Priced risk in corporate bonds

Cet article remet en question les preuves empiriques soutenant les modèles multifactoriels pour les obligations d'entreprise, démontrant que seuls les facteurs de marché et de liquidité échangée expliquent significativement les rendements excédentaires, tandis que les autres facteurs proposés n'apportent aucune puissance explicative supplémentaire.

L'essentiel

🍎 Le Titre : "Est-ce qu'on a besoin de plus de saveurs pour bien goûter les obligations ?"

Imaginez que vous êtes un chef cuisinier (un investisseur) qui veut préparer le meilleur plat possible (un portefeuille d'obligations d'entreprises) pour gagner de l'argent.

Pendant des années, les chercheurs ont cru qu'il fallait ajouter plein d'ingrédients spéciaux (des "facteurs de risque") à la recette de base pour que le plat soit délicieux et rentable. Ils pensaient que la recette de base (le marché des obligations) ne suffisait pas. Ils ont inventé des épices comme le "risque de liquidité", le "risque de crédit" ou le "risque de baisse".

Le but de cet article : Trois chercheurs (Dickerson, Mueller et Robotti) sont entrés dans la cuisine pour goûter le plat. Leur conclusion est surprenante : la recette de base suffit largement. Les épices supplémentaires ne changent pas vraiment le goût, et pire encore, certaines de ces épices étaient mal mesurées ou carrément fausses !

---

🕵️‍♂️ L'Enquête : Ce qu'ils ont découvert

Voici les trois grandes révélations de l'article, expliquées avec des analogies :

1. L'erreur de l'horloger (Les données étaient fausses)

Les chercheurs ont regardé les recettes précédentes (notamment celle de Bai, Bali et Wen, surnommés "BBW"). Ils ont découvert que les ingrédients utilisés par BBW étaient mal mesurés.

• L'analogie : Imaginez que vous essayez de mesurer la vitesse d'une voiture, mais que votre chronomètre est décalé de 5 minutes. Vous allez croire que la voiture va plus vite ou plus lentement qu'elle ne le fait vraiment.
• La découverte : Les données sur le "risque de baisse" et le "risque de crédit" utilisées par les autres chercheurs avaient des erreurs de date (elles regardaient le futur au lieu du passé !). Quand les auteurs de cet article ont corrigé ces erreurs, la magie opérait : les épices supplémentaires ne semblaient plus si puissantes.

2. Le "Super-Héros" unique (Le facteur marché suffit)

Dans le monde des actions, on utilise souvent plusieurs facteurs pour expliquer les rendements. Dans le monde des obligations, les chercheurs pensaient qu'il fallait aussi plusieurs facteurs.

• L'analogie : Imaginez que vous essayez de prédire la météo. Vous avez un thermomètre (le marché des obligations). D'autres disent : "Non, il faut aussi un baromètre, un hygromètre et un anémomètre !"
• La découverte : Les auteurs montrent que le thermomètre seul (le facteur marché, appelé MKTB) explique presque tout. Ajouter les autres instruments (les autres facteurs) n'améliore pas la prédiction de manière significative. C'est comme ajouter du sel à un plat qui est déjà parfaitement assaisonné : ça ne le rend pas meilleur, ça ne fait qu'ajouter du bruit.

3. Le seul ingrédient qui compte vraiment (La liquidité)

Il y a une petite exception.

• L'analogie : Si les obligations sont comme des voitures, la "liquidité", c'est la facilité à les revendre rapidement.
• La découverte : Le seul ingrédient qui a vraiment un goût (un pouvoir explicatif) en plus du marché général, c'est le risque de liquidité (LRF). Si une obligation est difficile à vendre, les investisseurs demandent un peu plus de rentabilité. Mais pour tout le reste (le risque de crédit, le risque de baisse, l'incertitude économique), les preuves sont faibles.

---

📉 Pourquoi c'est important pour vous ?

1. Économiser de l'argent : Si vous essayez de construire un portefeuille complexe avec plein de ces "facteurs spéciaux", vous allez payer des frais de transaction (comme des frais de restaurant) pour rien. Les auteurs disent : "Restez simple, achetez le panier d'obligations du marché, c'est moins cher et tout aussi efficace."
2. Ne pas se faire avoir : Beaucoup d'études précédentes semblaient avoir trouvé des formules magiques pour gagner de l'argent. Cet article dit : "Attention, ces formules étaient basées sur des données imparfaites." C'est un rappel pour être très prudent avec les modèles mathématiques complexes.
3. La réalité du marché : Les obligations s'échangent "de gré à gré" (entre deux personnes), contrairement aux actions qui s'échangent sur des bourses très fluides. Cela rend les données plus difficiles à obtenir et plus "sales". Les auteurs montrent qu'il faut nettoyer ces données avec soin avant de tirer des conclusions.

🏁 En résumé

Cet article est une mise au point nécessaire. Il dit aux investisseurs et aux chercheurs : "Arrêtez de chercher des compléments inutiles."

Le marché des obligations d'entreprises est complexe, mais pour expliquer pourquoi certaines obligations rapportent plus que d'autres, le facteur principal reste simplement le marché lui-même. Ajouter des facteurs de risque complexes (comme le risque de baisse ou l'incertitude économique) ne semble pas apporter de valeur ajoutée réelle, sauf peut-être pour la question de la facilité à vendre l'obligation (la liquidité).

C'est un appel au retour à la simplicité et à la rigueur des données dans un domaine où la complexité a souvent pris le dessus.

Résumé technique

1. Problématique et Contexte

La littérature récente en finance d'entreprise a documenté un soutien empirique fort pour les modèles multifactoriels visant à expliquer la variation transversale des rendements excédentaires des obligations d'entreprise. Des études notables, notamment Bai, Bali et Wen (2019, BBW), ont proposé un modèle à quatre facteurs (facteur marché, risque de baisse, risque de crédit et risque de liquidité) qui surpasserait le modèle CAPM à un seul facteur (le facteur marché obligataire).

Cependant, Dickerson, Mueller et Robotti remettent en question ces conclusions. Le problème central est de savoir si ces facteurs supplémentaires offrent un pouvoir explicatif incrémental réel par rapport au facteur de marché obligataire pondéré par la valeur (MKTB), ou si les résultats antérieurs sont le fruit d'erreurs méthodologiques, de spécifications erronées de modèles et d'incertitudes statistiques non prises en compte.

2. Méthodologie

Les auteurs adoptent une approche rigoureuse combinant l'analyse de données, la réplication critique et des outils d'inférence statistique avancés.

• Données : Utilisation de la base de données Enhanced TRACE (juillet 2002 - décembre 2016) couplée à FISD pour les caractéristiques des obligations. L'échantillon final comprend 31 348 obligations émises par 3 792 entreprises.
• Réplication et Correction d'erreurs :
  • Les auteurs reconstruisent les facteurs de BBW (MKTB, DRF, CRF, LRF).
  • Ils découvrent des erreurs de décalage temporel (lead/lag errors) majeures dans les données originales de BBW : les facteurs DRF et CRF souffrent d'un biais de regard vers l'avenir (look-ahead bias) sur la majeure partie de la période, et le facteur LRF d'un décalage à l'envers.
  • Une fois corrigées, les séries temporelles des facteurs originaux diffèrent considérablement de celles des auteurs (écart-type plus élevé, retours négatifs plus marqués).
• Outils d'Inférence Robuste :
  • Frontières Moyenne-Variance et Ratio de Sharpe : Analyse de l'efficacité des portefeuilles et des ratios de Sharice carrés ajustés pour le biais (méthode BKRS).
  • Régressions Transversales (CSR) : Utilisation de la Moindres Carrés Généralisés (GLS) plutôt que des Moindres Carrés Ordinaires (OLS). Les auteurs soulignent que l'OLS peut produire des $R^2$ élevés et trompeurs même lorsque le modèle est mal spécifié, tandis que la GLS pondère les portefeuilles pour réduire l'impact des erreurs de spécification.
  • Tests de Comparaison de Modèles : Tests de dominance entre modèles imbriqués et non imbriqués (paires et multiples) basés sur les ratios de Sharice et les $R^2$ GLS.
  • Niveau Obligataire : Régressions de Fama-MacBeth au niveau individuel des obligations pour vérifier la robustesse des résultats au-delà des portefeuilles agrégés.
  • Facteurs Non Échangés : Analyse de facteurs non échangés (incertitude macroéconomique, liquidité agrégée, volatilité, risque de consommation à long terme) via des portefeuilles mimétiques.

3. Contributions Clés

1. Identification d'erreurs de construction de données : La découverte que les facteurs DRF et CRF de BBW contiennent des biais de look-ahead (utilisant des données futures pour déterminer les pondérations passées) et que le facteur LRF est décalé dans le temps. Ces erreurs expliquent en grande partie la performance artificiellement élevée des modèles originaux.
2. Primauté du Facteur de Marché (CAPM Obligataire) : La démonstration que, une fois les erreurs corrigées et les tests statistiques appropriés (GLS, ajustements de spécification) appliqués, le facteur de marché obligataire (MKTB) suffit à expliquer la quasi-totalité de la variation des rendements.
3. Redondance des nouveaux facteurs : La preuve que les facteurs de risque de baisse (DRF), de crédit (CRF) et de liquidité (LRF), ainsi que les facteurs non échangés, n'apportent pas de pouvoir explicatif incrémental significatif par rapport au MKTB.
4. Méthodologie Robuste : L'application systématique de méthodes d'inférence robustes à la mauvaise spécification (misspecification-robust) et à l'identification faible, soulignant les pièges de l'utilisation exclusive de l'OLS et des tests de ratio de Sharice non ajustés dans le contexte des obligations.

4. Résultats Principaux

• Analyse des Facteurs Échangés (BBW) :
  • Après correction des erreurs de décalage, les primes de risque des facteurs DRF, CRF et LRF deviennent statistiquement insignifiantes une fois ajustées pour le risque de marché.
  • Les tests de ratio de Sharice carré ajusté montrent que le modèle CAPM à un facteur (MKTB) performe aussi bien, voire mieux, que le modèle BBW à quatre facteurs. La différence est statistiquement nulle.
  • Les régressions transversales (CSR) utilisant la GLS rejettent fortement tous les modèles (y compris BBW) à un niveau de signification de 1%, indiquant une mauvaise spécification. Seul le facteur de liquidité échangé (LRF) montre une capacité explicative incrémentale marginale, mais très faible.
• Facteurs Non Échangés :
  • Les facteurs liés à l'incertitude macroéconomique, à la liquidité agrégée, à la volatilité systématique et au risque de consommation à long terme sont redondants et souvent spuriaux.
  • Leurs portefeuilles mimétiques sont "spannés" (contenus) par le facteur de marché obligataire. Leurs primes de risque sont économiquement faibles et statistiquement non significatives.
• Analyse au Niveau de l'Obligation :
  • Les régressions de Fama-MacBeth au niveau individuel confirment les résultats des portefeuilles : MKTB et, dans une moindre mesure, LRF, conservent un pouvoir de prix, tandis que les autres facteurs n'ajoutent rien à l'explication des rendements.
• Robustesse : Les résultats tiennent sur différentes bases de données (TRACE, WRDS, ICE), différentes périodes d'échantillonnage et avec des rendements ajustés par la durée.

5. Signification et Implications

• Pour la Recherche Académique : L'article met en garde contre la prolifération de facteurs "à la mode" dans la littérature sur les obligations d'entreprise sans fondement théorique solide ni vérification rigoureuse des données. Il souligne que la recherche de facteurs doit être plus prudente face aux erreurs de spécification et aux biais de données.
• Pour la Pratique (Gestion d'Actifs) :
  • Il est économiquement inefficace de tenter de surperformer le marché obligataire en ajoutant des facteurs complexes (crédit, baisse, liquidité) qui ne génèrent pas de primes de risque significatives après ajustement des coûts de transaction.
  • Le modèle CAPM obligataire simple (facteur marché) reste la référence la plus robuste pour l'évaluation de la performance ajustée au risque.
• Méthodologique : L'article insiste sur la nécessité d'utiliser des tests d'inférence robustes (GLS, ajustements de mauvaise spécification) et de vérifier scrupuleusement la construction des données (absence de biais de look-ahead) avant de conclure à la découverte de nouveaux facteurs de prix.

En conclusion, Dickerson, Mueller et Robotti démontrent que le "pouvoir de prix" attribué aux facteurs supplémentaires dans les études précédentes était largement une illusion statistique due à des erreurs de construction de données et à des méthodes d'inférence inadéquates. Le facteur de marché obligataire reste le déterminant principal des rendements attendus.