Mesurer l'exposition factorielle de votre propre portefeuille : une régression simple, les coefficients d'exposition et la tracking error

Ce que vous allez apprendre

• Ce qu'est un coefficient d'exposition (loading) et comment une régression fondée sur les rendements l'estime.
• Comment calculer à la main une régression à un facteur et lire l'alpha, le bêta, le R² et le risque résiduel.
• Comment interpréter un tableau de résultats à trois ou cinq facteurs et la plage typique des coefficients pour les fonds long-only.
• Un raccourci fondé sur les positions pour un portefeuille de plusieurs ETF, et les limites des deux méthodes.

Explication

Des coefficients plutôt que des étiquettes

Le nom d'un produit dit ce qu'il essaie de faire ; une régression montre ce qu'il a fait. Elle explique le rendement excédentaire mensuel du portefeuille (rendement moins le taux sans risque) comme une combinaison de rendements factoriels :

R_p − R_f = α + β_mkt × (R_m − R_f) + β_HML × HML + β_SMB × SMB + ε

HML (« high minus low », value) et SMB (« small minus big », taille) sont les rendements des facteurs académiques long-short de la leçon 1. Chaque β est un coefficient d'exposition : la sensibilité de votre portefeuille à une unité de rendement de ce facteur. L'alpha (α) est le rendement moyen que les facteurs n'expliquent pas ; ε (epsilon) est le résidu mensuel ; le R² est la part de la variance des rendements expliquée par les facteurs. Les rendements factoriels mensuels de plusieurs régions sont publiés gratuitement par des bibliothèques de données académiques (cherchez la bibliothèque de données Fama–French) ; vos propres rendements proviennent des relevés de votre courtier.

Faire le cas à un facteur à la main

Avec un facteur : β = covariance(portefeuille, facteur) / variance(facteur) ; α = moyenne(portefeuille) − β × moyenne(facteur). L'écart-type des résidus multiplié par la racine carrée de 12 est le risque idiosyncratique annualisé. La tracking error par rapport au marché, qui alimente le regret discuté dans la leçon 11, est l'écart-type de (portefeuille moins marché), annualisé de la même façon. Les fonctions de tableur (PENTE, ORDONNEE.ORIGINE, DROITEREG) gèrent le cas multi-facteurs.

Lire un tableau multi-facteurs

Plages typiques : un ETF monde pondéré par la capitalisation a un coefficient d'environ 1.0 sur le marché et proche de 0 sur le reste, avec un R² supérieur à 0.98. Un ETF value long-only affiche souvent un HML entre 0.2 et 0.5 ; un fonds small-cap value un SMB de 0.6–0.9 et un HML de 0.3–0.5. Des coefficients proches de 1.0 sur HML ou le momentum n'apparaissent que dans les produits long-short. Règles empiriques :

• Un coefficient n'a de sens qu'avec suffisamment de données : utilisez au moins 36, mieux 60 observations mensuelles, et regardez la statistique t si votre tableur la fournit (au-dessus d'environ 2, le coefficient a peu de chances d'être du bruit).
• L'alpha mensuel est presque toujours statistiquement indiscernable de zéro pour un portefeuille privé ; ne bâtissez pas d'histoire dessus.
• Les coefficients dérivent à mesure que l'indice se reconstitue ; répétez la régression une fois par an.

Le raccourci fondé sur les positions

Si votre portefeuille se compose de quelques ETF, estimez le coefficient du portefeuille comme la moyenne pondérée des coefficients des fonds, que plusieurs sites d'analyse gratuits publient. C'est rapide mais cela hérite de leur fenêtre d'estimation.

Exemple détaillé

Exemple hypothétique : six mois de rendements excédentaires (en pourcentage) pour un portefeuille et pour le marché. Six mois est bien trop court pour une estimation réelle ; cela sert uniquement à montrer l'arithmétique. Coûts et impôts sont ignorés.

Étape 1 – moyennes : marché 0.50 %, portefeuille 0.667 %.

Étape 2 – variance d'échantillon du marché : écarts 1.5, −2.0, 2.5, 0, −3.0, 1.0 ; la somme des carrés fait 22.5 ; divisée par (6 − 1) = 4.5.

Étape 3 – covariance d'échantillon : la somme des produits des écarts fait 23.75 ; divisée par 5 = 4.75.

Étape 4 – β = 4.75 / 4.5 = 1.056. α = 0.667 − 1.056 × 0.50 = 0.139 % par mois.

Étape 5 – résidus (réel moins α + β × marché) : 0.15, −0.46, −0.01, 0.23, 0.30, −0.22. Écart-type des résidus (en divisant par 6 − 2 = 4) = 0.33 % par mois, soit 0.33 × 3.46 = 1.1 % par an.

Étape 6 – tracking error par rapport au marché : écart-type de la colonne différence = 0.31 % par mois, environ 1.1 % par an.

Lecture : légèrement plus agressif que le marché (β supérieur à 1) avec peu de risque indépendant, ce qui suggère une inclinaison légère ; avec six observations, ni α ni β ne sont fiables. Dans une vraie régression à trois facteurs, le même portefeuille pourrait montrer un HML de 0.3 avec un bêta de marché plus proche de 1.0, parce qu'une partie du bêta supplémentaire est de l'exposition value.

Erreur fréquente

Activité pratique

Sur papier : votre portefeuille se compose de 60 % d'ETF monde pondéré par la capitalisation (coefficients HML 0.00, SMB 0.00), 25 % d'ETF value monde (HML 0.45, SMB 0.10) et 15 % d'ETF qualité monde (HML −0.10, SMB 0.00). (a) Calculez les coefficients HML et SMB du portefeuille avec le raccourci fondé sur les positions. (b) La fiche de l'ETF value annonce une « forte exposition value ». Un HML de portefeuille égal à votre résultat mérite-t-il cette description ? (c) Nommez une chose que le raccourci ne peut pas capter.

Points clés à retenir

• Une régression transforme les étiquettes marketing en coefficients mesurables ; les produits long-only ont typiquement un coefficient de 0.2–0.5 sur un facteur, pas 1.0.
• β = covariance / variance ; α est la moyenne inexpliquée ; le risque résiduel et la tracking error sont annualisés avec la racine carrée de 12.
• Utilisez au moins 36–60 observations mensuelles, une devise correspondante et des rendements excédentaires.
• Répétez chaque année ; les coefficients dérivent avec les révisions d'indices.

Étape suivante

La leçon 10 se tourne vers les coûts qui se dressent entre la prime sur le papier et votre compte : rotation, implementation shortfall, capacité et encombrement.