Quand un portefeuille d’actions sous-performe le marché pendant des mois, la première réaction est souvent de chercher une explication du côté du stock picking. Le modèle Fama-French propose une grille de lecture différente : la performance d’un portefeuille s’explique en grande partie par son exposition à quelques facteurs de risque mesurables. Comprendre ces facteurs, c’est passer d’une lecture narrative de la performance à une lecture quantitative.
Facteurs Fama-French : ce que les séries de données mesurent vraiment
Le modèle Fama-French à trois facteurs décompose le rendement d’un actif en trois composantes. La première, le risque de marché, mesure la sensibilité d’un titre aux mouvements de l’ensemble du marché. Les deux suivantes isolent des primes spécifiques.
- SMB (Small Minus Big) : la différence de rendement entre les petites capitalisations et les grandes capitalisations. Un portefeuille exposé aux small caps porte une prime de taille.
- HML (High Minus Low) : la différence de rendement entre les actions dont le ratio valeur comptable/cours est élevé (value) et celles où ce ratio est faible (growth). C’est la prime de valeur.
- Le facteur de marché lui-même, exprimé comme l’excès de rendement du marché par rapport au taux sans risque.
Le modèle élargi à cinq facteurs, publié en 2015, ajoute la rentabilité opérationnelle (RMW) et le niveau d’investissement (CMA). Une entreprise durablement rentable ou qui investit prudemment génère, en moyenne historique, un surplus de rendement par rapport aux autres.
Vous avez déjà remarqué qu’un ETF small cap value peut surperformer un indice large pendant plusieurs années, puis sous-performer pendant une décennie ? Ce n’est pas du hasard : c’est l’expression directe de ces primes de facteurs, qui varient dans le temps.
Primes de taille et de value depuis 2010 : une tendance négative qui change la donne
Utiliser les facteurs Fama-French comme un quant, c’est d’abord accepter que les primes historiques ne sont pas des constantes. Les données de la Kenneth French Data Library montrent que, sur la période 2010-2024, les primes SMB et HML sont en tendance négative. Les small caps et les titres value n’ont pas délivré le surplus de rendement qu’on observait sur l’horizon historique long, depuis 1927.
Ce constat a une conséquence directe pour l’analyse quantitative. Un backtest qui utilise la prime de value calculée sur 90 ans pour calibrer un modèle de portefeuille surestime probablement le rendement attendu sur la prochaine décennie. Un quant sérieux segmente ses fenêtres d’estimation et teste la stabilité de ses coefficients sur des sous-périodes récentes.
La prime de marché, elle, reste robuste sur la quasi-totalité des périodes étudiées. C’est le facteur le plus stable du modèle. Les facteurs de rentabilité et d’investissement ajoutés en 2015 montrent des résultats plus nuancés, et leur durée d’observation reste courte comparée aux trois facteurs originaux.
Télécharger les facteurs ou les reconstruire : un choix technique décisif
La Kenneth French Data Library met à disposition des séries de facteurs téléchargeables gratuitement. Pour un projet académique ou une première exploration, ces fichiers suffisent. Pour une implémentation de gestion réelle, la situation se complique.
Pourquoi ce choix technique est-il aussi structurant ? Parce que les facteurs publiés reposent sur un univers d’actions précis (celui du CRSP américain, avec des exclusions spécifiques) et sur un rééquilibrage annuel en juin. Un gérant qui applique un modèle factoriel sur un univers européen, ou qui rééquilibre mensuellement, obtient des séries de facteurs différentes.
Ce que la reconstruction exige en pratique
Reconstruire les facteurs soi-même demande trois éléments rarement disponibles clé en main :
- Un historique de composition d’indices ou d’univers d’investissement point-in-time, c’est-à-dire tel qu’il existait à chaque date passée, sans biais de survivant.
- Des identifiants pérennes pour chaque titre (les tickers changent, les entreprises fusionnent, les codes ISIN migrent).
- Des rendements totaux quotidiens incluant les dividendes réinvestis, et non pas de simples cours de clôture.
Sans ces briques, le risque principal est le look-ahead bias : utiliser involontairement une information future pour construire un facteur passé. Un facteur reconstruit avec un biais de look-ahead produit des backtests flatteurs mais inutilisables.
Régression factorielle en pratique : lire les coefficients d’un modèle Fama-French
Une fois les séries de facteurs en main, l’étape suivante consiste à régresser les rendements excédentaires d’un portefeuille sur les facteurs. Le résultat est un ensemble de coefficients (les bêtas factoriels) et un alpha.
Prenons un portefeuille exposé aux mid caps européennes de type value. Sa régression sur le modèle à trois facteurs pourrait montrer un bêta de marché proche de un, un coefficient SMB positif (exposition aux petites capitalisations) et un coefficient HML positif (exposition value). Si l’alpha est nul, la totalité de la performance du portefeuille s’explique par ces trois expositions. Pas de surperformance propre au gérant.
L’alpha résiduel, le vrai signal pour un quant
L’alpha mesure la part du rendement qui échappe aux facteurs du modèle. Un alpha positif et statistiquement significatif sur longue période suggère une compétence de sélection. Un alpha nul indique que le gérant collecte des primes factorielles sans ajouter de valeur propre.
Vérifier la significativité statistique de l’alpha est plus utile que regarder sa valeur brute. Un alpha de quelques points de base par mois peut être économiquement significatif, à condition que son t-stat dépasse un seuil raisonnable. Un alpha élevé mais bruité ne veut rien dire.
Limites du modèle factoriel Fama-French pour les décisions d’investissement
Le modèle à cinq facteurs ignore deux anomalies bien documentées : le momentum et la faible volatilité. Un portefeuille construit uniquement sur les cinq facteurs Fama-French laisse donc de côté des sources de rendement potentielles que d’autres modèles captent.
L’ajout de facteurs supplémentaires n’est pas une solution gratuite. Chaque facteur ajouté réduit les degrés de liberté de la régression et augmente le risque de surapprentissage. Multiplier les facteurs dans un modèle ne le rend pas plus fiable, surtout quand la période d’observation est courte.
Pour un investisseur qui utilise ces outils, la bonne approche consiste à choisir un modèle adapté à la question posée. Le modèle à trois facteurs reste le plus robuste pour décomposer la performance d’un portefeuille actions classique. Le modèle à cinq facteurs convient pour tester si un gérant capte une prime de qualité ou d’investissement prudent. Ni l’un ni l’autre ne remplace une analyse du risque de liquidité ou du risque opérationnel.
Le modèle Fama-French reste un outil de diagnostic, pas une recette de gestion. Sa force réside dans sa capacité à séparer ce qui relève d’une exposition mécanique à des primes de risque de ce qui relève d’une réelle compétence de sélection. Lire les facteurs comme un quant, c’est d’abord accepter que la majeure partie du rendement a une explication systématique.
