Hoja de repaso: Modèles d'évaluation des actifs financiers

📋 Plan du Cours

1. Fondements et développement du modèle CAPM
2. Hypothèses clés du modèle CAPM de Sharpe–Lintner
3. Méthodologie empirique de test du CAPM via la Security Market Line
4. Problèmes empiriques et limites du CAPM dans l’estimation des bêtas et du portefeuille de
5. Versions alternatives du CAPM et instabilité des paramètres
6. Modèles multifactoriels intégrant des variables fondamentales pour expliquer la variation des
7. Rôle des facteurs SMB et HML dans l’explication des rendements boursiers
8. Modèles conditionnels et prise en compte de l’information conditionnelle dans les modèles
9. Modèles ARCH et GARCH pour modéliser la volatilité conditionnelle des rendements financiers
10. Applications des modèles GARCH et extensions pour la dynamique temporelle des risques
11. Problèmes statistiques et biais dans les tests empiriques des modèles d’évaluation des actifs
12. Perspectives et défis actuels dans la recherche de modèles robustes d’évaluation des actifs

📖 1. Fondements et développement du modèle CAPM

🔑 Notions clés & Définitions

• Single index model : Be extended to portfolios as well.
• Portfolio risk : Thus, a security’s contribution to the portfolio risk is different from the risk of the individual security.

📝 Points essentiels

• Sharpe développe le single index model pour réduire la lourdeur de calcul du risque de portefeuille.
• Le modèle de Markowitz montre que le risque d’un portefeuille n’est pas la somme des risques individuels lorsque les actifs ne sont pas parfaitement corrélés positivement.

💡 À retenir

La théorie passe du risque individuel au risque de portefeuille avec Markowitz, qui montre que la diversification modifie le risque total et conduit à une frontière efficiente. Tobin aide ensuite à sélectionner un portefeuille approprié, puis Sharpe simplifie le calcul avec le single index model.

📖 2. Hypothèses clés du modèle CAPM de Sharpe–Lintner

🔑 Notions clés & Définitions

• quadratic utility : fonction d’utilité des investisseurs qui peut servir de base suffisante pour dériver le CAPM de Sharpe–Lintner ; la source précise qu’elle fait partie des hypothèses où les fonctions d’utilité sont soit quadratiques, soit normales.

• diversifiable risk : part du risque qui peut être éliminée par la diversification du portefeuille ; les hypothèses du CAPM supposent que tous ces risques sont éliminés.

• market portfolio : portefeuille de marché qui, avec l’actif sans risque, domine l’ensemble des actifs risqués dans les hypothèses du CAPM ; il intervient aussi dans la relation linéaire entre risque et rendement des portefeuilles efficients.

• risk-free asset : actif sans risque dont le rendement, noté $R_f$, sert de référence dans la relation du Capital Market Line ; il fait partie, avec le portefeuille de marché, des éléments qui dominent l’ensemble des actifs risqués dans les hypothèses du CAPM.

• individual security : titre pris isolément dont le risque doit être examiné en relation avec les autres titres du portefeuille ; la source indique aussi que la Security Market Line s’applique à ces titres, mais pas seulement à eux.

📝 Points essentiels

• Le CAPM de Sharpe–Lintner est une version à une seule période et ex ante du modèle, c’est-à-dire construite pour une période unique et fondée sur des anticipations.

• Les hypothèses suffisantes pour dériver le CAPM incluent des fonctions d’utilité quadratiques ou normales.

• Les hypothèses du CAPM supposent que tous les risques diversifiables sont éliminés.

• Les hypothèses du CAPM supposent que le portefeuille de marché et l’actif sans risque dominent l’ensemble des actifs risqués.

• La Security Market Line s’applique aussi aux portefeuilles, et pas seulement aux titres individuels.

💡 À retenir

Le socle théorique minimal du CAPM repose sur quelques hypothèses fortes : élimination du risque diversifiable, rôle central du portefeuille de marché et de l’actif sans risque, et cadre à une période. C’est ce socle qui permet de faire apparaître une relation linéaire entre risque systématique et rendement attendu.

📖 3. Méthodologie empirique de test du CAPM via la Security Market Line

🔑 Notions clés & Définitions

• Security Market Line : SML expresses the return an individual investor can expect in terms of a risk-free rate and the relative risk of a security or portfolio.
• Security Characteristic Line : The beta in such an investigation is usually obtained by estimating the security characteristic line (SCL) that relates the excess return on security i to the excess return on some efficient market index at time t.
• Cross-sectional equation : The estimated im is then used as the explanatory variable in the following cross-sectional equation: R it ¼ 0 þ 1b im þ u it ð5Þ to test for a positive risk return trade-off.
• Market price of risk : The coefficient 0 is the expected return of a zero beta portfolio, expected to be the same as the risk-free rate, and 1 is the market price of risk (market risk premium), which is significantly different from zero and positive in order to support the validity of the CAPM.

📝 Points essentiels

• Le bêta est généralement obtenu en estimant la Security Characteristic Line reliant le rendement excédentaire du titre au rendement excédentaire d’un indice de marché efficient.
• Le test empirique du CAPM repose sur la Security Market Line, car les rendements ex ante ne sont pas observables.

💡 À retenir

Le bêta est généralement obtenu en estimant la Security Characteristic Line reliant le rendement excédentaire du titre au rendement excédentaire d’un indice de marché efficient.

📖 4. Problèmes empiriques et limites du CAPM dans l’estimation des bêtas et du portefeuille de

🔑 Notions clés & Définitions

• market proxy : portefeuille utilisé dans les études empiriques comme représentation du portefeuille de marché efficient, afin de mesurer la prime de risque historique.
• efficient market portfolio : portefeuille de marché efficient auquel le portefeuille de marché observé empiriquement est censé servir de représentation approchée pour mesurer la prime de risque historique.
• survivorship bias : biais présent dans les données utilisées pour tester la validité des spécifications des modèles d’évaluation des actifs, et identifié comme une source majeure de fragilité empirique.
• beta instability : propriété selon laquelle le bêta varie dans le temps, ce qui fragilise les tests empiriques fondés sur sa stabilité.
• errors-in-the-variables : problème statistique où les erreurs de mesure des variables affectent la recherche empirique et peuvent fausser les résultats des tests.

📝 Points essentiels

• Les tests du CAPM vérifient simultanément trois choses : si les bêtas estimés sont de vrais estimateurs des bêtas historiques, si le portefeuille de marché utilisé empiriquement est un proxy approprié du portefeuille de marché efficient pour mesurer la prime de risque historique, et si la spécification du CAPM est correcte.
• Les premiers tests sur titres individuels ont donné des résultats décourageants, ce qui a conduit à des réponses empiriques fondées notamment sur des portefeuilles.
• Le biais de survivance dans les données utilisées pour tester la validité des spécifications des modèles d’évaluation des actifs a été mis en avant comme une fragilité importante.
• L’instabilité du bêta dans le temps a également été signalée comme un problème majeur pour l’interprétation des résultats empiriques.
• Le problème d’erreurs dans les variables a été présenté comme un point de spécification susceptible d’affecter la recherche empirique.
• La spécification d’un portefeuille de marché plus large peut modifier les résultats, et l’inefficience du portefeuille utilisé comme proxy de marché conduit au rejet du CAPM à facteur unique.
• Même de très faibles écarts à l’efficience peuvent suffire à rendre insignifiante la relation entre risque et rendements espérés.

💡 À retenir

Les trois fragilités centrales des tests du CAPM sont la mesure du bêta, le choix du proxy de marché et la qualité statistique des données. C’est pourquoi les résultats empiriques peuvent être décevants même lorsque la logique théorique du modèle reste attractive.

📖 5. Versions alternatives du CAPM et instabilité des paramètres

🔑 Notions clés & Définitions

• Markov regime-switching model : Modèle à changement de régime fondé sur des états de Markov, utilisé pour étudier l’instabilité du bêta.
• Extended form of CAPM : Version élargie du CAPM privilégiée parce que la skewness conditionnelle capte l’asymétrie du risque, en particulier le downside risk.
• Stochastic systematic risk : (1984), ‘‘An empirical investigation of the possibility of stochastic systematic risk in the market model’’, Journal of Business, Vol.

📝 Points essentiels

• Dans la version zero-beta, le terme constant est autorisé à changer à chaque période.
• La version zero-beta du CAPM a été développée parce que l’interception tend à être négative ou positive selon les périodes.

💡 À retenir

Dans la version zero-beta, le terme constant est autorisé à changer à chaque période.

📖 6. Modèles multifactoriels intégrant des variables fondamentales pour expliquer la variation des

🔑 Notions clés & Définitions

• Multifactor models : Because of the failure of market beta alone to explain cross-sectional variation in security returns, multifactor models emerged.
• Price-to-earnings ratio : These models incorporate fundamental variables such as size and price-to-earnings ratio in addition to the market beta.
• Arbitrage pricing theory : Another possibility is to construct multifactor arbitrage pricing theory (APT) models introduced by Ross (1976).

📝 Points essentiels

• Une autre possibilité consiste à construire des modèles multifactoriels fondés sur l’arbitrage pricing theory introduite par Ross en 1976.
• La variation transversale des rendements moyens ne peut pas être expliquée par le seul bêta de marché.

💡 À retenir

Le passage se fait d’une explication par un facteur unique à une explication par plusieurs sources de rendement liées à des variables fondamentales. Les modèles multifactoriels et l’APT répondent à l’insuffisance du bêta de marché seul.

📖 7. Rôle des facteurs SMB et HML dans l’explication des rendements boursiers

🔑 Notions clés & Définitions

• Higher order : (1995) approach to investigate an extended CAPM with higher order co-moments.

📝 Points essentiels

• HML mesure l’écart de rendement entre un portefeuille de titres à fort book-to-market et un portefeuille de titres à faible book-to-market.
• Fama et French (1995) observent que SMB et HML sont des facteurs utiles pour expliquer une coupe transversale des rendements actions.
• Fama et French (1995) soutiennent que SMB et HML sont de bons proxys pour des co-moments d’ordre supérieur.

💡 À retenir

SMB et HML sont présentés comme des facteurs empiriques utiles pour expliquer les rendements actions. Le texte indique aussi qu’ils peuvent être interprétés comme des proxys de co-moments d’ordre supérieur, ce qui aide à comprendre pourquoi ils deviennent souvent insignifiants quand ces co-moments sont ajoutés.

📖 8. Modèles conditionnels et prise en compte de l’information conditionnelle dans les modèles

🔑 Notions clés & Définitions

• conditioning information : information disponible au moment de la formation des anticipations, utilisée pour tenir compte des mouvements du marché et des conditions observées à cet instant.
• conditional models : modèles qui intègrent l’information disponible au moment de la formation des anticipations afin d’ajuster l’évaluation des rendements et des risques.
• conditional CAPM : variante du CAPM qui introduit des éléments conditionnels, notamment la possibilité d’une relation inverse entre bêta et rendements de portefeuille en marché baissier, lorsque le rendement du marché en excès du taux sans risque est négatif.
• risk–return : relation entre le risque et les rendements attendus, dont l’évaluation peut être modifiée par la prise en compte d’une information conditionnelle.
• risk–return relationship : lien entre risque et rendement qui peut apparaître plus fortement lorsque des modèles conditionnels sont utilisés, plutôt que des modèles non conditionnels.

📝 Points essentiels

• De nombreuses spécifications multifactorielles sont rejetées parce qu’elles ignorent l’information conditionnelle.
• Les modèles conditionnels cherchent à intégrer l’information disponible au moment de la formation des anticipations.
• La prise en compte de l’information conditionnelle modifie l’évaluation des primes de risque et des relations rendement-risque.
• L’omission de l’information conditionnelle peut expliquer l’échec empirique de certains modèles multifactoriels.

💡 À retenir

La performance d’un modèle d’évaluation dépend aussi de l’information utilisée pour former les anticipations. Quand l’information conditionnelle est intégrée, l’évaluation des primes de risque et de la relation rendement-risque peut devenir plus convaincante.

📖 9. Modèles ARCH et GARCH pour modéliser la volatilité conditionnelle des rendements financiers

🔑 Notions clés & Définitions

• ARCH model : modèle de volatilité conditionnelle qui permet à la variance conditionnelle courante d’être une fonction des termes d’erreur passés au carré. Il est cohérent avec le phénomène de regroupement de volatilité.

• GARCH model : généralisation du modèle ARCH qui autorise la variance conditionnelle courante à dépendre à la fois de la variance conditionnelle passée et des termes d’erreur passés au carré.

• conditional variance : variance définie à partir de l’ensemble d’information disponible à la période précédente.

• volatility clustering : phénomène de regroupement de volatilité, avec des périodes où la volatilité tend à se concentrer.

• past squared error terms : termes d’erreur passés au carré, utilisés comme variables explicatives de la variance conditionnelle courante dans le modèle ARCH, et aussi dans le modèle GARCH.

📝 Points essentiels

• Le modèle ARCH fait dépendre la variance conditionnelle courante des termes d’erreur au carré passés.
• Le modèle ARCH est cohérent avec le phénomène de regroupement de volatilité.
• Le modèle GARCH généralise ARCH en faisant dépendre la variance conditionnelle courante de la variance conditionnelle passée et des erreurs passées au carré.
• Le processus de rendement peut être représenté par une moyenne ARMA et une variance conditionnelle GARCH.
• La variance conditionnelle est définie à partir de l’ensemble d’information disponible à la période précédente.

💡 À retenir

L’idée centrale est dynamique : le risque courant ne se lit pas seul, il est structuré par les chocs passés et par la variance déjà observée. ARCH et GARCH servent précisément à traduire cette dépendance temporelle de la volatilité.

📖 10. Applications des modèles GARCH et extensions pour la dynamique temporelle des risques

🔑 Notions clés & Définitions

• time-varying covariances : covariances qui évoluent au cours du temps, utilisées dans un modèle de CAPM conditionnel sur les mouvements du marché pour analyser des relations de risque non fixes entre actifs.

• bull and bear markets : marchés haussiers et baissiers, distingués selon que le rendement du marché dépasse ou non le rendement médian du marché ; cette classification sert à tester la stabilité des bêtas selon le régime de marché.

• good news/bad news volatility : volatilité liée aux bonnes et mauvaises nouvelles, mesurée à partir des rendements positifs et négatifs ; des travaux montrent que l’information affecte la volatilité et les bêtas de manière asymétrique.

• dual betas : modèle à deux bêtas utilisé pour distinguer l’effet des marchés haussiers et baissiers sur le risque ; il permet d’examiner si le bêta réagit différemment selon le régime de marché.

• bull and bear : régimes de marché haussier et baissier, utilisés pour calculer des bêtas séparés et étudier la relation risque-rendement selon les mouvements du marché.

📝 Points essentiels

• Les modèles GARCH sont utilisés pour étudier la dynamique temporelle des risques financiers, en décrivant la volatilité comme un processus qui varie dans le temps.

• Les modèles à covariances variables dans le temps permettent d’analyser l’évolution des relations de risque au cours du temps, plutôt que de supposer des relations fixes.

• Des extensions examinent la volatilité et les bêtas dans les marchés haussiers et baissiers, en séparant les régimes de marché pour tester la stabilité du bêta.

• Des travaux relient les bonnes et mauvaises nouvelles à la volatilité et aux bêtas, en montrant que l’information peut affecter ces grandeurs de façon asymétrique.

• Les modèles de volatilité dynamique servent aussi à tester des formes de bêta différenciées selon le régime de marché, notamment à travers des bêtas distincts selon les marchés haussiers et baissiers.

💡 À retenir

Les modèles de volatilité ne servent pas seulement à prévoir l’écart-type : ils permettent aussi de suivre comment le risque et le bêta changent dans le temps. Ils sont donc utiles pour analyser la structure temporelle du risque selon les régimes de marché et selon l’effet des nouvelles.

📖 11. Problèmes statistiques et biais dans les tests empiriques des modèles d’évaluation des actifs

🔑 Notions clés & Définitions

• return and equilibrium : relation entre rendement, risque et équilibre, formulée dans les tests empiriques comme un lien entre le rendement attendu et le risque. Le rendement attendu d’un portefeuille peut être compris comme la somme du rendement lié au report de la consommation et d’une prime pour supporter le risque contenu dans le portefeuille.

• errors-in-the-variables problem : problème statistique qui affecte la recherche empirique en section croisée des rendements boursiers attendus. Il peut fausser les régressions empiriques de rendement-risque en introduisant des erreurs dans les variables explicatives.

• time-varying risk premium : prime de risque dont la valeur change selon les périodes. La variation de cette prime peut modifier les conclusions des tests, et il est indiqué que la variation de la prime de risque liée au bêta peut être plus importante que les changements des bêtas eux-mêmes.

• empirical tests : tests fondés sur des données observées pour vérifier des relations entre rendement, risque et équilibre. Ils peuvent être influencés par plusieurs biais statistiques, notamment le biais de survivance, les erreurs dans les variables, la variation de la prime de risque et le choix du portefeuille de marché.

• Journal of Finance : revue citée dans les références du contenu source, où apparaissent plusieurs études mentionnées sur les rendements attendus, le CAPM conditionnel, les erreurs dans les variables et les tests de la relation rendement-risque.

📝 Points essentiels

• Le biais de survivance peut fausser les résultats des tests de modèles d’évaluation des actifs, car il modifie l’interprétation empirique des relations observées entre rendement et risque.
• Le problème d’erreurs dans les variables peut affecter les régressions empiriques de rendement-risque, en perturbant les estimations utilisées pour tester les modèles.
• Une prime de risque qui varie dans le temps peut modifier les conclusions des tests, puisque la relation rendement-risque n’est alors pas stable d’une période à l’autre.
• Le choix d’un portefeuille de marché plus large peut changer les résultats empiriques, ce qui montre que les conclusions dépendent aussi de la spécification retenue pour le marché.
• L’oubli des corrélations possibles entre rendements idiosyncratiques peut aussi influencer les conclusions, en introduisant un biais supplémentaire dans l’interprétation des tests.

💡 À retenir

Les échecs empiriques ne viennent pas seulement des limites théoriques du CAPM : des biais statistiques autonomes peuvent suffire à modifier les résultats. Le biais de survivance, les erreurs dans les variables, la variation de la prime de risque et la spécification du portefeuille de marché peuvent chacun changer les conclusions des tests.

📖 12. Perspectives et défis actuels dans la recherche de modèles robustes d’évaluation des actifs

🔑 Notions clés & Définitions

• capital asset pricing model : modèle d’évaluation des actifs financiers qui relie le taux de rendement attendu d’un titre individuel à une mesure de son risque systématique. Il sert notamment à l’évaluation du coût du capital, de la performance de portefeuille, de la diversification, de la valorisation des investissements et du choix de stratégie de portefeuille.

• risk-adjusted performance : mesure de performance qui tient compte du risque ; la source précise qu’il n’existe pas de consensus sur la mesure appropriée pour l’évaluer.

• robust asset pricing models : modèles d’évaluation des actifs conçus pour mieux prédire les rendements des actifs dans un contexte où les explications fondées sur le seul risque systématique sont insuffisantes ; la recherche continue à les chercher.

• systematic risk : risque lié aux mouvements généraux du marché ou de l’économie, souvent appelé risque de marché ; il est distinct du risque non systématique, qui peut être éliminé par une diversification suffisante.

• cross-asset variation : variation transversale des rendements attendus entre actifs ; la source indique qu’elle ne peut pas être expliquée par le seul risque systématique.

📝 Points essentiels

• La variation transversale des rendements entre actifs ne peut pas être expliquée par le seul risque systématique. Cela a conduit à développer une variété de modèles destinés à prédire les rendements des actifs.

• Il n’existe pas de consensus dans la littérature sur ce qu’est une mesure de risque appropriée.

• Il n’existe pas non plus de consensus sur la mesure appropriée de la performance ajustée du risque.

• La recherche continue donc à poursuivre des modèles d’évaluation robustes.

• La prolifération des études empiriques montre que la validité du CAPM reste un sujet ouvert.

💡 À retenir

La question centrale reste non résolue : quelle mesure du risque permet réellement de construire un modèle d’évaluation robuste ? Tant que cette mesure ne fait pas consensus, la validité du CAPM et des modèles concurrents demeure ouverte.

🧩 Compléments de couverture

1. Le CAPM de Sharpe–Lintner repose sur des fonctions d’utilité quadratiques ou normales, ce qui fait partie des hypothèses suffisantes pour dériver le modèle.
2. Le CAPM suppose que tous les risques diversifiables sont éliminés.
3. Le portefeuille de marché et l’actif sans risque dominent l’ensemble des actifs risqués dans le cadre du CAPM.
4. Le CAPM est un modèle ex ante à une seule période, mais les tests empiriques doivent utiliser des rendements réalisés faute d’observer les rendements anticipés.
5. Les tests empiriques du CAPM vérifient aussi si le portefeuille de marché utilisé est un proxy approprié du portefeuille de marché efficient.
6. Les premières études sur le CAPM ont été jugées peu convaincantes, ce qui a conduit à privilégier les rendements de portefeuille plutôt que les titres individuels.
7. Black et al. ont étudié l’ensemble des actions du New York Stock Exchange sur la période 1931-1965.
8. Black et al. ont trouvé une relation linéaire entre rendement excédentaire moyen du portefeuille et bêta, avec une interception négative pour les bêtas supérieurs à 1 et positive pour les bêtas inférieurs à 1.
9. La version zero-beta du CAPM a été développée parce que l’interception varie selon les périodes.
10. Fama et MacBeth ont montré que la relation linéaire rendement moyen-bêta tient mieux sur de longues périodes.
11. Fama et French définissent SMB comme l’écart entre les rendements des petites et des grandes capitalisations, et HML comme l’écart entre les titres à fort et faible book-to-market.
12. Les modèles multifactoriels peuvent être rejetés s’ils ignorent l’information conditionnelle.
13. Their study of US stocks sampled over the period 1926-1990 reported the existence of a systematic conditional relation between the beta and the return for the total sample period, as well as across sub-sample periods.
14. 1. observed that, as higher order systematic co-moments are included in the Review of capital asset pricing models 825 cross-sectional regressions for portfolio returns, the SMB and HML generally become insignificant.
15. 3 CAPM with higher order co-moments It is clear from well-established stylised facts that the unconditional security return distribution is not normal (see, for example, Ane´ and Geman, 2000;.
16. The SML with respect to security i can be written as: EðR iÞ ¼ Rf þ im EðRmÞ Rff g ð2Þ where im ¼ i r im m ¼ covðR i; RmÞ 2 m ð3Þ and r im the correlation between security return, R i, and market portfolio return.
17. Using monthly data from the UK market from 1975 to 1996, Fraser et al.
18. The return-generating process can be written as: Review of capital asset pricing models 829 ARMAðm; nÞ mean: R t ¼ þ Xm i¼1 i R ti þ Xn j¼1 j"tj þ "t ; where "t = t1 0; 2 t ;.

📅 Repères chronologiques

Date	Événement
1931	Étude Black et al. sur le NYSE
1965	Période étudiée par Black et al.
1975	Début de l’échantillon UK de Fraser et al.
1976	Version zero-beta du CAPM
1984	Études sur les modèles conditionnels et la volatilité
1990	Travaux sur les modèles conditionnels et les bêtas de marché haussier/baissier

📊 Tableaux de Synthèse

CAPM et tests empiriques

Objet	Idée clé	Point de test
CAPM de Sharpe–Lintner	Relation risque-rendement fondée sur le portefeuille de marché et l’actif sans risque	Testé via la Security Market Line
Security Characteristic Line	Estimation du bêta à partir du rendement excédentaire du titre et de l’indice de marché efficient	Le bêta estimé sert ensuite dans l’équation en coupe transversale
Zero-beta CAPM	Version développée parce que l’interception varie selon les périodes	L’interception est liée au portefeuille zero beta et au taux sans risque

Modèles alternatifs et extensions

Modèle ou facteur	Rôle	Effet empirique mentionné
SMB	Facteur de taille	Utile pour expliquer une coupe transversale des rendements actions
HML	Facteur book-to-market	Utile pour expliquer une coupe transversale des rendements actions
Modèles conditionnels	Intègrent l’information disponible au moment de la formation des anticipations	Peuvent modifier l’évaluation des rendements et des risques
GARCH	Modélise la volatilité comme un processus qui varie dans le temps	Sert à étudier la dynamique temporelle des risques financiers

⚠️ Pièges & Confusions Fréquentes

1. Confondre le risque d’un titre individuel avec sa contribution au risque du portefeuille.
2. Prendre le portefeuille de marché observé comme s’il était exactement le portefeuille de marché efficient.
3. Oublier que le bêta est souvent estimé via la Security Characteristic Line avant le test en coupe transversale.
4. Interpréter la Security Market Line comme un test direct des rendements ex ante alors qu’ils ne sont pas observables.
5. Négliger que SMB et HML peuvent devenir insignifiants quand des co-moments d’ordre supérieur sont ajoutés.
6. Assimiler un modèle conditionnel à un modèle non conditionnel alors qu’il utilise l’information disponible à la date de formation des anticipations.
7. Réduire GARCH à une simple prévision de l’écart-type alors qu’il sert aussi à suivre la dynamique temporelle du risque.

✅ Checklist Examen

1. Expliquer le passage du risque individuel au risque de portefeuille avec Markowitz.
2. Relier Tobin à la sélection d’un portefeuille approprié.
3. Décrire le rôle du single index model dans la simplification du calcul du risque.
4. Citer les hypothèses clés du CAPM de Sharpe–Lintner : utilité quadratique ou normale, actif sans risque, portefeuille de marché.
5. Savoir pourquoi la Security Market Line est utilisée pour tester le CAPM.
6. Expliquer comment le bêta est estimé par la Security Characteristic Line.
7. Comprendre le rôle du market proxy et du portefeuille de marché efficient dans les tests empiriques.
8. Distinguer SMB et HML et leur interprétation empirique.
9. Savoir ce qu’apportent les modèles conditionnels et l’information conditionnelle.
10. Décrire l’idée des modèles GARCH pour la volatilité conditionnelle.