’investissement du point de vue de la liquidité est
parfaitement intuitif, et est d’ailleurs fréquemment mis en avant par les plus fervents
11
défenseurs d’absence de régulation. Le fait même d’adopter en majorité des positions courtes
sur des actifs risqués constitue en soit un argument. En effet, les Hedge Funds ne sont pas
réputés pour immobiliser du capital sur des postions longues, ce qui pourrait nuire à la fluidité
du marché. De plus, ceux-ci pratiquent une gestion de portefeuille particulièrement active
couplée à des effets de leviers importants.
Cependant au regard de la part du volume de transaction que représentent les Hedge Funds à
l’heure l’actuelle, on peut légitimement douter d’un réel bénéfice qui serait indiscutable.
L’aspect positif de leur action en matière de liquidité est très certainement limité à certains
segments du marché où l’on trouve un nombre très limité d’agents. Le meilleur exemple étant
le marché des obligations convertibles qui fait preuve d’une sous-évaluation structurelle et
qui, sans les Hedge Funds ferait l’objet de crises de liquidité chroniques1. On estime que seuls
de tels investisseurs sophistiqués sont capables d’intervenir sur ce type de marché compte
tenu de la complexité des produits qui y sont négociés, notamment du point de vue des
techniques de couverture qu’il faut mettre en place. La possession d’un convertible nécessite
en effet de se couvrir non seulement du risque de taux et de contrepartie mais aussi du risque
lié aux évolutions de prix du sous-jacent. Toutefois, il faut garder à l’esprit ce que
représentent les Hedge Funds sur ce marché soit 89% du volume de transaction. Au regard de
ce seul chiffre, il semble évident qu’ils jouent un rôle dans la liquidité des obligations
convertibles puisqu’ils font l’essentiel du marché.
L’argument, peu justifié dans la littérature, parait donc un peu faible et nécessiterait d’être
plus abondamment étayé en analysant leur rôle sur d’autres marchés.
Les Hedge Funds ont certainement joué un grand rôle dans le développement des dérivés de
crédits permettant un meilleur partage du risque. La titrisation des créances donne la
possibilité aux banques de sortir des bilans une partie des créances douteuses de nature à
augmenter le risque de leur portefeuille. Cette technique a pour principal avantage de contenir
la croissance des provisions en fonds propres qu’elles doivent réaliser. Ces provisions
réglementées ont pour objet de garantir la solvabilité des banques en cas de défaut de
paiement des emprunteurs et d’éviter les faillites bancaires et les crises systémiques qui
peuvent en résulter.
Les titres sur créances permettent donc de transférer des banques vers les marchés financiers
le risque de contrepartie associé à ces crédits très risqués.
1
Dans leur article « Liquidity Provision in the Convertible Bond Market: Analysis of Convertible
Arbitrage », V.Agarwal, Fung, Loon et Naik font la preuve du rôle important en matière de liquidité des Hedge
Funds sur ce marché.
12
Les fonds spéculatifs, étant par essence preneurs de risques, se sont rapidement engouffrés
dans ce marché garantissant de fortes rentabilités.
Du point de vue du marché du financement dans sa globalité, c'est-à-dire banques et marchés
financiers, ces produits ont permis un meilleur partage entre agents, ce qui est un des attribues
fondamentaux des marchés financiers.
Cependant, cet argument apparaît tout de même plus polémique aujourd’hui après la crise des
subprimes. Beaucoup soupçonnent d’ailleurs leur implication dans la formation de la bulle qui
a éclaté début 2008.
B : Les risques liés aux Hedge Funds
L’opacité qui règne autour des Hedge Funds, la quasi absence de réglementation, et leur
utilisation excessive des effets de levier ont généré de grandes inquiétudes, et de fait, une
importante littérature. Celle-ci cherche à comprendre quels peuvent être les risques liés à leur
action du point de vue de la stabilité financière. On trouve principalement deux grands
champs d’investigation. Premièrement, la manière dont ils peuvent être à l’origine de risques
systémiques en raison de leurs interactions avec les grandes institutions financières telles que
les banques commerciales et d’investissement. Dans un second temps, on soupçonne de leur
part une capacité à perturber les marchés financiers sur plusieurs thématiques, comme des
excès de volatilité ou la déformation de prix d’actifs
1 : Les Hedge Funds à l’origine d’un risque systémique
Avant d’étudier de quelle manière ces fonds peuvent être à l’origine d’un risque systémique il
convient d’en donner une définition. Ici nous considérons le risque systémique comme étant
le risque de voir se propager de la sphère financière à la sphère réelle des chocs financiers. De
ce point de vue il faut donc s’intéresser aux canaux de transmission par lesquels un tel choc
est susceptible de se diffuser.
Le canal direct du risque de contrepartie
13
Les banques représentent le principal « tampon » entre les marchés financiers et l’économie
réelle, c’est donc par le canal du crédit et plus particulièrement au sens large, que se
propagent les chocs financiers. En effet, les chocs financiers ont généralement comme effets
directs une baisse brutale des prix d’actifs qui servent de collatéraux pour les emprunteurs.
Aux lourdes pertes auxquelles sont confrontés les agents détenant des actifs, s’ajoute
l’incapacité de lever de nouveaux fonds.
L’exposition des banques aux Hedge Funds représente donc la question centrale.
Celles-ci y sont exposées principalement via leur activité de prime brokers et de
d’intermédiaires sur les marchés de gré à gré. Les prime brokers sont les bureaux des banques
d’investissement qui offrent de multiples services aux fonds, comme l’intermédiation pour
des actes de ventes ou d’achats, l’offre de prêt à très court terme qu’on appelle aussi security
lending, ainsi que divers services en matière administrative et de gestion de portefeuille.
Globalement, le risque que supportent les banques est un risque de contrepartie. Si un fond
vient à faire faillite, il peut alors entraîner dans sa chute toutes les institutions financières à qui
il doit de l’argent, sans parler du fait que certaines grandes banques placent également des
fonds dans des Hedge Funds. De plus l’aspect oligopolistique du marché des brokers, 60% du
marché étant détenu par seulement trois « dealers », favoriserait la propagation rapide du
choc.
Ainsi, outre des propositions en matières prudentielles, la littérature insiste grandement sur la
nécessité de mettre en place une véritable gestion du risque de contrepartie (counterparty risk
management) spécifique aux fonds spéculatifs.
Le canal des marchés financiers.
Leurs stratégies à forts effets de levier peuvent également être à l’origine de graves
perturbations sur les marchés financiers, notamment en termes de prix d’actifs mais aussi du
point de vue de la liquidité des marchés.
Le principal problème lié aux stratégies à effets de levier provient du fait qu’elles ne sont pas
soutenables dans la durée. Pour un investisseur qui ne placerait que ses fonds propres, une
erreur d’anticipation sur l’évolution d’un prix n’est pas dramatique en soit. Celui-ci n’est pas
obligé de liquider sa position et peut attendre un renversement de tendance tant qu’il a la
capacité financière d’honorer les appels de marges. Dans le cas des Hedge Funds, si on
considère qu’ils sont déjà lourdement endettés, une petite variation du prix mal anticipée peut
14
les obliger à fermer immédiatement leur position, en liquidant massivement leurs actifs les
plus liquides. Au-delà des pertes réalisées par le fond en question, l’impact à la baisse sur les
prix d’actifs peut être extrêmement violent et contaminer d’autres compartiments du marché.
Ces perturbations soudaines peuvent alors créer des excès de volatilité momentanés de nature
à augmenter l’incertitude et conduire à des crises de liquidité.
Les leviers ont donc pour principale conséquence de fragiliser les fonds qui deviennent
beaucoup plus sensibles aux perturbations du marché. Une simple perturbation peut être
amplifiée par les Hedge Funds pour devenir un véritable choc sur les marchés financiers.
2 : L’action des Hedge Funds est elle déstabilisatrice ?
Au-delà de l’importance systémique des Hedge Funds en cas de choc financier, il semble
important de discuter de leur potentiel déstabilisant à l’œuvre quotidiennement. Nous avons
présenté plus haut les arguments en faveur d’un rôle plutôt positif des fonds sur la stabilité
financière. Pourtant plusieurs arguments contrebalancent l’analyse précédente en insistant sur
leur propension à générer des excès de volatilité.
Les études empiriques étant encore peu nombreuses, il est ici principalement affaire
d’intuition.
D’une part on soupçonne leur recomposition incessante de portefeuille de perturber
l’information disponible. Du point de vue des investisseurs qui subissent fortement les
asymétries d’information, leur stratégie est certainement peu lisible et peut probablement
augmenter le degré d’incertitude ambiant. De ce fait, la variance des actifs peut être amenée à
augmenter, ainsi que les primes de risques éloignant les prix de leur valeur fondamentale.
D’autre part les leviers employés sont susceptibles d’impacter la volatilité des titres car ils
permettent aux Hedge Funds de compter pour deux à trois fois ce qu’ils sont véritablement en
terme de demande et d’offre de titres. Peut être sont ils capables de renverser à eux seuls les
tendances sur de petits marchés ?
Enfin on ignore encore quel type de stratégie fondamentale guide le timing de leur prise de
position. En matière d’arbitrage, on identifie généralement deux type de stratégies qui peuvent
s’avérées payantes dans la durée. Premièrement il est possible de pratiquer ce que l’on appelle
le « market timing » qui consiste à évoluer à contre courant du marché. Cette stratégie est
basée sur l’hypothèse d’un retour des prix à leur valeur fondamentale au fil du temps. Si on
admet cette hypothèse alors il ne faut jamais s’engouffrer dans les hausses et attendre que le
15
marché corrige. En clair, il s’agit de vendre lorsque le marché vient de monter ou acheter
après la baisse. Le problème de ce type de stratégie est qu’il nécessite un horizon de
placement lointain car si effectivement les prix ont tendance à rejoindre leur moyenne de long
terme, des déséquilibres peuvent persister tels que les bulles. Les arbitragistes sont donc
amenés à supporter le risque associé à l’espace que se créé les noise traders, en entretenant par
exemple, la hausse d’un titre par des anticipations de rendement déconnecté de la réalité
économique.
L’autre type de stratégie consiste à rassembler le maximum d’information disponible sur les
croyances des noises traders et d’anticiper les tendances, voir de les provoquer afin de profiter
du comportement moutonnier des investisseurs qui pratiquent le « positive feedback ». Ceuxci adossent leur stratégie aux mouvements du marché et sont à l’origine d’anticipations auto
réalisatrices. Une stratégie envisageable pour les Hedge Funds est donc de détecter le moment
auquel il faut persuader la foule que le marché se retourne et profiter du rééquilibrage des
prix, sans se laisser entraîner trop loin dans la hausse.
Ainsi, on comprend en quoi les arbitragistes peuvent être à l’origine de forte déviation des
prix d’actifs. Ceux-ci profitent de l’ignorance des noise-traders pour pousser les prix au-delà
de leur juste valorisation. Cette stratégie modélisée par Bradford Delong, Shleifer, Summers
et Waldman, sera présentée de manière plus détaillée en section II et servira de principale
justification du travail empirique mené en section III.
Section V : Les problèmes liés aux indices de Hedge Funds
Le manque d’information dont on dispose sur les Hedge Funds rend difficile la création
d’indice de performance. Ceux-ci comportent un nombre important de biais qui sont
susceptibles de fausser les travaux statistiques. Nous proposons ici une rapide recensement
des différents biais présents dans tout indice de fonds.
Il est possible de classer ces différents biais en deux catégories distinctes, c'est-à-dire les biais
liés à la base de données et les biais liés à la construction des indices.
16
Les biais de bases de données
Compte tenu de la difficulté qu’ont les fournisseurs d’indices à collecter des données sur la
performance des fonds, le premier défi consiste à créer une base de donnée. Ce processus
implique d’une part qu’il faut composer avec la bonne volonté de certains fonds de divulguer
leur performance, mais nécessite aussi de la part des gérants de fournisseurs d’indices de faire
des choix qui peuvent déformer la réalité qu’ils tentent de représenter. Dans ce contexte,
l’information que renvoie un indice ne peut être que partielle.
Ainsi, le biais le plus important est le biais d’auto-sélection, qui vient du fait que tous les
fonds ne souhaitent pas rendre public leurs résultats. Quand à ceux qui acceptent une certaine
transparence, leurs motivations peuvent être diverses et venir fausser d’autant plus les bases
de données.
Pour que l’indice rende compte de l’ensemble du secteur, il est souhaitable que les fonds
faisant partie de la base de données aient atteint une certaine maturité. Pourtant, ceux-ci ne
sont pas incités à distribuer de l’information tout simplement, car ils n’ont pas besoin a priori
de publicité. Les jeunes fonds sont donc supposés être plus promptes à rendre compte de leur
performance afin d’acquérir plus de visibilité et d’attirer des capitaux.
Cependant, le contraire peut également être vrai. Les premières années étant difficiles on peut
imaginer que les fonds attendent de faire leurs preuves avant de divulguer leur rentabilité.
Afin de pallier à ce premier problème, les fournisseurs d’indice mettent en place de critères de
sélection des fonds, comme un montant des encours minimum, ou une durée de vie au
minimum égale à deux ans. Bien que ces critères permettent d’harmoniser la base de données,
ceux-ci excluent également tous les autres fonds qui ne répondent à ces critères et qui n’en
sont pas moins des Hedge Funds.
Etant donné le taux de mortalité assez élevé pendant les cinq premières années d’existence
des fonds, la question de savoir ce que l’on fait des données relatives aux fonds décédés
devient cruciale et génère ce que l’on appelle le biais du survivant.
La pratique la plus répandue consiste tout simplement à supprimer le fond qui a disparu de
l’historique. Le problème est que du coup, tous les indices sont biaisés à la hausse, car il ne
reste plus que des données relatives aux fonds solides qui affichent généralement de bonnes
performances.
Le dernier biais relatif à la base donnée est appelé biais d’histoire instantanée. Lorsqu’un
fond accepte d’entrer dans une base de donnée, celui-ci a le choix de fournir également tout
17
l’historique de ses performances. Le premier problème induit par ce système, c’est que tous
les Hedge Funds n’apportent pas avec eux leur performance passée. Ainsi pour deux fonds du
même âge, on peut ne pas avoir accès à la même quantité donnée. Deuxièmement, cette
pratique biaise également les indices à la hausse, car seuls les fonds qui peuvent se targuer
d’avoir de bonds résultats par le passé, fournissent leurs historiques.
Les biais liés à la construction des indices.
En admettant que les problèmes énumérés plus haut ont été surmontés, ce qui n’est
généralement pas le cas, les choix qui sont faits afin d’améliorer la lisibilité de l’information,
comme la classification en catégories, s’avèrent eux aussi à l’origine de zones d’ombre.
Puisqu’un indice est un échantillon qui se veut être le plus représentatif possible de la réalité,
il faut faire, lors de sa création, des choix dont l’importance est déterminante du point de vue
de l’univers couvert par ce dernier. On retrouve donc ce que l’on appelle le biais de sélection
de gérant. Une fois que celui-ci a collecté le maximum d’information il doit encore choisir
quels fonds figureront effectivement dans son indice. Les critères de sélection étant aussi
nombreux qu’il existe de fournisseurs d’indices, lorsqu’on les compare entre eux, alors qu’ils
sont censés mettre en lumière la même réalité, on se rend vite compte que cela être loin d’être
le cas.
Lorsqu’un fonds disparaît la question se pose de savoir ce que l’on va faire de son historique.
Une pratique largement répandue consiste à l’ôter complètement de la base de données et
constitue alors le biais des fonds disparus. Tout ce qui pourrait constituer une preuve de la
piètre performance des Hedge Funds disparaît alors purement et simplement des historiques.
La construction d’un indice nécessite d’adopter une pondération des fonds présents dans
l’échantillon en fonction de leur taille relative, exprimée ici en terme d’encours. Les
fournisseurs d’indices font pourtant le choix d’équipondérer leur base de donnée afin de ne
pas exacerber le poids des plus gros fonds relativement aux autres. Le problème d’une telle
démarche est que l’indice ne saurait représenter alors le profil de rentabilité du gérant moyen.
Enfin, tous les indices affichent un biais de classification. Celui-ci vient du fait qu’il est
compliqué de classer de manière claire les fonds en terme de stratégies adoptées. Les sociétés
à l’origine des indices sont alors obligées de faire confiance aux gérants des Hedge Funds au
regard de la stratégie dont ils se réclament. Cependant on observe de plus en plus de
violations de cette classification par les fonds eux même. Ceux-ci pratiquent ce que l’on
18
appelle le style drift qui consiste à changer régulièrement de stratégie en fonction des
opportunité offertes par le marché. De ce fait il devient très compliqué d’identifier le style de
gestion de portefeuille que pratiquent effectivement les gérants de Hedge Funds,
complexifiant le travail de classification.
Section V : La littérature
Actuellement il existe principalement trois domaines vers lesquels la recherche s’oriente pour
apporter des réponses aux questions liées aux Hedge Funds. Premièrement on trouve un
nombre conséquent d’articles sur la réglementation prudentielle des fonds. Les auteurs
discutent de la réglementation optimale à mettre en place à savoir s’il faut mieux axer la
législation sur les banques afin de les obliger à adopter des comportements plus sécurisants
vis-à-vis du risque systémique ou s’il faut au contraire plus de réglementation au niveau des
fonds eux même. La question de la limitation des leviers est bien sur au cœur de tous les
débats. Le numéro spécial Hedge Funds de La revue de la stabilité financière de la Banque
de France publié en avril 2007 constitue de ce point de vue une très bonne entrée en matière.
Deuxièmement c’est la mesure du risque des portefeuilles qui constitue un domaine de plus en
plus documenté. Partant du principe que les seuls niveaux des leviers représentent une
mauvaise approximation du risque des portefeuille, beaucoup d’auteurs tests des modèles de
value at risk afin de juger de la bonne capitalisation des fonds. Cette littérature fait largement
appel aux modèles ARCH – GARCH afin de rendre compte de la volatilité des rentabilités,
représentative du risque associé au portefeuille. Contrairement à ce qu’on l’on pourrait penser
les résultats empiriques plaident plutôt en faveur du bon comportement des fonds en matière
d’exposition au risque. A titre d’exemple on pourra cité l’article « Forecasting Hedge Funds
volatility : a risk management approach » (2004) de P. Monteiro qui s’inscrit parfaitement
dans le cadre de cette démarche.
Enfin la littérature qui nous concerne le plus, s’intéresse principalement à l’exposition des
Hedge Funds en matière de marchés et de produits financiers.
Beaucoup cherchent à vérifier l’implication des fonds d’investissement dans les crises
financières qu’a connue l’économie mondiales depuis les années quatre vingt dix, et plus
particulièrement les crises de changes
La méthodologie reste assez simple et consiste généralement à régresser à l’aide d’un modèle
statique, un indice de fonds sur des indices de marché. Ainsi l’exposition des Hedge Funds
19
aux devises asiatiques en 1997 a pu être démontrée par Fung, Hsieh et Tsatsaronis dans leur
article « Do Hedge Funds Disrupt Emerging Market ? » (2000). Dans un autre article
intitulé « Measuring the market impact of Hedge Funds » (2000), les mêmes auteurs, sur la
base d’une analyse en composante principale, identifient des corrélations entre les rentabilités
des fonds et certaines crises financières comme la crise affectant la Livres Sterling en 1992
qui fut obligée de quitter le SME, ou encore la crise du Peso mexicain de 1994.
Bien que ces études permettent de vérifier la présence des Hedge Funds sur certains marchés
pendant les crises, les méthodologies employées ne permettent pas de mettre en cause leur
responsabilité puisqu’il est impossible de tester le sens de causalité.
Ainsi la seule chose que l’on peut affirmer est que la rentabilité des fonds peut être expliquée
par l’évolution des marchés.
Le renversement de causalité ne peut être alors envisagée que par le biais de modèles
dynamiques à équations simultanées, chose que nous tenterons de mettre en forme dans le
chapitre III.
20
Chapitre II : Approche Théorique
Le chapitre II a pour objectif de fonder d’un point de vue théorique l’analyse empirique qui va
suivre et s’articule autour de deux parties. Dans un premier temps, sur la base de l’article
« Noise trader risk in financial market » de Delong, Shleifer, Summers et Waldmann
(1990), nous montrerons en quoi la présence de noise traders sur les marchés, constitue en soit
une source de risque conduisant les prix d’actifs à s’éloigner de leur valeur fondamentale et
que dans ce contexte toute stratégie d’arbitrage classique est vouée à l’échec.
Dans un second temps, en s’appuyant sur le papier de recherche « Positive feedback
investment strategies and destabilizing rational speculation » (1990) des mêmes auteurs,
nous verrons en quoi les stratégies des investisseurs sophistiqués, apparentés ici aux Hedge
Funds, abandonnant l’arbitrage au sens classique et cherchant à anticiper les tendances de
marché, peuvent conduire à d’importants déséquilibres de prix.
Nous présenterons donc une modélisation des stratégies d’arbitrage qui consistent, comme
décrit brièvement plus haut, à anticiper les futurs comportements des Noise Trader et à
exploiter leur mimétisme afin de piloter la tendance.
Section I : Noise Traders et prix d’actifs
Cette section constitue le premier pas de réflexion concernant le potentiel déstabilisateur des
Hedge Funds. Avant de présenter ce qui pourrait être une stratégie optimale pour les fonds
global macro en tant qu’investisseurs fondamentalistes, il semble pertinent de définir
l’environnement dans lequel ils évoluent, c’est à dire les mécanismes de confrontation de
différents types d’agents qui s’affrontent sur les marchés ainsi que leurs conséquences en
terme de formation des prix qui en découlent.
Afin de garder un cadre théorique structuré, nous nous appuierons sur l’article intitulé « Noise
trader risque in financial market » (1990) des auteurs cités plus haut.
Celui-ci propose une formalisation de la formation des prix d’actifs à l’aide d’un modèle à
deux périodes, dans lequel deux types d’agents, Noise Traders et fondamentalistes cherchent à
maximiser leur richesse en répartissant leur dotation initiales entre un actif sans risque
assimilé à une obligation et un actif risqué de type « action ».
21
Le modèle
En première période, les agents reçoivent une dotation qu’ils doivent placer sous forme de
titres afin de maximiser son utilité ou sa richesse pour ensuite, la transformer en biens de
consommation en fin de période deux.
L’actif sans risque noté (s) rapporte un dividende fixe (r). L’offre d’actif sans risque est
parfaitement élastique. N’importe quelle quantité de ce titre peut être demandée, chaque unité
pouvant être transformée en période deux en une unité de bien de consommation. Ainsi le prix
de l’actif sans risque est invariablement égal à 1.
L’actif risqué noté (u) rapporte également un dividende fixe (r). Cependant, l’offre est ici
fixée de manière exogène et normalisée à 1. Son prix à la période t est noté Pt .
Ici, il faut abandonner la vision de la formation des prix au sens du dividend discount model.
Le prix n’égalise pas la somme des revenus actualisés que génère le titre, sinon les deux actifs
seraient de parfaits substituts compte tenu qu’ils offrent le même rendement (r). D’autre part,
dans un souci de simplification, les agents évoluent ici dans un monde dans lequel il n’existe
pas de risque lié aux variations des fondamentaux du titre. Le prix est uniquement dépendant
des anticipations des agents car le dividende est toujours égal à (r).
Sur le marché s’affrontent deux types d’agents : Les Noise Traders notés (n) en quantité (  )
et les fondamentalistes ou encore investisseurs sophistiqués, notés (i) en quantité (1-  ). Les
agents sont homogènes au sein de chaque catégorie.
Chaque type d’agent maximise son utilité en fonction de sa perception de la distribution des
rendements anticipés de l’actif risqué à la période t+1. On suppose que les Noise Traders
subissent les asymétries d’information et que seuls les fondamentalistes connaissent de façon
exacte cette distribution.
Du point de vue des Noise Traders, la perception de l’espérance de rentabilité de l’actif risqué
est une variable aléatoire notée
 t qui suit une loi normale d’espérance  * et de variance
 2
Chaque agent maximise une même fonction d’utilité notée U, et s’écrit :
U  e(2 )w
22
Avec
 le coefficient d’aversion au risque et w la richesse de l’agent.
Si les rendements associés à l’actif risqué sont distribués normalement alors maximiser la
fonction d’utilité est équivalente à maximiser l’expression suivante2.
W   ² w
Avec W la richesse espérée et
 w2 la variance de la richesse finale.
Sachant que l’investisseur sophistiqué doit choisir la quantité
it
d’actif risqué qu’il souhaite
détenir, son programme de maximisation s’écrit :

E (U )  W   ² w  c0  ti (r  t pt 1  pt (1  r ))   (ti )² t  ² pt1

La variance du prix en t+1 a pour expression:
t
 p2t1  Et ( pt 1  E ( pt 1 ))²
De même que le fondamentaliste, le Noise Trader doit choisir sa quantité d’actif risqué
tn qu’il souhaite détenir et maximise le programme suivant :


E (U )  W   ² w  c0  ti (r  t pt 1  pt (1  r ))   (ti )² t  ² pt1  tn  pt 
Celui-ci est identique au programme du fondamentaliste excepté l’ajout d’un dernier terme
tn  t  qui représente sa mauvaise perception des rendements espérés d’une unité d’actif
risqué.
Chaque agent choisit donc sa quantité d’actif risqué optimale en fonction du prix en période 1,
de la distribution du prix à la période suivante et dans le cas du Noise Trader de sa mauvaise
perception du prix attendu en période 1.
La résolution du programme de chaque agent conduit à trouver l’expression de la demande de
titre d’actif risqué pour chacun d’entre eux :
2
Les étapes importantes de la résolution du modèle sont présentés dans un cas plus particulier par Shalchian,
M’Zali et Paquet dans leur article « Intégration de la performance sociale dans le modèle
d’évaluation d’actifs financiers » (2004).
23
ti 
tn 
r  t pt 1  (1  r ) pt
2
 
2
pt 1
t
r  t pt 1  (1  r ) pt

2 t  p2
t 1



t
2 t  p2
t 1

La demande de titre risqué est donc à la fois une fonction croissante des rendements perçus
entre la période t et t+1, mais également une fonction décroissante de la variance du titre
assimilée au risque de détenir cet actif.
Le deuxième terme présent dans la fonction de demande du Noise Trader montre en quoi ses
erreurs de perceptions quant à la future distribution du prix influence sa demande. Plus sa
perception des futurs rendements
t
est haussière, plus il est demandeur d’actif risqué.
Le calcul de l’équilibre en prix nécessite plusieurs étapes de substitutions qui ne sont pas
présentées ici. Nous nous arrêterons uniquement sur la forme finale de celui-ci, beaucoup plus
parlante en terme d’interprétation. Le prix ne dépend plus que de paramètres exogènes ainsi
que de l’information disponible en t et de la perception des prix futurs par les Noise Traders.
pt  1 
 ( t   * )
1 r

 *
r

(2 )  2 2
r (1  r ) 2
Les trois derniers termes de l’équation mettent en lumière l’impact des Noise Traders dans le
processus de formation des prix.
Le deuxième terme représente les variations de prix qui résultent de la mauvaise perception
des Noise Traders de la distribution du prix en t+1. Lorsque ceux-ci sont « bullish », c'est-àdire qu’ils anticipent une hausse du prix, on a
« bearish »et qu’ils anticipent une baisse du prix alors
t > *
et le prix monte. S’ils sont
 t <  * et le prix baisse.
Le troisième terme capture la déviation du prix de sa valeur fondamentale car il se dégage
toujours une tendance moyenne dans les anticipations des Noise Traders. Les « bearish » ne
compensent pas les « bullish », il y a toujours un groupe qui l’emporte. Si la valeur de
t
est
forte, c'est-à-dire qu’ils sont « bullish » en moyenne, alors le prix s’élève au-delà de sa valeur
fondamentale.
24
Enfin, le quatrième terme explique les variations de prix qui sont la conséquence de
l’incertitude liée à la mauvaise perception de la distribution du prix par les Noise Trader. Plus
les renversements de perception sont susceptibles d’être violents, soit

très élevé, et plus
le prix du titre doit être faible pour compenser l’augmentation du risque. Les investisseurs
sophistiqués ne peuvent donc supporter le risque de voir les Noise Traders changer
radicalement la perception qu’ils ont des prix futurs, à moins d’être compensés par une baisse
du prix. Ainsi, les Noise Traders créent leur propre espace car eux seuls sont capables
d’assumer l’augmentation du risque car ce dernier dépend de leur propre comportement.
Ce modèle montre donc que même en l’absence de risque fondamental, les prix varient dans
le temps au gré de la perception qu’ont les agents de ce que seront les prix à l’avenir. En
conséquence, les stratégies classiques d’arbitrage, qui parient sur un rééquilibrage des prix par
rapport à leur moyenne de long terme, peuvent d’une part s’avérer infructueuses pour les
investisseurs sophistiqués qui ne prendraient pas en considération le comportement des Noise
Traders et d’autre part, elles échouent dans leur rôle stabilisateur car les fondamentalistes sont
exclus du marché en raison du niveau trop élevé de risque.
Dans ces conditions, pour que l’arbitrage joue pleinement son rôle, les investisseurs doivent
avoir un horizon de placement lointain et adopter une stratégie de « market timing » car même
si les prix finissent toujours par rattraper leur moyenne, ce processus peut être très long. Les
fondamentalistes ne peuvent donc parier contre les spéculateurs car bien souvent ils se
mettraient en situation de devoir liquider leur position pour répondre aux appels de marges.
Les auteurs estiment que les fondamentalistes doivent alors anticiper « les comportements de
la foule avant la foule » afin d’assurer la pérennité de leur activité. Cependant, ils montrent
aussi que ce type de stratégie d’arbitrage peut aussi être à l’origine d’une plus grande
déformation des prix d’actifs.
Section II : Les fondamentalistes à l’origine de déséquilibres de prix
Nous venons de montrer à l’aide d’une approche théorique simple comment les Noise Traders
pouvaient être à l’origine de déformations de prix d’actifs et que dans ce contexte les
investisseurs pratiquants l’arbitrage devaient modifier leur comportement afin de réaliser des
gains et effectivement jouer leur rôle en matière d’équilibrage des prix. Tout ceci peut
sembler éloigner de notre problématique de départ qui consistait à se poser la question de
25
savoir si les Hedge Funds sont en mesure d’impacter les prix de marchés s. On pourrait même
penser que ce qui vient d’être dit démontre exactement le contraire.
Cette section a donc pour objectif de rassembler tout ce qui vient d’être dit afin de modéliser
ce que nous estimons être une assez bonne représentation du comportement des Hedge Funds.
En effet nous estimons qu’ils sont suffisamment informés pour anticiper les futurs
mouvements du marché. Ceux-ci exploitent alors cet avantage pour influencer le marché vers
les tendances qui les intéressent. La stratégie consiste à envoyer un « pseudo signal » aux
traders qui adoptent une stratégie « positive feedback » afin que ceux-ci amplifient le
mouvement.
Profiter ainsi du mimétisme des spéculateurs permettrait aux Hedge Funds de renoncer à des
horizons de placement long et d’assurer la profitabilité de leur activité. La conséquence
directe d’un tel comportement, est comme nous allons le voir, une forte propension à faire
déraper les prix de manière importante. Ainsi même les arbitragistes peuvent être à l’origine
de déséquilibre de prix.
Cette section exploite un modèle de valorisation d’actifs issue des travaux de Delong,
Shleifer, Summers et Waldmann présenté dans leur article « Positive feedback investment
strategies and destabilizing rational speculation » (1989).
Le modèle :
Nous considérons un modèle à quatre périodes avec comme point de départ la période 0. Sur
le marché sont négociables deux types d’actifs : de la monnaie et un actif risqué. L’offre de
monnaie est parfaitement élastique mais ne délivre aucun dividende. La quantité d’actif risqué
est fixe et normalisée à zéro afin de faciliter la résolution des équations. Cet actif donne droit
à un dividende noté

une fois celui-ci liquidé en période trois. Le rendement est distribué
normalement avec une espérance égale à zéro et une variance   . Aucune information sur la
2
valeur de

n’est divulguée avant la période trois, et de fait sa valeur fondamentale reste
donc égale à zéro jusqu’en période trois.
Chaque agent est amené à consommer la totalité de sa richesse en période trois.
On considère la présence de trois types d’agents différents sur le marché : des chasseurs de
tendance ou feedback traders notés (f), en quantité égale à un, des investisseurs sophistiqués
jouant pour nous le rôle des Hedge Funds, notés (r) et en quantité

, ainsi que des traders
« passifs » apparentés à des arbitragistes classiques se focalisants sur les Price earning ratio.
26
Ils sont notés (e) et présents en quantité (1-  ). Dans le cas simple ici développé les parts
respectives de chaque type d’agents restent invariables.
Les investisseurs vont s’échanger une quantité exogène d’actif égale à zéro en pariant les uns
contre les autres.
L’enchaînement des évènement se déroule de la manière suivante : en période 0 l’actif vaut
zéro et il n’y a pas d’échange. En période 1, seuls les investisseurs sophistiqués reçoivent un
signal noté

leur permettant d’anticiper un choc de demande

d’actif risqué en période 2.
En période 2 le choc a lieu et les autres investisseurs réagissent à ce choc en achetant ou en
vendant des titres. En période 3 il n’y a plus d’échange, et chacun paie ce qu’il doit aux
autres, compte tenu de sa position.
La fonction de demande d’actif risqué des chasseurs de tendance en période 2 s’écrit :
D2f   ( p1  p0 )   ( p2  p0 )  v  (    )( p1  p0 )   ( p2  p1 )  v
Avec, P0
P1 , P2 ,
les prix en période 0, 1 et 2 et
 et 
>0. Ces deux paramètres
représentent respectivement la réaction du chasseur de tendance vis-à-vis des variations
passées du prix du titre et sa réaction aux variations instantanées du prix. L’introduction de
ces deux paramètres permet de faire coexister deux hypothèses car on ignore ce qui déclenche
les prises de positions de ce type d’investisseurs. Leur adaptation peut prendre un certain
temps au regard de l’évolution récente dans le passé du titre, ou peut être influencée le jour
même par la variation du prix.
Ce type d’investisseur répond positivement au choc de demande , ainsi qu’aux variations du
prix.
Comme les investisseurs rationnels connaissent la valeur fondamentale du titre en période 3,
c'est-à-dire 0, ceux-ci ne détiendront jamais une quantité positive d’actifs risqués en période
3.
Leur fonction de demande d’actif risqué en période 2 s’écrit :
D2r 
 p2
  p2
2 2
27
Avec

leur coefficient d’aversion au risque. Pour simplifier les expressions par la suite on
remplacera
1
2 
2
par le paramètre
 . Leur demande est une fonction inverse du prix en
période 2 afin de représenter leur stratégie d’arbitrage qui consiste à acheter un actif si celui-ci
est sous-évalué et inversement.
La fonction de demande des traders passifs en période 2 s’écrit de la même manière :
D2e   p2
On suppose par hypothèse qu’ils adoptent une stratégie d’arbitrage identique à celle des
fondamentalistes.
La fonction de demande des traders passifs en période en période 1 est identique à son
expression en période 2 soit :
D1e   p1
La fonction de demande d’actif risqué des chasseurs de tendance en période 1 s’écrit :
D1f   p1
Comme il n’y a aucun échange en période zéro et trois, la condition d’équilibre de marché est
automatiquement satisfaite. En période 1 et 2, le marché doit satisfaire les conditions
d’équilibre suivantes :
0  D1f   D1r  (1   ) D1e
0  D2f   D2r  (1   ) D2e
Considérons un choc positif à la période deux. Si le choc  est parfaitement corrélé au signal

alors du point du vue des fondamentalistes, il n’y a aucune incertitude au regard du
comportement des chasseurs de tendance en période 1 ni vis-à-vis du prix en période 2. La
28
stratégie optimale des fondamentalistes consiste donc à acheter des titres en période 1 puis de
les revendre en période 2 afin de maximiser leur richesse.
La présence d’investisseurs sophistiqués sur le marché garantit alors l’égalité de prix entre la
période 1 et la période 2. On a donc les égalités suivantes :
Si
 >0 on a P1  P2
Si
 =0 on a P1  0
Lorsqu’on remplace les fonctions de demande par leurs valeurs dans la condition d’équilibre
du marché on obtient :
0   p2   p1  v   p2
En combinant les deux relations ci-dessus on a alors, en présence de fondamentalistes :
p1  p2 
v
  (   )
Ou bien en l’absence de fondamentalistes :
p1  0
et
p2 
v
 
La présence d’investisseurs sophistiqués a donc pour conséquence de faire augmenter le prix
au-delà de sa valeur fondamentale, car ceux-ci ont intérêt à stimuler les dérapages de prix afin
de maximiser leur profit. L’envoi d’un « pseudo signal » en période 1 a pour objectif
d’entraîner de manière prématurée (exprimé ici par la présence du paramètre

dans
l’expression du prix) sur le marché les chasseurs de tendance qui vont alors amplifier la
hausse.
Dans ce contexte la rationalité n’est pas forcément stabilisatrice, au contraire pour ceux qui
sont en mesure d’exploiter le mimétisme des Noise Traders, les déséquilibres de prix
constituent une source de profit sans risque.
29
Si on associe aux Hedge Funds ce type de stratégie alors il devient clair que ceux-ci peuvent
jouer un rôle déstabilisant sur les marchés, et l’argument selon lequel ils contribuent à
l’efficience des marché et la découverte des prix ne tient plus. La partie qui suit a donc pour
but de vérifier empiriquement cette hypothèse.
30
Chapitre III : Approche économétrique
Dans cette section, nous essayons de mettre en évidence à l’aide de plusieurs VAR bivariés
l’impact des Hedge Funds sur les marchés financiers. Nous nous focalisons sur l’étude des
fonds qui adoptent une stratégie global macro car ils semblent présenter les caractéristiques
qui nous intéressent. Il ne fait aucun doute que ceux-ci sont des investisseurs fondamentalistes
puisque la base de leur stratégie consiste à étudier les sous-jacents macroéconomiques des
titres sur lesquels ils investissent et de profiter de leur mauvaise valorisation. D’autre part
nous considérons par hypothèse que ceux-ci sont particulièrement bien informés et donc
capables d’anticiper les futures tendances du marché. Enfin leur utilisation massive des effets
de leviers permet d’imaginer qu’ils sont capables à eux seuls de produire des « pseudo
signaux » en ayant un impact suffisamment significatif sur les prix d’actifs pour entraîner
avec eux les chasseurs de tendance amplifiants les variations de prix.
Compte tenu du peu de documentation dont nous disposons à l’heure actuelle sur la question,
la mise en forme du modèle repose principalement sur l’intuition. Cette démarche, bien que
discutable, permet toutefois d’obtenir un premier jet de résultats vis-à-vis d’une approche
négligée jusqu’ici.
Le cœur du travail empirique consiste à confronter un indice de rentabilité des fonds global
macro, à celui du marché actions américain. Le choix de ce dernier se justifie par les fortes
rentabilités qu’il affiche malgré les secousses dont il est parfois victime, mais également la
large gamme de produits financiers que propose le marché américain dans son ensemble
faisant de lui l’un des marché les plus complet.
Section I : les données
Toute tentative de passage à l’économétrie commence par un choix judicieux des données
utilisées. Nous nous plaçons ici dans un cadre de très court terme. Ce qui nous intéresse sont
les déviations momentanées de la rentabilité du marché par rapport à sa moyenne de long
terme. Nous supposons donc par hypothèse que les prix d’actifs ont tendance à rejoindre leur
moyenne sur la longue période, phénomène qu’on appelle aussi « mean reversion ».
Afin de capter ces effets de court terme, nous travaillons sur des données journalières, ce qui
permet d’obtenir cinq points pour chaque série par semaine de cotation.
31
L’indice HFRMACRO :
Afin que le modèle puisse rendre compte de l’impact sur le marché des Hedge Funds adoptant
une stratégie global macro, nous nous sommes procuré l’indice de performance des fonds
global macro proposé par le fournisseur d’indice Hedge Funds Research3 disponible dans la
base de donnée du logiciel datastream.
L’indice est en réalité un agrégat en base 100 au 31 mars 2003 des valeurs liquidatives des
actifs possédés par les Hedge Funds figurant dans l’échantillon. Les données récupérées
couvrent donc la période qui s’étend du 31 mars 2003 au 16 janvier 2008.
L’indice TOTMKUS :
Cet indice est disponible via le logiciel datastream, et a pour objectif de représenter les
évolutions de l’ensemble du marché actions américain. Celui-ci est donc composé d’un
ensemble d’actifs exprimés en terme de price index, c'est-à-dire la valeur à laquelle ils sont
négociés sur le marché. L’acronyme signifie en réalité « total market united states ».
Transformation des données :
Les séries ont nécessité un travail de transformation préalable. En effet, nous travaillons sur le
logarithme de la rentabilité à un jour des indices. La transformation se fait donc de manière
simple en deux étapes. Premièrement, la transformation en logarithme des séries, puis le
calcul de la différence entre les valeurs des log entre la date t et t-1.
Cette technique permet de travailler directement sur les rentabilités des indices et non sur
leurs niveaux, rendant l’interprétation plus aisée, mais également d’avoir la certitude que les
séries sont bien stationnaires, sans quoi le modèle VAR ne serait pas applicable.
Nos variables seront donc renommées respectivement R1HFRMACRO pour la rentabilité à
un jour de l’indice global macro et R1TOTMKUS pour la rentabilité à un jour de l’indice du
marché actions américain.
3
www.hedgefundresearch.com
32
Analyse descriptive des données.
Le graphique ci-dessous présente l’évolution conjointe des deux séries en niveau.
Graphique 3 : Evolution en niveau des indices
1440
1360
1280
1200
1120
1040
960
880
800
TOTMKUS
HFRMACRO
720
2003
2004
2005
2006
2007
Premièrement les deux séries affichent des trend de croissance à la hausse sur toute la période.
Ce phénomène est parfaitement classique dans le domaine des séries financières. En effet,
sauf accident, les cours boursiers sont généralement croissants.
L’aspect le plus intéressant du graphique est qu’il permet de voir que globalement les deux
variables semblent évoluer de concert et répondent de manières identiques aux chocs. Seule la
fin de période, c'est-à-dire fin d’année 2007/début 2008, montre une certaine
désynchronisation des indices.
Toutefois, au regard de la figure, il est permis d’imaginer que l’on sera en mesure d’établir un
lien entre ces deux variables.
Les deux figures suivantes présentent dans l’ordre, la rentabilité à un jour de l’indice global
macro et celle de l’indice du marché boursier.
33
Graphique 4 : Variation des Logarithmes entre la date t et t-1 de l'indice de fonds
0.02
0.01
0.00
-0.01
-0.02
-0.03
R1HFRMACRO
-0.04
2003
2004
2005
2006
2007
Graphique 5 : Variation des Logarithmes entre la date t et t-1 de l'indice de marché
0.03
0.02
0.01
0.00
-0.01
-0.02
-0.03
-0.04
-0.05
R1LOGTOTMKUS
-0.06
2003
2004
2005
2006
2007
La chose la plus frappante est leur extrême volatilité. Néanmoins, l’indice de marché apparaît
comme plus volatile que l’indice de fonds. Il est possible que les stratégies alternatives fassent
ici leurs preuves en amortissant les chocs qui arrivent du marché.
34
Lorsqu’on regarde plus particulièrement l’indice de Hedge Funds sur la période atypique
identifiée plus haut, on remarque une amplitude très forte de la rentabilité qui serait donc
associée, au regard du premier graphique, à une baisse de la rentabilité des fonds.
Statistiques complémentaires
R1HFRMACRO
Nombre d’observations
1252
Moyenne de l’échantillon
0.000231
Variance
0.000021
Skewness
-1.427981**
Kurtosis
9.873391**
Jarque-Bera
5510.906124**
Valeur maximale
0.0198632177 (08/08/2007)
Valeur minimale
-0.0371446531(16/08/2007)
R1LOGTOTMKUS
Nombre d’observations
1252
Moyenne de l’échantillon
0.000412
Variance
0.000062
Skewness
-0.613701 **
Kurtosis
4.071541 **
Jarque-Bera
943.379880 **
Valeur maximale
0.0280374757 (07/01/2008)
Valeur minimale
-0.0589304726 (18/09/2007)
Niveaux de significativité : ** 5%, * 10%
35
Section II : Le modèle économétrique
Définition du modèle VAR :
Le choix du modèle économétrique s’est porté sur un modèle de type VAR. Au regard de la
littérature il serait pertinent d’utiliser une marche aléatoire, pour rendre compte de l’efficience
des marchés dans la modélisation des séries financières, soit :
ln Pt    ln Pt 1   t
Rt     t
Le logarithme du prix dépend au temps t de sa valeur à la période précédente, d’une constante

et un d’un bruit blanc
un choc
 t . On obtient donc une rentabilité Rt
« moyenne » perturbée par
t.
Toutefois, il nous semblait important que le modèle puisse rendre compte de
l’interdépendance des variables dans leur processus d’ajustement dynamique.
En effet, cette manière de représenter les ajustements semble beaucoup plus pertinente que
l’utilisation d’un modèle statique. Si les Hedge Funds sont capables de donner une impulsion
au marché, il est évident que ceux-ci devront également s’ajuster aux réponses du marché
qu’ils ont perturbé. Ainsi, chaque variable dépendra de ses propres valeurs passées ainsi que
des valeurs passées de l’autre variable.
La généralisation de l’écriture du modèle VAR dans le cas où X t contient N variables et pour
un ordre de retard p quelconque s’écrit sous forme matricielle :
X t  v   (1) X t 1 
  ( p) X t p  t
36
Avec :
 x1t

Xt  
x
 Nt
Et
et
t





et
deux vecteurs de dimension
 (k )
 11( k )


  (k )
 N1
1(Nk ) 

(k )
    ij 1i , j N
(k ) 
 NN

N 1
Nous cherchons à estimer les paramètres du système d’équations suivant (où N=2) :
 MACRO    p  ( k ) MACRO  p  ( k )US  
 11
 12
t
1
t k
t k
1t

k 1
k 1

t
t
(k )
(k )
USt   2    21
MACROt k    22
USt k   2t

k 1
k 1
Choix du nombre de décalages des processus autorégressifs
Dans un souci d’honnêteté, il faut admettre que le choix du nombre de décalages introduit
dans le VAR relève beaucoup plus de l’intuition que de l’examen des résultats des critères
usuels AIC et BIC ou encore les tests de Ljung-Box et du multiplicateur de Lagrange. Ceux-ci
sont toutefois disponibles en annexe.
Nous avons donc retenu un total de cinq retards pour chaque variable pour la simple et bonne
raison qu’il s’agit du nombre de jours de cotations par semaines. On suppose donc par
hypothèse qu’un choc sur une des variables ne devrait pas avoir de répercussion au-delà d’une
semaine. Ce choix parfaitement intuitif se justifie simplement par l’extraordinaire vitesse
d’ajustement des marchés financiers.
Dans ces conditions, notre attention s’est avant tout portée sur la significativité des paramètres
des valeurs décalées des variables, ainsi que sur les résultats des tests de causalité qui seront
présentés par la suite.
37
Section III : Estimation du modèle :
L’estimation des paramètres du modèle VAR peut être obtenue de manière simple grâce à
l’estimateur des moindres carrés ordinaires, équation par équation. Les résultats sont présentés
dans les tableaux suivants4:
Tableau 2 : Résultats de l'estimation des paramètres de l'équation 1
Variable Dépendante :
HFRMACRO
Variables
Coefficient
T-Stat
R1HFRMACRO{1}
0.059890891*
2.03445
R1HFRMACRO{2}
0.021175373
0.71671
R1HFRMACRO{3}
0.038418224
1.29769
R1HFRMACRO{4}
0.058112392*
1.96874
R1HFRMACRO{5}
-0.012097891
-0.42220
R1LOGTOTMKUS{1}
0.129777403**
7.77849
R1LOGTOTMKUS{2}
0.043429589**
2.52679
R1LOGTOTMKUS{3}
0.020945830
1.21419
R1LOGTOTMKUS{4}
0.006961887
0.40569
R1LOGTOTMKUS{5}
-0.004210940
-0.24891
Constante
0.000121429
0.96036
dw
1.999883
Tableau 3 : Résultats de l'estimation des paramètres de l'équation 2
Variable Dépendante :
R1LOGTOTMKUS
4
** la variables est significative à 5%, * la variable est significative à 10%
38
Variable
Coefficient
T-Stat
R1HFRMACRO{1}
-0.085506204*
-1.65380
R1HFRMACRO{2}
0.086561253*
1.66814
R1HFRMACRO{3}
-0.043932116
-0.84492
R1HFRMACRO{4}
0.040034544
0.77224
R1HFRMACRO{5}
-0.182111147**
-3.61864
R1LOGTOTMKUS{1}
-0.053529447*
-1.82678
R1LOGTOTMKUS{2}
-0.047926203
-1.58765
R1LOGTOTMKUS{3}
0.032460348
1.07137
R1LOGTOTMKUS{4}
-0.053098110*
-1.76175
R1LOGTOTMKUS{5}
0.036948781
1.24354
Constante
0.000460517**
2.07375
Dw
1.996976
Au regard des résultats des estimations nous pouvons retenir l’écriture suivante de notre
système d’équations :
39
 MACROt  11(1) MACROt 1  12(1)USt 1  12(2)USt 2  1t

(1)
(1)
(2)
USt   2   22 USt 1   21 MACROt 1   22 MACROt 2   2t
Premièrement, chaque variable est expliquée par sa valeur passée à la période précédente ce
qui confirme l’aspect auto régressif des processus que suivent nos séries. De plus nous
retrouvons dans l’expression de la première équation les résultats mis en évidence dans la
littérature. La rentabilité des fonds est expliquée par les évolutions passées de la rentabilité du
marché actions. Les signes des coefficients sont tous positifs et confirment donc que la
rentabilité des fonds est positivement reliée au marché actions.
Enfin, l’expression de la rentabilité du marché confirme notre intuition. Il semble que celle-ci
dépende des valeurs passées de la rentabilité des fonds. Cependant les signes des coefficients
associés à l’expression de la rentabilité du marché ne correspondent pas tout à fait à nos
attentes car certains affichent des signes négatifs. Il semblait plus probable, compte tenu des
hypothèses faites sur leur stratégie, de trouver un biais de déformation à la hausse des prix
d’actifs.
Test de causalité
Le test de causalité de Granger est ici incontournable car, si celui-ci conduit à refuser la
significativité des décalages de l’indice de fonds dans l’équation du marché, notre modèle
n’aura aucun pouvoir explicatif en matière de déformation des prix.
Résultats du test de causalité :
Statistique de Fisher
Niveau de significativité
HFRMACRO
2.3418
0.0396286
TOTMKUS
12.8555
0.0000000
Variable Dépendante :
HFRMACRO
40
Résultats du test de causalité :
Statistique de Fisher
Niveau de significativité
HFRMACRO
3.8100
0.0019828
TOTMKUS
2.5844
0.0246241
Variable Dépendante : TOTMKUS
Le test conduit donc à accepter l’hypothèse de significativité des décalages de l’indice de
fonds dans l’équation de marché et confirme donc notre hypothèse.
Afin de se faire une meilleure idée des mécanismes d’ajustements et du signe de l’effet total,
il est nécessaire de s’arrêter sur le graphique de la fonction de réponse du marché associé à un
choc positif sur la rentabilité des Hedge Funds.
Graphique 6 : Effets instantanés associées à un choc de 1% sur la rentabilité des Hedge Funds
Effects of a Shock to R1HFRMACRO
R1HFRMACRO
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9
10
11
12
13
14
15
R1LOGTOTMKUS
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
0
1
2
3
4
5
6
7
8
Avant de commenter les variations de la courbe représentative du marché, on peut noter qu’un
choc sur la variable R1HFRMACO n’a plus d’effets au delà de six périodes, ce qui
correspondent ici à six jours. Notre intuition en matière de persistance des chocs paraît alors
plutôt satisfaisante puisque nous avions parié sur un délai n’excédant pas la semaine.
41
Le choc a pour effet immédiat d’entraîner une hausse de l’indice de marché. Cependant la
croissance des prix ralenti tout au long de la première journée. Ceux-ci finissent même par
connaître une légère baisse en fin de journée par rapport au niveau maximum qu’ils avaient
atteint. En période 2 le marché semble corriger cette baisse et pousse de nouveau le prix à la
hausse. Celui-ci stagne approximativement pendant deux jours, pour connaitre une nouvelle
baisse en fin de semaine.
Les graphiques ci-dessous qui présentent les fonctions de réponse en terme d’effets cumulés,
permettent de se faire une idée du signe de l’effet total.
Graphique 7 : Effets cumulés associés à un choc de 1% sur la rentabilité des Hedge Funds
Accum ulated Effects of a Shock to R1HFRMACRO
R1HFRMACRO
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9
10
11
12
13
14
15
R1LOGTOTMKUS
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0
1
2
3
4
5
6
7
8
Il semblerait que les baisses que connaît l’indice de marché durant la période d’ajustement ne
soient pas suffisantes pour compenser l’effet instantané et largement positif du choc initial.
Au total, les marchés seraient donc positivement reliés à la rentabilité des fonds.
42
Interprétation des résultats
Ces résultats, bien qu’issus d’une méthode simple et intuitive, permettent de mettre en lumière
la nature du lien qui peut exister entre les Hedge Funds et le marché actions américain. De
toute évidence celui-ci n’est pas à sens unique, et on peut légitimement parler d’interactions
entre les rentabilités. La performance des Hedge Funds n’est pas neutre sur l’évolution des
prix des actions, et conformément à notre intuition, le marché répond, au total, positivement
aux variations de la rentabilité des fonds.
Toutefois la nature exclusivement positive des variations instantanées n’est pas vérifiée. Pour
des raisons qui restent inconnues, le marché connaît des phases baissières dans son processus
d’ajustement. Plusieurs hypothèses peuvent être envisagées. Premièrement on assiste
probablement à un phénomène de surajustement5. Le choc qui se propage au marché entraine
un processus d’ajustement par tâtonnements dont l’amplitude dépend de l’importance du choc
initial. Ainsi les corrections du marché peuvent aller momentanément au-delà de ce qui est
nécessaire afin de rattraper la rentabilité moyenne de long terme.
Ensuite cette baisse en fin de première journée pourrait être la conséquence de la liquidation
par les Hedge Funds de leurs positions. Ceux-ci ne cherchant pas à s’engouffrer trop loin dans
la hausse, encaisseraient leur plus-value en fin de journée. Ce scénario apparaît assez
compatible avec leur comportement d’arbitragistes sophistiqués définit dans le chapitre II.
Enfin on assiste probablement à la réaction d’un marché qui fonctionnement relativement
bien, c'est-à-dire suffisamment liquide et efficient pour contenir les dérapages trop importants
de prix. Dans ce contexte le pouvoir déstabilisant des Hedge Funds serait plus limité sur ce
type de marché, notamment en raison de la faible persistance du choc.
Section IV : Estimation du modèle en sous périodes
Cette section a pour objectif de renouer avec une vision plus traditionnelle du pouvoir
déstabilisant attribué au Hedge Funds, qui les envisage plutôt comme des déclencheurs de
secousses financières lors d’épisodes bien particuliers.
Bien que le modèle fasse la preuve de l’implication des Hedge Funds dans la rentabilité sur la
longue période, il est plus probable que le lien mis en lumière entre marché et fonds se
renforce sur de plus petites périodes de temps.
5
DE BONDT W. et THALER R., «Does the Stock Market Overreact? », Journal of finance, Volume 40,
Juillet 1985
43
Du point de vue économétrique on s’attend à une augmentation du nombre de variables
significatives couplée à des niveaux de significativité élevés, permettant de s’assurer de
manière certaine de la pertinence du modèle.
La méthodologie a consisté à identifier à l’aide du graphique ci-dessous, où apparaît le log de
la rentabilité à un jour du marché, des périodes pendant lesquelles on peut distinguer des
« pics » dans la rentabilité du marché, afin d’opérer ainsi un découpage temporel.
Graphique 5 : Variation des Logarithmes entre la date t et t-1 de l'indice de marché
0.03
0.02
0.01
0.00
-0.01
-0.02
-0.03
-0.04
-0.05
R1LOGTOTMKUS
-0.06
2003
2004
2005
2006
2007
Plusieurs périodes d’une durée variant de un à six mois ont été testées. Bien que certaines
variables soient significatives et que les tests de Fisher conduisent parfois à accepter la
causalité de l’indice de fonds vers le marché, il semble difficile d’en tirer de véritables
enseignements tant le modèle semble perdre de son pouvoir explicatif. A titre d’exemple les
tableaux suivants restituent les résultats de l’estimation sur la période qui s’étend du 16 juillet
2007 au 20 août 2007, et qui offrent manifestement les meilleurs résultats.
44
Tableau 4 : Résultats de l'estimation des paramètres du modèle en sous période (16/07/2007- 20/08/2007)
Période 5
Variables dépendantes
(16/07/2007-20/08/2007)
Variables explicatives
R1HFRMACRO{1}
R1HFRMACRO{2}
R1HFRMACRO{3}
R1HFRMACRO{4}
R1HFRMACRO{5}
R1LOGTOTMKUS{1}
R1LOGTOTMKUS{2}
R1LOGTOTMKUS{3}
R1LOGTOTMKUS{4}
R1LOGTOTMKUS{5}
Constante
Dw
Résultats du test de causalité :
HFRMACRO
TOTMKUS
0.004946500
-0.407877812**
(0.05128)
(-2.97591)
0.028820434
0.148733843
(0.29239)
(1.06194)
0.065096357
-0.120920563
(0.66120)
(-0.86437)
0.125566848
0.144086164
(1.28991)
(1.04167)
-0.003714700
-0.326359061**
(-0.03913)
(-2.41943)
0.138926874**
-0.011000775
(2.11213)
(-0.11770)
0.063062008
0.006767053
(0.94851)
(0.07163)
0.029292391
0.089087349
(0.44221)
(0.94649)
0.018897422
-0.202291960**
(0.28281)
(-2.13059)
-0.003762835
0.179875421*
(-0.05874)
(1.97627)
0.000081457
-0.000981167
(0.10379)
(-0.87985)
1.977099
1.936969
Statistique de Fisher
Niveau de significativité
HFRMACRO
3.3951
0.0066020
TOTMKUS
2.5384
0.0318842
Variable Dépendante :
TOTMKUS
Les résultats du test conduisent à accepter la causalité des deux variables dans l’équation de
marché, au seuil de 5%.
45
Cette approche, qui semblait pourtant pertinente, s’avère donc pauvre en résultats. Lorsqu’on
réduit la période étudiée, il semble impossible de retrouver la forme du modèle qui avait pu
être identifiée. Plusieurs raisons peuvent expliquer l’échec de cette démarche. Premièrement
le découpage des périodes n’est peut être pas le bon du point de vue du timing choisi. D’autre
part la modélisation VAR nécessite une fenêtre temporelle suffisamment longue afin de
travailler sur un nombre de points relativement conséquent. De ce fait il est impossible
d’étudier un instant précis pendant lequel les Hedge Funds auraient participé à la déformation
des prix. Seule la répétition d’un comportement pourra être identifiée par le VAR sur une
longue période.
Enfin il est probable que l’impact des Hedge Funds soit trop diffus pour être identifié à « l’œil
nu ». Les mouvements de marché répondent à des forces qui dépassent certainement leur
pouvoir déstabilisant avec notamment les « news » macroéconomiques qui sont un élément
fondamental de la formation des anticipations.
D’autres méthodes mériteraient d’être envisagées, comme la réalisation d’un VAR glissant
sur toute la période, ou encore d’opérer le découpage des périodes au regard de la volatilité
des séries et non simplement des « pics » de rentabilité.
Section V : Un comparatif avec les marchés émergents :
Afin de vérifier les résultats présentés en section III il semblait approprié de réaliser les
mêmes tests sur d’autres indices. Ici le travail a consisté à confronter successivement des
indices de marché actions des économies en développement à un indice de fonds adoptant une
stratégie de type « marché émergents ».
Trois estimations ont été réalisées sur les marchés actions suivants : Amérique latine, Europe
émergente et Asie du sud Est.
La méthodologie reste identique à savoir que nous cherchons à estimer les paramètres d’un
modèle VAR bivarié comprenant cinq décalages pour chaque variable exprimée en log de la
rentabilité à un jour.
Les tableaux ci-dessous regroupent les résultats des estimations avec les variables nommées
R1HFRMERG pour l’indice de fonds et R1LOGTOTMKLA l’indice du marché actions
d’Amérique latine, R1LOGTOTMKSE pour l’Asie du Sud Est et R1LOGTOTMKUE pour
l’Europe émergente.
46
Tableau 4 : Résultats de l'estimation des paramètres du modèle pour l'Amérique Latine
Amérique Latine et marché
Variables dépendantes
émergents
Variables explicatives
R1HFRMERG{1}
R1HFRMERG{2}
R1HFRMERG{3}
R1HFRMERG{4}
R1HFRMERG{5}
R1LOGTOTMKLA{1}
R1LOGTOTMKLA{2}
R1LOGTOTMKLA{3}
R1LOGTOTMKLA{4}
R1LOGTOTMKLA{5}
Constante
dw
Résultats du test de causalité :
R1HFRMERG
R1LOGTOTMKLA
0.081722840**
0.407270936**
(2.67335)
(2.42065)
0.105468706**
0.245014495
(3.43859)
(1.45139)
0.012820952
0.592285734**
(0.41796)
(3.50817)
0.003944967
0.044196543
(0.12838)
(0.26133)
0.034982841
0.385146648**
(1.14225)
(2.28491)
-0.013045787**
0.090805661**
(-2.34755)
(2.96888)
-0.009091321*
-0.055486939*
(-1.61859)
(-1.79489)
-0.016861737**
-0.064530924**
(-3.01106)
(-2.09373)
0.000206959
-0.021006762
(0.03689)
(-0.68040)
0.005547280
-0.016928605
(1.00084)
(-0.55493)
0.000196074**
0.001163291**
(3.04215)
(3.27932)
2.005613
1.985335
Statistique de Fisher
Niveau de significativité
R1HFRMERG
4.4334
0.0005242
R1LOGTOTMKLA
4.1262
0.0010130
Résultats du test de causalité :
Statistique de Fisher
Niveau de significativité
R1HFRMERG
5.9672
0.0000184
R1LOGTOTMKLA
3.5796
0.0032195
Variable Dépendante :
R1HFRMERG
Variable Dépendante :
R1LOGTOTMKLA
Chaque variable passe le test de causalité au seuil de 5%.
47
Tableau 5 : Résultats de l'estimation des paramètres du modèle pour l'Asie du Sud Est
Asie du Sud Est et Marchés
Variables dépendantes
Emergents
Variables explicatives
R1HFRMERG{1}
R1HFRMERG{2}
R1HFRMERG{3}
R1HFRMERG{4}
R1HFRMERG{5}
R1LOGTOTMKSE{1}
R1LOGTOTMKSE {2}
R1LOGTOTMKSE {3}
R1LOGTOTMKSE {4}
R1LOGTOTMKSE {5}
Constante
Dw
Résultats du test de causalité :
R1HFRMERG
TOTMKSE
0.070034714**
1.091131629**
(2.44575)
(10.05262)
0.110898799**
0.180785705
(3.72258)
(1.60098)
-0.010374190
0.307208386**
(-0.34665)
(2.70816)
-0.001260055
0.236449259**
(-0.04200)
(2.07924)
0.043218354
0.181132615
(1.44066)
(1.59292)
-0.021152791**
0.096991448**
(-2.80365)
(3.39152)
-0.008360273
-0.054644016*
(-1.10014)
(-1.89703)
-0.004783415
0.055569020*
(-0.63093)
(1.93366)
0.005415259
-0.016802491
(0.70844)
(-0.57991)
0.002394407
-0.032403802
(0.32585)
(-1.16337)
0.000176762**
0.000443593*
(2.75508)
(1.82404)
2.004828
2.000935
Statistique de Fisher
Niveau de significativité
R1HFRMERG
4.4310
0.0005269
R1LOGTOTMKSE
2.1408
0.0583160
Résultats du test de causalité :
Statistique de Fisher
Niveau de significativité
R1HFRMERG
25.2360
0.0000000
R1LOGTOTMKSE
3.6699
0.0026642
Variable Dépendante :
R1HFRMERG
Variable Dépendante :
R1LOGTOTMKSE
On accepte également la causalité pour chaque variable de chaque équation.
48
Tableau 6 : Résultats de l'estimation des paramètres du modèle pour l'Europe émergente
Europe émergente et Marchés
Variables dépendantes
émergents
Variables explicatives
R1HFRMERG{1}
R1HFRMERG{2}
R1HFRMERG{3}
R1HFRMERG{4}
R1HFRMERG{5}
R1LOGTOTMKUE{1}
R1LOGTOTMKUE{2}
R1LOGTOTMKUE{3}
R1LOGTOTMKUE{4}
R1LOGTOTMKUE{5}
Constante
dw
Résultats du test de causalité :
R1HFRMERG
R1LOGTOTMKUE
0.076091096**
0.821285209**
(2.63118)
(4.89240)
0.096031801**
0.272480047
(3.28545)
(1.60593)
-0.016696333
0.316731654*
(-0.56893)
(1.85925)
-0.010395201
0.081440101
(-0.35464)
(0.47863)
0.033928550
0.131497896
(1.16122)
(0.77532)
-0.013076852**
0.055779644*
(-2.62059)
(1.92567)
-0.002180050
0.026162188
(-0.43471)
(0.89872)
-0.003310917
-0.001512161
(-0.66101)
(-0.05201)
0.005946499
-0.021306639
(1.18873)
(-0.73375)
0.003255842
0.058807595**
(0.65904)
(2.05066)
0.000173596**
0.000954141**
(2.68353)
(2.54092)
2.004084
1.989354
Statistique de Fisher
Niveau de significativité
R1HFRMERG
3.9454
0.0014884
R1LOGTOTMKUE
1.9336
0.0860410
Résultats du test de causalité :
Statistique de Fisher
Niveau de significativité
R1HFRMERG
6.8112
0.0000028
R1LOGTOTMKUE
1.8318
0.1037562
Variable Dépendante :
R1HFRMERG
Variable Dépendante :
R1LOGTOTMKUE
49
Ici, on rejette la causalité uniquement pour l’indice de marché dans l’équation 2 du modèle.
Les graphiques suivants présentent les fonctions de réponse associées à un choc de 1% sur la
rentabilité des fonds présents dans l’indice.
Graphique 9 : Effets instantanés associées à un choc de 1% sur la rentabilité des Hedge Funds sur le
marché action d'Amérique Latine
Effects of a Shock to R1HFRMERG
R1HFRMERG
2.1
1.8
1.5
1.2
0.9
0.6
0.3
0.0
-0.3
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9
10
11
12
13
14
15
R1LOGTOTMKLA
2.1
1.8
1.5
1.2
0.9
0.6
0.3
0.0
-0.3
0
1
2
3
4
5
6
7
8
Graphique 10 : Effets instantanés associées à un choc de 1% sur la rentabilité des Hedge Funds sur le
marché action d'Asie du Sud Est
Effects of a Shock to R1HFRMERG
R1HFRMERG
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9
10
11
12
13
14
15
R1LOGTOTMKSE
1.2
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
0
1
2
3
4
5
6
7
8
50
Graphique 11 : Effets instantanés associées à un choc de 1% sur la rentabilité des Hedge Funds sur le
marché action de l'Europe émergente
Effects of a Shock to R1HFRMERG
R1HFRMERG
1.12
0.96
0.80
0.64
0.48
0.32
0.16
0.00
-0.16
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9
10
11
12
13
14
15
R1LOGTOTMKUE
1.12
0.96
0.80
0.64
0.48
0.32
0.16
0.00
-0.16
0
1
2
3
4
5
6
7
8
Les résultats, dans l’ensemble, sont plutôt satisfaisants et assez similaires à ceux obtenus
précédemment. Les valeurs décalées de l’indice de fonds dans les équations du marché sont
significatives et confirment le rôle actif des Hedge Funds dans les mouvements des prix
d’actifs. Les délais d’ajustement sont globalement identiques avec un délai légèrement plus
long pour l’Europe émergente.
La réaction du marché, au choc sur la rentabilité des fonds, est encore plus nette ici car les
marchés n’enregistrent jamais de baisse.
L’impact des Hedge Funds semble donc plus important sur les marchés émergents. Alors que
le marché américain semblait en mesure de freiner les déviations trop importantes de prix, les
marchés émergents ne corrigent pas à la baisse et absorbent l’intégralité des hausses.
Bien qu’il soit impossible d’en expliquer la raison à l’aide de ce modèle, on pourra toutefois
envisager plusieurs hypothèses. Il est possible qu’en termes de volume de transaction les
Hedge Funds représentent une part plus importante sur ces marchés, renforçant leur pouvoir
déstabilisant. D’autre part, on peut imaginer que les agents sont plus touchés par les
asymétries d’information sur les marchés émergents. Dans ce contexte, d’une part, il est plus
51
difficile de se faire une juste représentation de la valeur fondamentale d’un titre et d’apprécier
les dérapages de prix afin de faire jouer les stratégies d’arbitrage. D’autre part, l’incertitude
pousse certainement les agents à adopter dans une plus large mesure des stratégies de type
« positive feedback » et de suivre les tendances. Dans ces conditions, les déséquilibres de prix
peuvent être plus importants.
Conclusion
Ce travail de recherche a tenté d’apporter des réponses nouvelles aux questions liées aux
Hedge Funds, particulièrement leur capacité à perturber les marchés financiers. De ce point de
vue, les résultats obtenus à l’issue de l’évaluation empirique sont encourageants, au regard de
l’originalité de l’approche proposée dans le domaine.
Ainsi, l’impact de la rentabilité des fonds sur celle du marché a pu être mis en lumière,
confirmant l’hypothèse d’arbitragistes sophistiqués capables de donner des impulsions au
marché. Ce pouvoir déstabilisant a pu être identifié sur le marché actions américain, de même
que sur les marchés émergents, sur lesquels les effets sont plus massifs encore.
Celui-ci semble trouver son origine dans la combinaison de deux facteurs. Premièrement, les
asymétries d’information apparaissent comme l’une des sources de leur « pouvoir de
marché » en favorisant les comportements mimétiques, habilement exploités par les Hedge
Funds. Deuxièmement les leviers déforment leur poids relatif en terme d’encours de manière
instantané, leur offrant les moyens opérationnels de profiter de l’inefficience des marchés.
Partant de ce constat, il apparaît de manière claire que le législateur doit s’emparer de la
question des leviers. Celui-ci doit mettre en place une régulation directe des fonds en limitant
leur capacité d’endettement, vis-à-vis des banques mais également en ce qui concerne
l’utilisation de la vente à découvert et des produits complexes. Les recommandations de la
littérature, qui plaident en faveur d’une réglementation indirecte via la gestion du risque de
contrepartie6, sont dans ce contexte insuffisantes et inefficaces. D’autre part ces dispositions
réglementaires doivent être discutées au niveau international sans quoi aucune harmonisation
législative ne pourra aboutir, aucun pays n’ayant intérêt à légiférer de manière unilatérale7.
6
Dans leur article “Hedge Funds, Financial Intermediation, and Systemic Risk” KAMBHU J., SCHUERMANN T.,
STIROH K., étudient la question de la gestion du risque de contrepartie de manière très détaillée et concluent que celle-ci
serait suffisant afin de contenir les risques systémiques.
7
MARTIN F., « Concurrence et régulation dans l’industrie de la gestion d’actifs », (2006).
52
REFERENCES BIBLIOGRAPHIQUES
AGARWAL V., FUNG W., LOON Y. et NAIK N., « Liquidity provision in the convertible
Bond Market : Analysis of Convertible Arbitrage Hedge Funds », Février 2007.
ALLEN F. et Gale D., « An Introduction to Financial Crises », Financial Crises, The
international Library of Critical Writings in Economics, 14 Août 2007.
ANURAG G. et Bing L.,« Do hedge funds have enough capital? A value-at-risk
approach », Journal of Financial Economics 77, 2005.
BAYOUDH F. et ELGAIED M., « Limited Arbitrage: The Paralysis of the Regulating
Mechanism of Financial Markets », Février 2008
BRUNERMMEIER M. et PEDERSON L., « Market liquidity and Funding liquidity », juin
2008.
COLE R., FELDBERG G., LYNCH D, « Hedge Funds, transfert du risqué de crédit et
stabilité financière. », Board of gouvernors of the federal reserve system, Revue de la
stabilité financière, Banque de France, numéro spécial Hedge Funds, N°10, Avril 2007
COUDERT V. et VERHILLE F., « A Propos des bulles spéculatives », Bulletin de la
Banque de France, N°95, Novembre 2001.
DANÍELSSON J. et ZIGRAND J.P., « Quelle forme de régulation pour les Hedge
Funds ? », Revue de la stabilité financière, Banque de France, numéro spécial Hedge Funds,
N°10, Avril 2007.
DE BONDT W. et THALER R., «Does the Stock Market Overreact? », Journal of finance,
Volume 40, Juillet 1985.
DELONG, SHLEIFER, SUMMERS et WALDMANN, « Noise trader risk in financial
market », University of Chicago Press, Journal of Political Economy, Volume 98, Août 1990.
DELONG, SHLEIFER, SUMMERS et WALDMANN, « Positive feedback investment
strategies and destabilizing rational speculation », The Journal of Finance, Volume 45,
Juin 1990.
DRAGHI M., « Hedge Funds et Stabilité financière », Financial stability forum et Banca
d’Italia, Revue de la stabilité financière, Banque de France, numéro spécial Hedge Funds,
N°10, Avril 2007.
DROESBEKE J.J., FICHET B. et TASSI P., « Modélisation ARCH, Théorie statistique et
applications dans le domaine de la finance », Editions de l’Université de Bruxelles, 1994.
53
FUNG W., HSIEH D. et TSATSARONIS K., « Do Hedge Funds Disrupt Emerging
Markets? », Brookings-Wharton Papers on Financial Services, 2000.
FUNG W., HSIEH D., « Measuring the market impact of Hedge Funds », Journal of
empirical finance 7, 2000
GARBARAVICIUC T. et DIERICK F., « Hedge Funds and their implication on financial
stability », occasional paper series, Banque centrale européene, août 2005.
JONDEAU E., « Volatilité et mésalignement sur les marchés financiers », Bulletin de la
Banque de France, N° 95, Novembre 2001.
KAMBHU J., SCHUERMANN T., STIROH K., “Hedge Funds, Financial Intermediation,
and Systemic Risk”, Federal Reserve Bank of New York, août 2007.
KING M. et MAIER P., « Hedge Funds and financial stability: The state of debate »,
Bank of Canada Discussion Paper, septembre 2007.
LHABITANT F., « Les indices de Hedge Funds doivent ils être éligibles ou non aux fonds
grands public ? », Les Cahiers scientifiques, Autorité des marchés financiers, septembre
2006.
MARTIN F., « Concurrence et régulation dans l’industrie de la gestion d’actifs »,
Libéralisations, Privatisations, Régulations, 2006
MONTEIRO P., « Forecasting Hedge Funds volatility: a risk management approach »,
Banco Invest, S.A, mars 2004.
ORLEAN A., « Efficience informationnelle versus finance comportementale : éléments
pour un débat » (2007)
PAPADEMOS
L., « La surveillance des Hedge Funds : un point de vue de stabilité
financière », Banque de France, Revue de la stabilité financière, numéro spécial Hedge
Funds, N°10, Avril 2007.
SHALCHIAN H., M’ZALI B. et PAQUET A., « Intégration de la performance sociale
dans le modèle d’évaluation d’actifs financiers », ASAC 2004, QUEBEC.
TADJEDDINE Y., « Rationalité Cognitive des Décisions Spéculatives », Présentation dans
le cadre des 17èmes Journées Internationales d'Economie Monétaire et Bancaire Lisbonne 8,9
et 10 juin 2000, CREA-Ecole Polytechnique.
« Hedge Funds, Leverage, and the Lessons of Long-Term Capital Management », Report
of The President’s Working Group on Financial Markets, 28 Avril 1999.
54
Annexe I : Tests et résultats complémentaires
Résultats des critères AIC, BIC et tests de Ljung-Box et du multiplicateur de Lagrange :
Indice Global Macro :
AIC
4
BIC
1
Ljung-Box Test
3
Lagrange Multiplier Test
1
AIC
7
BIC
0
Ljung-Box Test
0
Lagrange Multiplier Test
0
Indice du marché US :
Analyse des résidus :
Skewness Kurtosis
R1HFRMACRO
R1LOGTOTMKUS
-1.1042
-0.6526
Jarque
Ljung-
Multiplicateur
Bera
Box
de Lagrange
ARCH
11.4502 3963.5031 17.9087
21.1068
225.3058
(0.0000)
(0.0837)
(0.1744)
(0.0000)
753.3267
5.0298
11.3782
136.8281
(0.0000)
(0.9297)
(0.7856)
(0.0000)
6.5771
55
Fonctions de réponse complémentaires pour l’estimation sur le marché
américain :
Graphique 12 : Effets instantanés d’un choc de 1% sur la rentabilité du marché
Effects of a Shock to R1LOGTOTMKUS
R1HFRMACRO
1.00
0.75
0.50
0.25
0.00
-0.25
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9
10
11
12
13
14
15
R1LOGTOTMKUS
1.00
0.75
0.50
0.25
0.00
-0.25
0
1
2
3
4
5
6
7
8
Graphique 13 : Effets cumulés d’un choc de 1% sur la rentabilité du marché
Accum ulated Effects of a Shock to R1LOGTOTMKUS
R1HFRMACRO
1.00
0.75
0.50
0.25
0.00
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
9
10
11
12
13
14
15
R1LOGTOTMKUS
1.00
0.75
0.50
0.25
0.00
0
1
2
3
4
5
6
7
8
56
Résultats des estimations en sous périodes :
Période 1
Variables dépendantes
(01/04/2003-20/07/2003)
Variables explicatives
R1HFRMACRO{1}
R1HFRMACRO{2}
R1HFRMACRO{3}
R1HFRMACRO{4}
R1HFRMACRO{5}
R1LOGTOTMKUS{1}
R1LOGTOTMKUS{2}
R1LOGTOTMKUS{3}
R1LOGTOTMKUS{4}
R1LOGTOTMKUS{5}
Constante
Dw
Résultats du test de causalité :
HFRMACRO
TOTMKUS
-0.041240701
0.503274181*
(-0.33121)
(1.78553)
0.185123027
0.451401258
(1.45343)
(1.56561)
-0.011089840
0.502046263*
(-0.08528)
(1.70542)
0.077850961
0.374864167
(0.59022)
(1.25547)
0.092240625
-0.256045111
(0.70568)
(-0.86535)
0.022637385
-0.198575730
(0.40584)
(-1.57270)
-0.016755100
-0.295358728*
(-0.30103)
(-2.34418)
-0.053245056
-0.107635257
(-0.90526)
(-0.80841)
-0.081984156
0.171419283
(-1.53431)
(1.41719)
0.068585638
0.101933039
(1.30923)
(-0.85958)
0.000635831
0.001454884
(1.16782)
(1.18045)
2.001402
2.003607
Statistique de Fisher
Niveau de significativité
HFRMACRO
2.2915
0.0558918
TOTMKUS
2.8078
0.0235426
Variable Dépendante : TOTMKUS
Les résultats du test conduisent à accepter la causalité dans l’équation 2 du modèle au seuil de
10%.8
8
Ici, seuls les tests conduisant à accepter la causalité seront présentés
57
Période 2
Variables dépendantes
(16/03/2006-10/05/2006)
Variables explicatives
R1HFRMACRO{1}
R1HFRMACRO{2}
R1HFRMACRO{3}
R1HFRMACRO{4}
R1HFRMACRO{5}
R1LOGTOTMKUS{1}
R1LOGTOTMKUS{2}
R1LOGTOTMKUS{3}
R1LOGTOTMKUS{4}
R1LOGTOTMKUS{5}
Constante
Dw
Résultats du test de causalité :
HFRMACRO
TOTMKUS
-0.266943156
0.030834046
(-1.44437)
(0.09298)
0.041331774
0.092126829
(0.23534)
(0.29234)
0.076770200
0.195303631
(0.44056)
(0.62462)
0.153389653
0.096240993
(0.87746)
(0.30682)
0.247108388
0.154581749
(1.54565)
(0.53886)
-0.041719769
-0.117017146
(-0.39547)
(-0.61818)
-0.108551079
-0.080425852
(-1.09117)
(-0.45055)
0.159767581
-0.045356607
(1.61478)
(-0.25548)
-0.269265030
-0.156044858
(-2.49039)
(-0.80432)
-0.117111905
-0.203736228
(-1.01551)
(-0.98456)
0.001351757
0.000237666
(1.86157)
(0.18241)
1.924773
1.948716
Statistique de Fisher
Niveau de significativité
HFRMACRO
0.9484
0.4650679
TOTMKUS
2.3412
0.0667186
Variable Dépendante :
HFRMACRO
Les résultats du test conduisent à accepter la causalité uniquement pour l’indice de marché
dans l’équation 1 du modèle au seuil de 10%.
Aucun paramètre n’est significatif dans l’équation 2.
58
Période 3
Variables dépendantes
(25/09/2006-25/02/2007)
Variables explicatives
R1HFRMACRO{1}
R1HFRMACRO{2}
R1HFRMACRO{3}
R1HFRMACRO{4}
R1HFRMACRO{5}
R1LOGTOTMKUS{1}
R1LOGTOTMKUS{2}
R1LOGTOTMKUS{3}
R1LOGTOTMKUS{4}
R1LOGTOTMKUS{5}
Constante
Dw
Résultats du test de causalité :
HFRMACRO
TOTMKUS
-0.002041675
-0.050963767
(-0.01916)
(-0.33331)
0.089669430
0.034390652
(0.85598)
(0.22885)
0.078135126
-0.011580633
(0.73689)
(-0.07613)
-0.302255909**
-0.193009532
(-2.86522)
(-1.27543)
-0.223731675**
-0.296264583*
(-2.10900)
(-1.94680)
0.150198312**
0.020406891
(2.02105)
(0.19142)
-0.149838256**
-0.278331547*
(-2.01260)
(-2.60610)
-0.073985996
-0.143009951
(-0.96348)
(-1.29824)
0.032968132
-0.081177887
(0.43286)
(-0.74300)
0.130399521*
0.002283658
(1.71304)
(0.02091)
0.000771319**
0.001796905**
(2.26738)
(3.68221)
2.035528
1.982566
Statistique de Fisher
Niveau de significativité
HFRMACRO
2.7088
0.0244360
TOTMKUS
2.8191
0.0200593
Variable Dépendante :
HFRMACRO
Les résultats du test conduisent à accepter la causalité pour chaque variable mais uniquement
dans l’équation 1 du modèle au seuil de 5%.
59
Période 4
(26/02/2007-15/07/2007)
Variables explicatives
R1HFRMACRO{1}
R1HFRMACRO{2}
R1HFRMACRO{3}
R1HFRMACRO{4}
R1HFRMACRO{5}
R1LOGTOTMKUS{1}
R1LOGTOTMKUS{2}
R1LOGTOTMKUS{3}
R1LOGTOTMKUS{4}
R1LOGTOTMKUS{5}
Constante
Dw
Variables dépendantes
HFRMACRO
TOTMKUS
0.211496404
0.211237921
(1.39737)
(1.11180)
-0.019015338
-0.001810427
(-0.12728)
(-0.00965)
-0.178223739
-0.238739105
(-1.14953)
(-1.22666)
0.349758579**
0.275489435
(2.26917)
(1.42380)
-0.089581294
-0.087105734
(-0.64906)
(-0.50276)
0.202791713*
-0.174611924
(1.75596)
(-1.20444)
-0.006637609
-0.040417800
(-0.05343)
(-0.25918)
0.168001567
0.181683971
(1.36728)
(1.17789)
-0.058671060
-0.073958833
(-0.47350)
(-0.47548)
-0.147087254
-0.322662058**
(-1.31913)
(-2.30519)
0.000277735
0.000800933
(0.44876)
(1.03091)
2.043927
2.144429
Compte tenu du peu de variables significatives, aucune causalité ne peu être identifiée par les
tests de Fisher.
60
Période 6
Variables dépendantes
(21/08/2007-25/11/2007
Variables explicatives
R1HFRMACRO{1}
R1HFRMACRO{2}
R1HFRMACRO{3}
R1HFRMACRO{4}
R1HFRMACRO{5}
R1LOGTOTMKUS{1}
R1LOGTOTMKUS{2}
R1LOGTOTMKUS{3}
R1LOGTOTMKUS{4}
R1LOGTOTMKUS{5}
Constante
Dw
Résultats du test de causalité :
HFRMACRO
TOTMKUS
-0.173760146
-0.742357946**
(-1.21923)
(-2.93718)
0.071235305
0.063168183
(0.47539)
(0.23770)
-0.194438884
-0.156270557
(-1.57733)
(-0.71483)
0.099499739
-0.123244716
(0.81604)
(-0.56995)
-0.090020751
-0.190079466
(-0.81736)
(-0.97318)
0.104339004
-0.097053642
(1.26335)
(-0.66263)
-0.010267507
-0.003619922
(-0.12046)
(-0.02395)
0.114946414
0.167884931
(1.40951)
(1.16083)
0.043029497
-0.047970665
(0.51874)
(-0.32610)
0.013043564
0.128048943
(0.17940)
(0.99308)
0.002230162**
0.001634535
(2.57599)
(1.06460)
1.928873
2.013630
Statistique de Fisher
Niveau de significativité
HFRMACRO
2.1885
0.0674942
TOTMKUS
0.7198
0.6111979
Variable Dépendante :
TOTMKUS
Les tests conduisent à accepter la causalité de l’indice de fonds dans l’équation de marché au
seuil de 10%.
61
Période 7
Variables dépendantes
(26/11/2007-16/01/2008)
Variables explicatives
R1HFRMACRO{1}
R1HFRMACRO{2}
R1HFRMACRO{3}
R1HFRMACRO{4}
R1HFRMACRO{5}
R1LOGTOTMKUS{1}
R1LOGTOTMKUS{2}
R1LOGTOTMKUS{3}
R1LOGTOTMKUS{4}
R1LOGTOTMKUS{5}
Constante
Dw
Résultats du test de causalité :
HFRMACRO
TOTMKUS
0.078363676
-0.624022146
(0.41674)
(-1.50318)
-0.320000551
-0.571997144
(-1.70010)
(-1.37649)
0.281208781
-0.901035146*
(1.28797)
(-1.86929)
-0.215952581
-0.389583692
(-1.01754)
(-0.83148)
0.060223807
-1.149049578**
(0.27587)
(-2.38415)
-0.017633621
-0.136154803
(-0.23472)
(-0.82093)
0.034672647
-0.122778378
(0.48096)
(-0.77143)
0.046060068
-0.098541311
(0.63746)
(-0.61774)
0.019865675
-0.357450752**
(0.27681)
(-2.25608)
-0.084427851
0.255363739
(-1.15315)
(1.57985)
0.001101880
0.001081546
(0.92145)
(0.40967)
1.989579
1.870249
Statistique de Fisher
Niveau de significativité
HFRMACRO
2.2362
0.0796105
TOTMKUS
2.2396
0.0792302
Variable Dépendante :
TOTMKUS
Les tests conduisent à accepter la causalité des deux variables dans l’équation de marché au
seuil de 10%.
62