Avec la promesse d’apporter une précision scientifique aux marchés financiers, l’investissement en facteurs a longtemps cherché à expliquer pourquoi certaines actions surperforment. Cependant, après plusieurs années de résultats décevants, la réalité est moins brillante qu’elle n’y paraît. Dites-le franchement : le problème ne réside pas dans les données elles-mêmes, mais dans la conception même de ces modèles.
Une étude récente met en lumière un concept intriguant, celui du mirage des facteurs. Ce phénomène découle d’une confusion persistante entre correlation et causalité. Alors, qu’est-ce qui se cache derrière cette illusion ?
Index du contenu:
Les promesses et les réalités de l’investissement en facteurs
Dites-le franchement : l’investissement en facteurs a longtemps été présenté comme un graal financier. Ce concept repose sur l’idée que les marchés valorisent l’exposition à des risques spécifiques, comme la valeur, la momentum, la qualité et la taille. En théorie, ces éléments expliquent pourquoi certains actifs devraient surpasser d’autres. Depuis l’émergence de cette approche, des billions de dollars ont été fléchés vers des produits financiers basés sur ces principes.
Pourtant, la réalité est moins politically correct. Les chiffres parlent d’eux-mêmes : l’Index Bloomberg-Goldman Sachs des actions américaines, qui suit la performance des styles d’investissement classiques, affiche un ratio de Sharpe de seulement 0,17 depuis 2007. En d’autres termes, après avoir pris en compte les coûts, ce chiffre frôle le néant. Loin d’apporter une valeur ajoutée, l’investissement en facteurs a laissé de nombreux investisseurs sur leur faim. Pour les gestionnaires de fonds, ce constat est amer : des années de sous-performance et une confiance érodée.
Les erreurs méthodologiques sous-jacentes
Diciamoci la vérité : si l’on attribue souvent ces échecs à des problèmes tels que le surajustement des tests ou le p-hacking, il existe une explication plus profonde. La malspécification systématique des modèles est un facteur déterminant. Une recherche récente menée par le laboratoire ADIA et publiée par la CFA Institute Research Foundation révèle que ces modèles, souvent basés sur des régressions linéaires et des tests de signification, confondent association et causalité. Cela soulève une question cruciale : comment pouvons-nous interpréter des résultats qui semblent, à première vue, concluants ?
Les implications des variables non contrôlées
Les manuels d’économétrie soulignent un principe fondamental : toute variable liée aux rendements doit figurer dans les régressions, indépendamment de son rôle dans le mécanisme causal. Démystifions cette approche, car elle peut entraîner des erreurs méthodologiques significatives. L’inclusion d’un collideur – une variable influencée à la fois par le facteur et les rendements – ou l’exclusion d’un confondant – qui affecte à la fois le facteur et les rendements – altère les estimations des coefficients.
Ce biais a le potentiel d’inverser le signe d’un coefficient de facteur. En d’autres termes, les investisseurs pourraient être amenés à acquérir des titres qu’ils devraient plutôt vendre, et inversement. Même si toutes les primes de risque demeurent stables et sont correctement évaluées, un modèle mal spécifié pourrait générer des pertes systématiques. Dites-moi, qui peut se permettre de telles erreurs dans un marché aussi imprévisible ?
Les implications du mirage des facteurs
Le phénomène du zoo des facteurs est bien connu, illustré par des centaines d’anomalies publiées qui échouent lors des tests hors échantillon. Pourtant, les chercheurs du laboratoire ADIA mettent en lumière un problème plus subtil et potentiellement dangereux : le mirage des facteurs. Cette problématique ne découle pas d’une simple exploration des données, mais résulte de modèles mal spécifiés, même lorsque ceux-ci respectent les principes de l’économétrie.
Les modèles intégrant des colliders suscitent particulièrement l’inquiétude. Ils affichent souvent des R² plus élevés et des p-values plus faibles que leurs homologues correctement spécifiés. La canonique économétrique a tendance à privilégier ces modèles, confondant un meilleur ajustement avec une véritable justesse. Diciamoci la verità : cette confusion peut mener à des conclusions erronées, impactant ainsi les décisions des investisseurs.
Le besoin de modèles basés sur la causalité
Les travaux récents de l’ADIA révèlent un constat sans appel : aucun portefeuille ne peut atteindre l’efficacité sans des modèles reposant sur des facteurs causaux. En effet, si les éléments sous-jacents sont mal spécifiés, même des estimations précises des moyennes et des covariances conduiront à des portefeuilles sous-optimaux. Cela nous rappelle que l’investissement ne se limite pas à la prévision, et que l’ajout de complexité n’améliore pas nécessairement la qualité du modèle.
Pour que l’investissement en facteurs retrouve son potentiel scientifique initial, il est impératif de délaisser les pratiques qui ont engendré le mirage des facteurs. Une transition vers un raisonnement causal s’avère donc essentielle. En finance, ce changement pourrait métamorphoser des stratégies fondées sur des corrélations en approches d’investissement fiables et explicables.