L’investissement basé sur des facteurs s’est imposé comme une méthode innovante pour expliquer les performances boursières. Ce modèle repose sur l’idée que certains risques ind diversifiables, tels que la valeur, le momentum, la qualité et la taille, sont des moteurs essentiels de la surperformance des actifs. Cependant, après plusieurs années de résultats décevants, il apparaît que le problème ne réside pas uniquement dans les données, mais également dans la construction de ces modèles.
Une étude récente a mis en lumière un phénomène préoccupant : la mirage des facteurs. Ce concept évoque la confusion entre corrélation et causalité, une erreur qui pourrait expliquer l’incapacité de nombreux modèles à fournir des rendements concrets aux investisseurs.
Index du contenu:
Les limites des modèles de facteurs
Les modèles de facteurs traditionnels reposent souvent sur des méthodes économétriques classiques, telles que les régressions linéaires et les tests de signification. Ces approches incluent des variables corrélées aux rendements sans prendre en compte leur rôle causal. Cette stratégie peut engendrer des erreurs systématiques. Par exemple, l’inclusion d’un collider (une variable influencée à la fois par le facteur et le rendement) peut fausser les estimations des coefficients.
Erreur de spécification systématique
Une mauvaise spécification des modèles peut même inverser la direction d’un coefficient de facteur. Dans ce cas, les investisseurs risquent d’acheter des titres qu’ils devraient vendre, entraînant ainsi des pertes financières. Même si toutes les primes de risque sont correctement évaluées, un modèle mal spécifié peut provoquer des résultats systématiques défavorables.
Ce phénomène est souvent désigné comme le zoo des facteurs, où des anomalies publiées échouent à produire des résultats en dehors des échantillons testés. Les chercheurs soulignent une problématique plus subtile : la mirage des facteurs, qui ne découle pas seulement d’une exploitation abusive des données, mais d’une construction de modèles fondamentalement erronée.
L’importance de la causalité
Pour réellement progresser, l’investissement basé sur des facteurs doit adopter une approche causale. La recherche récente de l’ADIA Lab, publiée par la CFA Institute Research Foundation, démontre qu’aucune allocation de portefeuille ne peut être optimale sans une modélisation causale. En d’autres termes, même des estimations précises des rendements et des covariances ne suffisent pas si les facteurs sous-jacents sont mal spécifiés.
Le passage à une approche basée sur la causalité
Ce besoin de causalité reflète des transitions observées dans d’autres domaines, comme la médecine, qui a évolué d’approches basées sur la corrélation à des traitements fondés sur des preuves. La finance doit suivre cette tendance et passer d’une simple description des patterns à une explication fondamentalement causale.
En identifiant les véritables sources de risque et de rendement, un modèle causal permet une allocation de capital plus efficace et une explication des performances de manière crédible. Les investisseurs doivent s’engager dans cette transformation pour créer des stratégies efficaces dans le monde réel, offrant ainsi des réponses claires sur leur efficacité.
Perspectives d’avenir
Pour que l’investissement basé sur des facteurs puisse réaliser ses promesses initiales, il est crucial de renoncer aux pratiques qui ont engendré des illusions de performance. En se concentrant sur des bases causales, la recherche en investissement peut réellement devenir scientifique, apportant des résultats tangibles aux investisseurs.