LA METHODOLOGIE DES ETUDES D EVENEMENTS DANS UN

LA METHODOLOGIE DES ETUDES D EVENEMENTS DANS UN UNIVERS CARACTERISE PAR DES CHANGEMENT DE REGIMES Jean-Gabriel COUSIN 1, Eric de BODT 2 1. INTRODUCTION Depuis Fama, Fisher, Jensen et Roll (1969), les études d évènements sont devenues une méthodologie de référence en finance. Nous supposerons, dans ce document, que cette approche est bien connue du lecteur 3. Les applications en ont, à ce point, été si nombreuses qu il serait illusoire de tenter d en faire le tour. De nombreux auteurs se sont également penchés sur les améliorations possibles de l approche initiale. Sans volonté aucune d exhaustivité, on citera notamment les travaux de Brown et Warner (1980,1985), qui se penchent sur la puissance et la spécification de différentes variantes de l approche initiale, Ball et Torous ( 1988), qui prennent explicitement en compte l incertitude autour de la détermination de la date d événement, Corrado (1989), qui propose un test robuste, ne supposant pas la normalité des taux de rentabilité anormaux des actions, Boehmer et al. (1991), dont l approche permet de neutraliser l effet de saut de variance induit par l événement, Salinger (1992), qui systématise l étude de l écart type des taux de rentabilité anormaux durant la période d événement dans les études d échantillons. Toutefois, et en un sens curieusement, la période d estimation, utilisée pour estimer les paramètres du modèle,qui permet d obtenir les taux de rentabilité dits normaux des actions, a fait l objet d une attention moins soutenue. Celle-ci se définit le plus souvent comme une période située en amont de l événement, durant laquelle il est possible d estimer proprement les paramètres du modèle de référence utilisé. Dans les études en données journalières, la fenêtre allant de 250 jours avant l événement à 30 jours avant ce dernier est souvent utilisée, assez mécaniquement. Ensuite, une période de quelques jours (assez variables selon les études) peut être neutralisée entre la fin de la période d estimation et l événement lui-même, 1 ESA-Université de Lille II- 1, Place Déliot BP 381 59020 Lille. Courriel : jgcousin@wanadoo.fr 2 Courriel : debodt@fin.ucl.ac.be 3 Campbell et al. (1997) présentent une synthèse intéressante des travaux effectués dans ce domaine. 1

selon que l on désire ou non prendre en compte l impact des fuites d information avant l annonce. La détermination mécanique de la période d estimation pose toutefois un problème, en particulier dans le cadre des études empiriques sur des échantillons de grande taille qui se généralisent aujourd hui 4. Il devient en effet, dans ce cadre, difficile d imaginer que le chercheur puisse, au cas par cas, s assurer du fait que la période d estimation n est pas contaminée par d autres événements spécifiques à l entreprise. Le risque est alors grand de biaiser l analyse. Imaginons en effet, dans le cadre d opérations de fusions et acquisitions par exemple, que l acquéreur ait, dans les mois qui précèdent, fait d autres opérations. Ce cas d espèce est fréquent. Déjà Malatesta et Tompson (1985)se sont penchés sur l impact des programmes de fusions et acquisitions, soulignant que les acquéreurs suivent souvent des stratégies de croissance externe qui s étalent dans le temps. La contribution récente de Fuller et al. (2002) souligne l importance de ce point. L inclusion de ces dernières dans la période d estimation des paramètres du modèle de détermination des taux de rentabilité normaux aura inévitablement des conséquences sur ces derniers. Plus gravement, peut-être encore, de tels événements risquent d augmenter de manière significative la variance des résidus du modèle, elle-même utilisée fréquemment pour tester la significativité des taux de rentabilités anormaux autour de l événement (une correction devant toutefois être faite pour tenir compte du fait qu il s agit de la variance de prévision (Salinger (1992)). Comme nous le montrerons dans la suite de ce document, ce biais réduit considérablement la puissance de l approche classique des études d événement, c est-à-dire sa capacité à détecter la présence de taux de rentabilité anormaux statistiquement significatifs lorsqu ils sont présents. C est à ce problème que nous nous attaquons dans ce travail. Nous poserons l hypothèse que, pour des raisons matérielles, essentiellement, le chercheur ne peut se permettre, pour l ensemble des entreprises de son échantillon, de s assurer au cas par cas, de l absence d événements concomitants dans la période d estimation. L approche proposée prend appui, à la fois sur les modèles désormais bien établis de la finance moderne, et en particulier sur le modèle de marché introduit par Sharpe (1964), mais également sur les modèles à changement de régimes, dénommés Markov-Switching Regressions Models (MS-Reg), notamment développés dans les travaux de Hamilton (1994), Krolzig (1997), Notre intuition initiale ² Fuller et al (2002), Mitchell et Stafford (1999) 2

est assez simple : l occurrence d un événement provoque un choc important sur le processus générateur des taux de rentabilité de l entreprise, ce choc pouvant être capté à l aide d un modèle à changement de régimes, notamment par une augmentation significative de la variance des résidus du modèle conditionnel au régime. Nous pourrons alors utiliser les paramètres obtenus dans le cadre du régime dans lequel se trouve le processus comme paramètres de référence pour l étude statistique des taux de rentabilité anormaux autour de la période d événement. En un certain sens, l approche proposée peut être comprise comme une méthode statistique de filtrage des données, permettant de neutraliser les chocs perturbateurs dans la période d estimation, sans qu il soit nécessaire pour le chercheur d en faire une recherche au cas par cas, jour après jour. Une autre vision de l approche proposée est celle d une spécification statistique, plus adaptée, du processus génération des taux de rentabilité des actions, permettant une meilleure spécification et puissance des tests sur les résidus du modèle, à savoir les taux de rentabilité anormaux. Le travail que nous effectuons est classique et prend appui sur celui réalisé par Brown et Warner (1980, 1985) ou Boehmer et al. (1991), pour ne citer qu eux. Dans un premier temps, en reposant sur un échantillon important d entreprises (quelques trois mille valeurs cotées sur les marchés américains composant l indice RUSSELL 3000), nous effectuons une étude de puissance et de spécification de différentes variantes de l approche classique en matière d étude d événement. Nous montrons, en troublant la période d estimation par des chocs aléatoires volontairement simulés, que ces dernières produisent des résultats de plus en plus biaisés. Nous montrons ensuite, toujours dans un cadre simulé, que l approche que nous proposons se révèle robuste à de telles perturbations. Notre objectif est, aussi rapidement que possible, d adjoindre à ce travail de simulation un travail sur un échantillon important d opérations de fusions et acquisitions, afin d étudier si, dans la réalité, le problème que nous analysons est susceptible de modifier de manière significative les conclusions des tests statistiques effectués concernant les taux de rentabilité anormaux, en particulier des acquéreurs, qui se révèlent souvent être des acquéreurs multiples (Fuller et al. (2002)). Nous consacrerons la première section de ce document à une présentation rapide des différentes alternatives classiquement suggérées aujourd hui dans le domaine des études d événements. Elle sera également consacrée à la présentation de l approche que nous proposons. Nous y introduirons aussi un certain nombre de rappels concernant les problèmes spécifiques que soulève l inférence statistique autour des modèles de type MS-Reg. Dans 3

notre deuxième section, nous présentons nos données et la méthodologie utilisée pour effectuer les tests de spécification et de puissance. Les résultats obtenus font l objet de la troisième section. Les multiples pistes de développement de ce travail en-cours sont abordées en conclusion. 2. METHODOLOGIE La méthode de simulation employée dans ce papier s inspire de celle de Brown et Warner (1980, 1985) et Boehmer et al (1991). Contrairement à une simulation de Monte-Carlo, où des valeurs sont générées aléatoirement à partir d une distribution statistique théorique, ces auteurs échantillonnent de véritables taux de rentabilité issus de la base de données CRSP 5. En sélectionnant aléatoirement des dates d évènements et des titres, ils créent des évènements simulés sans partir de l hypothèse d une distribution particulière des taux de rentabilité d actions. Des méthodologies similaires apparaissent également dans Corrado (1989,1992), Cowan (1992,1996) et Campbell et Wasley (1993), et de nombreuses autres contributions. Dans ce travail, l univers des titres que nous prenons en considération est celui de l indice RUSSELL 3000. 2.1 ESTIMATION DES TAUX DE RENTABILITE ANORMAUX Dans le cadre de l approche classique des études d évènements, les taux de rentabilité anormaux sont définis comme les erreurs de prédiction d un modèle particulier caractérisant le processus générateur des taux de rentabilité des actions. Le modèle de marché est souvent utilisé 6, α j β R R + + jt j mt ε jt R jt =, où est le taux de rentabilité du titre j à la date t et est le taux de rentabilité du portefeuille de marché ou du portefeuille assimilé au marché à la date t. Le terme d erreur ε jt mesure les taux de rentabilité anormaux. Il est classiquement supposé identiquement distribué, gaussien et non auto-corrélé 7. Nous noterons sa variance Rmt 5 Base de données du Center for Research in Security Prices (CRSP) de l université de Chicago 6 Les études de Brown et Warner (1980 et 1985) montrent que les résultats obtenus sont largement robustes au choix de différents modèles en la matière. 7 Différentes corrections ont été proposées dans la littérature pour tenir compte du problème de l auto-corrélation des résidus du modèle de marché (par exemple, Rubacq (1982)). Comme nous l aborderons dans la suite de ce document, les tests dits robustes permettent de se passer de l hypothèses de résidus gaussiens. Notre travail porte en fait plus précisément sur l hypothèse de distribution unique et stable des résidus. 4

2 durant la période d estimation. Nous noterons la variance des taux de rentabilité anormaux durant la période d événement σ j ' σ 2 j 8. La période d estimation des paramètres du modèle de marché couvre la fenêtre de t=1 à t=200, et t =250 représente la date d événement 2 sélectionnée aléatoirement. Initialement, dans l approche classique, on suppose que σˆ j, obtenu sur la période d estimateur, est un estimateur non biaisé de la variance des résidus du modèle de marché en période normale. L estimation du β est réalisé par la méthode des moindres carrées ordinaires 9. 2.2 TESTS STATISTIQUES Notations Nous utiliserons tout au long du papier les notations proposées par Boehmer et al (1991), afin de décrire les différents tests statistiques. N A je nombre de titres dans l échantillon le taux de rentabilité anormal du titre j le jour d événement A jt T j le taux de rentabilité anormal du titre j au jour t le nombre de jours composant la période d estimation du titre j, égal à 200 jours pour notre simulation _ R m le taux de rentabilité moyen du portefeuille de marché durant la période d estimation ^ j S l écart type estimé des taux de rentabilité anormaux du titre j durant la période d estimation SR je le taux de rentabilité anormal standardisé du titre j à la date d événement, corrigé de l erreur de prévision (Salinger (1992)) : = ^ (R me 2 + 1 Rm) A je / S j 1 + 200 _ (1) Tj ( R R ) 2 m t= 1 mt _ ' 2 σ j 8 S agissant de la variance d erreur de prévision, est supérieur à. Salinger (1992) présente en détail la correction à effectuer. 9 Cowan et al (1996) ayant montrés que l ajustement de Scholes et Williams (1977) n apportait que peu d amélioration, cet ajustement ne sera pas effectué dans notre étude. 2 σ j 5

Approches de références Les tests statistiques utilisés sont les tests en coupe transversale standardisés de Boehmer et al (1991), des rangs de Corrado (1989) et celui que nous proposons utilisant les modèles MS- Var. L hypothèse nulle pour chaque test est l absence de taux de rentabilité anormaux, ou, plus précisément, que la moyenne en coupe transversale de ces taux de rentabilité anormaux est nulle. Le test standardisé de Boehmer et al. (1991) est similaire à celui de Patell (1976), mais à la différence de ce dernier, les auteurs utilisent la variance estimée, coupe transversale des erreurs d estimation standardisées, en lieu et place de la variance théorique. Cette procédure permet de tenir compte d un éventuel accroissement de la variance des taux de rentabilité anormaux le jour de l événement (les auteurs parlent d event induced variance) en l estimant en coupe transversale. Le test de Boehmer et al s écrit alors de la manière suivante : Z = 1 N( N 1) 1 N N N j= 1 ( SR SR je N ie j= 1 j= 1 SR N ie ) 2 (2) Boehmer et al (1991) montrent que ce test est bien spécifié pour un échantillon de titres issus du NYSE-AMEX sous l hypothèse nulle, et ce, même lorsque la variance augmente lors de la date d événement. De plus, lorsqu il n y a aucune augmentation de la variance, ce test est aussi puissant que l approche classique. C est pour ces raisons que nous étalonnerons notre test par rapport à celui là. Le second test est le test des rangs, développé par Corrado (1989). Sa procédure traite la période d estimation et la période d événement comme une seule série temporelle de 250 jours (notre test fera de même), et assigne un rang à chaque taux de rentabilité anormal quotidien de chaque firme. En suivant la notation de Corrado, soit K jt représente le rang du rendement anormal A jt dans la série des 250 rendements anormaux quotidiens du titre j. Le rang un est accordé au plus faible rendement anormal de la série. Soit K =rank( A jt ) jt, t = 1,,250, où A implique que K et 250 K 1 jt A jt' jt K jt ' jt 6

Par construction le rang moyen est égal à ( 0.5 T ) + 0. 5, soit, dans notre cas, 125,5. La statistique de rang ( K 125,5), pour le taux de rentabilité anormal A, permet de construire jt le test statistique suivant à la date d événement : jt T = 1 N N j= 1 ( K je S( K) 125.5) (3) L écart type S(K) est alors calculé à partir de l ensemble de la période de 250 jours : 250 N S ( K) = 1 ( 1 ( K 125,5)) 250 N 2 jt (4) t= 1 j= 1 La procédure ainsi employée transforme la distribution des taux de rentabilité anormaux en une distribution uniforme à travers les différentes valeurs de rang possible, sans prise en compte de la forme de la distribution originale. Corrado (1989), Corrado et Zivney (1992) et Campbell et Wasley (1993) montrent, à l aide de simulations, que le test des rangs est correctement spécifié et puissant. Cowan(1992) rapporte que ce test est mal spécifié pour les titres issue du Nasdaq (titres connaissant un faible volume d échange), et Boehmer et al (1991) montrent qu il l est également en cas d augmentation de la variance des taux de rentabilité du titre lors de la période d événement. D autres améliorations ont également été apportées. Ball et Torous (1988) étudient le cas d une date d événement incertaine. Utilisant une technique fondée sur un estimateur de maximum de vraisemblance, ils mesurent, simultanément, les taux de rentabilité de la période d estimation, leur variance et la probabilité d occurrence de l événement, pour chaque jour de la fenêtre d évènements. Lorsque qu une performance anormale est présente et que la date d événement est incertaine, leur simulation montre que la méthode rejette l hypothèse nulle plus fréquemment que les tests traditionnels. Nimalendram (1994) présente une méthodologie utilisant un modèle mixte composé d un processus de poisson couplé à un mouvement brownien standard, afin de séparer les effets d arrivé d information des stratégie 7

de trading autour des évènements. Il démontre que son modèle est plus puissant, si on le compare aux estimateurs traditionnels, pour des évènements aux annonces multiples. Ces approches pourraient, à priori, sembler adaptées à l analyse de la situation qui nous intéresse, à savoir l existence d une période d estimation troublée. Toutefois, une analyse détaillée met en évidence de nombreux problèmes techniques. Le nombre de combinaisons étudiées, dans la méthode de Ball et Touros (1988), devient rapidement explosif. L approche de Nimalendram ne permet pas l identification des périodes d arrivée d informations et semble peu adaptée à l estimation de l impact de l arrivée d informations sur une période courte. Modèle à saut de régimes Pour l élaboration de notre test, nous considérons une modélisation statistique du processus générateur des taux de rentabilité, pour lequel les paramètres du modèle de marché et la variance des résidus peuvent changer lors de différents régimes. Le régime est représenté par une variable exogène dont la valeur est non observable. L analyse est réalisée dans le cadre des Markov Switching Regime largement diffusé par les travaux de Hamilton (1994). Soit S t le régime dans lequel se trouve le processus à une date t. Il existe N régimes possibles ( = 1,2,,N). Dans notre cas nous poserons N=2 10. Notre modèle de base est donc le S t suivant : = si S =1 avec ε N(0; ) (5) y t α 1 + β1 R m, t + ε1, t y t α 2+ β2 R m, t + ε2, t t 1, t~ σ1 = si S =2 avec ε N(0; ) t 1, t~ σ 2 St est non observable et il convient, afin de compléter le modèle, de spécifier les propriétés de ce processus. Dans les modèle MS-Var, qui signifie que le régime courant S t S t est un processus de Markov de premier ordre, ce dépend uniquement du régime de la période précédente. La chaîne de Markov est alors caractérisée par 4 probabilités de transition : S t 1 P( S = p, t 1 St 1 = 1) = t 1 St 1 = 2) = 11 P( S = p, 12 10 Ce choix repose à la fois sur la volonté de conserver des modèles parcimonieux et des analyses de spécification réalisées suivant la méthodologie développée par Krolzig (1997). 8

P( S = p, t 2 St 1 = 1) = t 2 St 1 = 2) = 21 P( S = p, 22 p ij est égale à la probabilité que le régime i en t-1 soit suivi du régime j en t. p pour i, j =1, 2 et p i p 1 pour i = 1,2 0 ij 1 + i 2= L estimation du modèle MS-Var à deux régimes repose donc sur l estimation des paramètres θ = ( α1, α2, β1, β2, σ1, σ 2) et des probabilités de transition pij. L inférence repose sur l estimation des probabilités d occurrence des régimes tout au long de la période de temps étudié. f( y t 2 = Ω = 1 ( yt α j β j Rm, t) st j, t 1; θ ) exp 2 j=1,2 (6) 2πσ 2σ j j S étant non observable, la vraisemblance L ( θ) f( Ω ; 1θ) est égale à : t t = yt t f yt Ω ; θ) = f( yt, S = 1 Ω ; θ) + f( yt, S = 2 Ω ; ) (7) ( t 1 t t 1 t t 1 θ P La relation fondamentale des probabilités conditionnelle, { } { A B} P AB d écrire : =, nous permet P B [ f ( y S = 1, Ω ; θ ) P( S = 1 Ω ; θ )] + [ f ( y S = 2, Ω ; θ ) P( S = 2 Ω ; )] f (8) ( yt Ωt ; θ ) = t t t 1 t t 1 t t t 1 t t 1 1 θ {} Afin d obtenir une estimation des différents paramètres du modèle, il nous faut donc estimer P ( S t j ; 1θ), j=1,2, soit la probabilité que le processus soit dans le régime j à la date t, et = Ωt cela connaissant l ensemble des observations de l échantillon (période d estimation et période d évènements) 11. 11 L inférence réalisé sur le régime dans lequel on se trouve en utilisant l ensemble de l information disponible est appelée smoothed inference. 9

Le test que nous proposons, consiste simplement en l adaptation de l approche de Boehmer et al. (1991), substituant au modèle de marché le modèle à deux états présentés à l équation (5). Cette approche présente a priori de multiples avantages : outre la possibilité de réaliser de l inférence sur le régime dans lequel le processus se trouve, la modélisation des taux de rentabilité anormaux sous la forme de gaussienne répond à l intuition de Roll (1987), à savoir que le vrai processus générateur des taux de rentabilité des actions serait un mélange de gaussienne. Il permet ainsi de corriger le test de significativité de la non normalité des taux de rentabilité anormaux.. Il prend également en compte l asymétrie (à vérifier) et les queues de distribution épaisses ainsi que l hétéroscédasticité de la variance conditionnelle, et cela, en n imposant aucune structure au saut de variance 12. Il possède de ce point de vue un avantage indéniable sur la rigidité des modèles GARCH 13. Enfin, l approche proposée génère à la fois le régime, les taux de rentabilité anormaux et la variance nécessaire pour réaliser l inférence, et ce,en laissant la possibilité d introduire une ou plusieurs variables exogènes. L ensemble de ces avantages devrait permettre à notre test de gagner en spécificité et en puissance face aux tests classiques, en particulier lorsque des événements importants troublent la période d estimation. 3. DONNEES 3.1 Sélection de l échantillon Nous construisons 250 échantillons de 50 titres chacun tirés aléatoirement parmi l ensemble des valeurs composant l indice Russell 3000 au 01/03/02. Cet indice est composé des 3000 plus importantes capitalisations boursières des Etats-Unis, et représente approximativement 98% du marché action américain. La capitalisation boursière moyenne est de 4 milliards de dollars et la médiane de 700 millions de dollars. Le minimum est de 128 millions de dollar, le maximum de 309 milliards. Pour l ensemble des valeurs le composant, on utilise les cours du 1/01//90 au 01/03/02, soit approximativement 3000 observations. Tous les titres et les dates d évènements sont tirés aléatoirement avec replacement. Nous sélectionnons les titres et les 12 Ces propriétés des modèles MS-Reg sont exposées en détail dans Krolzig (1997). 13 Savickas (2001) propose une utilisation des modèles GARCH dans le cadre des études d événements. 10

dates d évènements qui respectent les contraintes suivantes : pour faire partie de l échantillon, une valeur doit posséder au minimum 50 rendements quotidiens lors de la période d estimation (du jour 1 au jour 200) et aucun rendement manquant dans les 30 jours entourant l évènement (230 à 260 ; évènement en 250). Chaque portefeuille de 50 titres est tiré indépendamment des autres. 3.2 Simulation d évènements lors de la période d estimation Notre simulation se propose d étudier l incidence sur les tests de significativité de la présence éventuelle d évènements brouillant la période d estimation. Le niveau de performance anormale injecté durant la période d estimation prend les valeurs successives de 0%, ± 1%, ± 2% et ± 4%, et ces chocs sont de variance non nulle. Une variance différente de zéro implique que chaque titre connaît des niveaux différents de «pollution» de sa période d estimation. Notre simulation d accroissement de variance lors de la période d estimation pour chaque titre i prendra la forme générale kσ où σ 2 représente la variance du titre i durant la période d estimation non bruitée, et k prend les valeurs 0.5, 1, 2 et 4. Dans un premier temps, le nombre d évènements durant la période d estimation est déterminé en deux étapes. Un tirage aléatoire dans une loi de Poisson de moyenne 2 est réalisé. Il représente le nombre d événements durant la période d estimation. Ensuite, le nombre de jours durant lesquels se manifestent ces évènements est également tiré aléatoirement dans une loi de Poisson de moyenne 4. Cette méthodologie nous permet de générer des arrivées d information aléatoires durant la période d estimation. Le figure 1 présente un exemple type de résultats obtenus à l aide de cette procédure. La courbe continue représente la trace initiale des taux de rentabilité. La courbe pointillée représente celle obtenue après applications des d événements simulés durant la période d estimation. 2 i i 11

fig1: exemple de l'incidence de l'application de choc durant la période d estimation 4. RESULTATS Tous les résultats présentés par la suite reposent sur l utilisation d un seuil de significativité de 5%. 4.1 TESTS STATISTIQUES SANS EVENEMENTS DURANT LA PERIODE D ESTIMATION Dans un premier temps, et afin d étudier le comportement de l approche que nous proposons dans le même cadre que celui des travaux de référence, nous étudions la spécification et la puissance des trois approches (Boehmer (1991), Corrado (1989) et MS-Reg) lorsque aucun événement ne vient troubler la période d estimation. Le tableau 1 reprend les résultats obtenus. Lorsque le niveau de rentabilité anormal artificiel est nul, les tests doivent rejeter l hypothèse nulle d absence de performance anormal dans 5% des cas (test de spécification). Tableau 1 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal - Aucun évènement artificiel durant la période d'estimation Niveau de rendement anormal injecté lors du jour d'événement Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% Test de Boehmer 6,8% 28,8% 22,0% 66,8% 72,0% 100,0% 97,6% Test de Corrado 5,6% 42,8% 29,2% 88,8% 85,6% 99,2% 100,0% Test MS-Reg 4,8% 24,0% 36,0% 62,0% 83,2% 97,6% 98,0% 12

Pour un niveau de taux de rentabilité anormal nul, les taux de rejet des trois tests fournissent des résultats assez proches, qui se situent dans l intervalle de confiance à 99% ( 3,3% - 6,8%). Cela nous amène à conclure à la bonne spécification de ces trois tests dans ce cadre. Par contre, les niveaux de puissance, selon le signe du choc injecté artificiellement, connaissent des évolutions différentes. Le gain de puissance est évident et très important pour la détection des performances anormales positives : le test MS-Var rejette l hypothèse nulle d absence de performance anormale, lors d un choc de 0,5%, de 14 points plus souvent que le test de Boehmer (1991) et plus de 7 points que le test de Corrado (1989). Ce gain s estompe avec l accroissement du choc, tout en restant significatif au regard des performances du test de Boehmer (1991). Mis à part le test de Boehmer (1991), pour la détection de taux de rentabilité anormaux négatifs, les tests étudiés présentent une importante asymétrie de leur niveau de puissance. Pour un choc artificiel de -0,5%, le taux de rejet pour le test MS-Reg est de 12 points inférieur à celui d un choc de même ampleur mais de signe positif. Le même résultat, mais en sens inverse, est observé pour le test de Corrado (1989). Cette asymétrie de comportement des différentes approches (en particulier, les résultats obtenus lorsque l on injecte des taux de rentabilité négatifs) a fait l objet de peu d attention dans la littérature jusqu à présent et son étude sera l une des priorités des nos prochains travaux. 4.2 TESTS STATISTIQUES AVEC EVENEMENTS DURANT LA PERIODE D ESTIMATION Nous simulons à présent des évènements durant la période d estimation, se manifestant par un accroissement de la variance et un saut de moyenne. A priori, l inclusion de tels événements dans la période d estimation des paramètres du modèle de détermination des taux de rentabilité normaux devrait avoir des conséquences sur la spécification et la puissance des approches classiques. 13

Tableau 2 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal évènement artificiel injecté durant la période d'estimation de moyenne nulle Niveau de rendement anormal Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% k=0,5 Test de Boehmer 3,6% 28,8% 28,4% 65,6% 69,2% 97,6% 98,4% Test de Corrado 2,8% 41,6% 30,8% 86,8% 86,4% 100,0% 100,0% Test MS-Reg 2,0% 25,2% 39,6% 64,8% 81,6% 96,4% 96,8% k=1 Test de Boehmer 4,4% 28,8% 25,2% 69,6% 74,8% 98,0% 99,6% Test de Corrado 5,2% 43,2% 32,0% 91,6% 88,0% 100,0% 100,0% Test MS-Reg 4,8% 23,2% 36,0% 68,0% 84,4% 97,6% 99,2% k=2 Test de Boehmer 5,2% 28,8% 23,6% 74,4% 71,2% 99,6% 97,2% Test de Corrado 4,8% 39,2% 29,6% 92,0% 86,0% 100,0% 99,6% Test MS-Reg 4,8% 25,2% 36,0% 71,2% 81,6% 99,2% 98,0% k=4 Test de Boehmer 6,8% 34,0% 28,4% 68,8% 72,0% 98,4% 97,6% Test de Corrado 4,4% 38,8% 34,8% 89,2% 85,2% 100,0% 100,0% Test MS-Reg 5,2% 29,6% 38,4% 72,4% 80,8% 98,4% 98,0% Le tableau 2 reprend les résultats de nos simulations. La supériorité du test MS-Reg sur les deux autres est impressionnante pour la détection des rendements anormaux faibles et positifs (+0,5%) : le gain est au minimum de 10 points sur le test de Boehmer (1991) et ce quel que soit le niveau de variance induite. Par rapport au test de Corrado (1989) le gain paraît plus faible mais reste conséquent (plus de 6 points pour k=2). Le problème de l asymétrie de la puissance persiste et devra faire l objet d investigations dans le futur. Par contre, pour la détection de chocs plus importants à la date d événements (1% et 2%), le test de Corrado (1989) domine les deux autres approches. Les tableaux 3 et 4 reprennent les résultats du cas où l événement artificiel injecté durant la période d estimation est de moyenne 1% et 1%. La bonne spécification du test de Boehmer (1991) semble souffrir de l augmentation de la variance des évènements artificiels. Dans le tableau 3, pour k=2, le test rejette dans 8% des cas l hypothèse nulle d absence de taux de rentabilité anormaux. L écart de puissance entre les approches classiques et l approche MS- Reg s accentue. Pour k=1, le test MS-Reg présente un gain de près de 20 points sur les deux autres approches pour la détection d un choc de 0.5% et de plus de 15 points sur le test de Boehmer (1991) et de 8 points sur le test de Corrado (1989) pour la détection d un choc de 14

1%. Le problème de l asymétrie de la puissance persiste, même si les résultats semblent montrer une atténuation de l écart entre les différentes approches. Tableau 3 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal évènement artificiel durant la période d'estimation de moyenne égale à 1,0% Niveau de rendement anormal Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% k=0,5 Test de Boehmer 6,4% 32,0% 22,4% 71,6% 65,6% 98,0% 98,0% Test de Corrado 1,6% 36,8% 25,2% 86,8% 76,4% 100,0% 100,0% Test MS-Reg 4,0% 27,6% 40,0% 66,4% 83,6% 97,6% 98,0% k=1 Test de Boehmer 6,8% 35,2% 21,2% 71,6% 67,6% 99,6% 98,0% Test de Corrado 4,8% 38,0% 22,4% 88,8% 81,2% 100,0% 100,0% Test MS-Reg 6,8% 26,0% 41,2% 67,2% 82,8% 98,4% 98,0% k=2 Test de Boehmer 8,0% 34,0% 19,6% 73,6% 65,2% 99,6% 98,4% Test de Corrado 3,2% 36,8% 24,8% 89,6% 79,6% 100,0% 100,0% Test MS-Reg 6,8% 24,8% 33,6% 71,2% 78,8% 98,0% 98,4% k=4 Test de Boehmer 7,2% 34,8% 19,6% 73,6% 68,4% 100,0% 98,8% Test de Corrado 6,0% 44,4% 24,8% 89,6% 85,2% 100,0% 100,0% Test MS-Reg 6,4% 28,4% 33,6% 66,8% 77,6% 100,0% 98,4% Tableau 4 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal évènement artificiel durant la période d'estimation de moyenne égale à -1,0% Niveau de rendement anormal Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% k=0,5 Test de Boehmer 5,6% 29,6% 30,0% 67,6% 72,0% 98,0% 98,0% Test de Corrado 3,2% 32,4% 31,6% 84,0% 85,2% 99,6% 100,0% Test MS-Reg 5,2% 22,0% 39,2% 62,4% 81,2% 98,8% 97,6% k=1 Test de Boehmer 4,4% 27,6% 29,6% 66,4% 71,6% 97,2% 98,8% Test de Corrado 2,4% 32,8% 28,4% 84,8% 81,6% 100,0% 100,0% Test MS-Reg 6,4% 30,8% 41,6% 63,2% 78,8% 96,0% 98,4% k=2 Test de Boehmer 5,6% 28,8% 27,6% 70,4% 72,8% 99,2% 98,8% Test de Corrado 4,4% 32,8% 30,0% 85,6% 80,8% 100,0% 100,0% Test MS-Reg 5,6% 21,6% 41,2% 68,8% 81,6% 96,8% 98,4% k=4 Test de Boehmer 4,0% 24,4% 28,0% 68,4% 68,8% 99,2% 96,8% Test de Corrado 2,8% 34,8% 29,6% 86,0% 83,2% 100,0% 100,0% Test MS-Reg 4,4% 22,4% 32,8% 68,0% 82,8% 99,2% 98,4% 15

Le tableau 4 dénote une relative constance, au regard des résultats des autres approches, dans la puissance du test MS-Reg vis à vis du signe du choc injecté durant la période d estimation. Le test de Corrado (1989) souffre mécaniquement de l adjonction de chocs non-nuls en moyenne : il lui est plus difficile de détecter un choc positif dans la fenêtre d événement si la période d estimation est elle-même «polluée» positivement. Les tableaux 5 et 6 reprennent les résultats du cas où l événement artificiel injecté durant la période d estimation est de moyenne 2% et 2%. Le test de Boehmer (1991) accentue sa mauvaise spécification : dans le tableau 5, pour k = 2, en l absence de choc injecté le jour d événement, il réfute l hypothèse nulle d absence de taux de rentabilité anormale dans 11,6% des cas au lieu des 5% attendus. Le test MS-Reg reste le plus puissant pour les chocs faibles et le devient également pour les chocs plus important (1%). Les gains de puissance se confirment avec l accroissement du choc. Tableau 5 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal évènement artificiel injecté durant la période d'estimation de moyenne égale à 2,0% Niveau de rendement anormal Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% k=0,5 Test de Boehmer 8,8% 36,8% 20,8% 79,2% 64,4% 98,4% 96,8% Test de Corrado 2,8% 33,6% 13,6% 78,0% 66,0% 100,0% 99,2% Test MS-Reg 7,6% 32,0% 31,6% 70,8% 82,0% 96,4% 98,8% k=1 Test de Boehmer 4,4% 36,4% 17,2% 74,8% 61,6% 99,6% 97,6% Test de Corrado 1,6% 30,4% 15,6% 76,4% 62,4% 100,0% 98,8% Test MS-Reg 4,8% 28,8% 36,0% 68,4% 82,0% 98,8% 99,2% k=2 Test de Boehmer 11,6% 36,4% 19,2% 78,0% 61,6% 100,0% 96,4% Test de Corrado 4,0% 24,4% 18,4% 84,0% 66,8% 100,0% 99,6% Test MS-Reg 6,4% 23,2% 29,6% 73,2% 80,4% 100,0% 98,0% k=4 Test de Boehmer 5,6% 32,4% 16,4% 77,6% 65,2% 99,2% 98,4% Test de Corrado 5,2% 36,0% 17,6% 84,8% 73,2% 100,0% 100,0% Test MS-Reg 6,0% 27,2% 32,4% 66,8% 81,2% 99,6% 98,4% Le tableau 6 confirme ces remarques, tout en estompant le problème de l asymétrie de la puissance. Ce problème semble s atténuer lors de l injection d évènements artificiels durant la 16

période d estimation de moyenne non nulle et négative. Dans ce cas précis notre approche MS-Reg semble la mieux spécifié et la plus puissante dans tous les cas de figure. Tableau 6 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal évènement artificiel injecté durant la période d'estimation de moyenne égale à -2,0% Niveau de rendement anormal Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% k=0,5 Test de Boehmer 6,8% 20,8% 29,6% 63,2% 75,2% 98,4% 98,0% Test de Corrado 3,2% 24,4% 19,6% 70,0% 73,6% 100,0% 99,6% Test MS-Var 6,4% 20,4% 37,2% 62,0% 84,4% 98,0% 98,8% k=1 Test de Boehmer 6,0% 28,8% 32,8% 60,0% 77,2% 99,2% 99,6% Test de Corrado 4,0% 20,8% 19,2% 70,8% 80,4% 100,0% 100,0% Test MS-Var 4,0% 26,8% 41,6% 63,6% 85,2% 98,0% 99,2% k=2 Test de Boehmer 6,4% 24,4% 31,6% 66,0% 72,8% 99,6% 99,2% Test de Corrado 2,4% 24,4% 22,4% 75,2% 75,6% 100,0% 100,0% Test MS-Var 4,8% 22,8% 38,8% 68,0% 78,4% 98,8% 98,0% k=4 Test de Boehmer 6,4% 24,0% 33,6% 66,0% 74,0% 99,2% 98,4% Test de Corrado 2,0% 30,4% 27,6% 75,2% 79,6% 100,0% 100,0% Test MS-Var 5,2% 22,4% 44,8% 68,0% 78,0% 98,4% 98,4% Les tableaux 7 et 8 confirment les résultats précédents. Le test de Corrado(1989) est fortement biaisé en fonction du signe et de l ampleur de la moyenne du choc injecté lors de la période d estimation. Le test de Boehmer (1991) souffre d une mauvaise spécification qui s aggrave également avec l ampleur de la variance du choc injecté. De même, plus le choc est important en valeur absolue et plus la variance de celui-ci est importante, plus le gain de puissance de l approche MS-Reg est importante. Au regard du tableau 7, on peut affirmer que l écart entre les puissances des différentes approches s accentue encore : pour k=2 le test MS-Reg rejette l hypothèse nulle d absence de performance anormale lors d un choc de 0,5% de 20 points plus souvent que le test de Boehmer (1991) et de plus de 23 points que le test de Corrado (1989) et lors d un choc de 1% de près de 20 points le test de Boehmer (1991) et de 30 points le test de Corrado (1989). Dans la situation représentée par le tableau 8, le test MS-Reg est systématiquement le plus puissant. 17

Tableau 7 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal évènement artificiel injecté durant la période d'estimation de moyenne égale à 4,0% Niveau de rendement anormal Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% k=0,5 Test de Boehmer 7,6% 40,4% 13,6% 76,4% 57,6% 99,2% 97,2% Test de Corrado 1,2% 17,2% 6,4% 58,0% 35,6% 98,0% 90,8% Test MS-Var 5,2% 24,8% 28,0% 66,4% 85,2% 98,4% 97,6% k=1 Test de Boehmer 0,4% 46,4% 16,0% 76,0% 57,2% 99,2% 96,0% Test de Corrado 10,4% 14,8% 7,2% 62,4% 42,4% 99,2% 93,6% Test MS-Var 3,6% 27,6% 35,2% 72,0% 80,8% 98,4% 98,0% k=2 Test de Boehmer 10,8% 43,2% 11,6% 74,0% 62,0% 99,2% 95,6% Test de Corrado 0,4% 18,0% 6,8% 66,8% 51,2% 99,6% 96,0% Test MS-Var 4,0% 29,2% 30,4% 68,4% 81,2% 99,2% 98,4% k=4 Test de Boehmer 11,6% 44,4% 9,6% 75,6% 48,0% 99,2% 96,8% Test de Corrado 2,4% 26,4% 13,6% 72,0% 51,6% 100,0% 98,8% Test MS-Var 6,0% 26,8% 34,0% 65,6% 76,0% 98,8% 96,8% Tableau 8 Taux de rejet de l'hypothèse nulle d'absence de rendement anormal évènement artificiel injecté durant la période d'estimation de moyenne égale à -4,0% Niveau de rendement anormal Test 0,0% -0,5% 0,5% -1,0% 1,0% -2,0% 2,0% niveau de significativité : 5% k=0,5 Test de Boehmer 8,4% 22,8% 37,2% 58,8% 79,2% 98,4% 99,6% Test de Corrado 1,6% 11,6% 9,6% 40,0% 49,6% 91,2% 99,2% Test MS-Var 5,2% 22,8% 43,2% 65,2% 84,4% 99,6% 99,2% k=1 Test de Boehmer 8,8% 17,6% 33,2% 62,4% 78,4% 97,6% 98,4% Test de Corrado 0,8% 15,2% 8,8% 50,8% 54,8% 95,2% 98,0% Test MS-Var 6,4% 24,8% 34,0% 65,2% 84,0% 98,8% 98,8% k=2 Test de Boehmer 7,2% 23,2% 39,6% 59,6% 79,6% 98,0% 99,6% Test de Corrado 0,8% 18,4% 17,2% 56,8% 63,6% 95,2% 99,6% Test MS-Var 4,8% 24,4% 39,2% 70,8% 84,4% 98,4% 98,4% k=4 Test de Boehmer 8,4% 21,2% 44,4% 58,0% 83,2% 98,0% 99,2% Test de Corrado 0,8% 17,6% 19,2% 62,0% 69,6% 97,6% 99,6% Test MS-Var 4,0% 26,0% 41,2% 68,0% 86,8% 98,4% 98,8% 18

Conclusion La méthodologie classique des études d événement repose sur une série de paramètres. Depuis l étude initiale de Fama, Fisher, Jensen et Roll (1969), les applications de cette méthodologie en finance ont été innombrables. De multiples améliorations de la méthodologie de base ont également été proposées. Nous nous penchons dans ce travail sur le problème de la détermination d une période d estimation «propre». Les données issues de cette période sont utilisées pour estimer les paramètres du processus générateur des taux de rentabilité normaux. Il doit donc s agir d une période d activité normale durant laquelle aucun événement majeur ne vient troubler la vie de l entreprise. Jusqu à présent, la seule possibilité offerte au chercheur pour valider cette hypothèse a été, pour chacune des entreprises qui constituent son échantillon, de procéder à une étude minutieuse de la presse financière. Lorsque le travail est effectué sur des échantillons de grande taille, ce qui peut se révéler critique afin d obtenir des résultats statistiquement significatifs, une telle démarche est difficilement envisageable. L approche que nous proposons dans ce document apporte une solution de nature statistique à ce problème. Elle prend appui sur les modèles à changement de régimes, dénommés dans la littérature anglo-saxonne Markov-Switching Regressions Models, notamment développés dans les travaux de Hamilton (1994), Krolzig (1997). Les résultats obtenus montrent bien la grande sensibilité des approches classiques à l injection d évènements artificiels durant la période d évènements. L approche de Boehmer (1991) connaît rapidement des problèmes de spécification et de puissance. La présence de choc durant la période d estimation trouble également, très significativement, la puissance du test de Corrado (1989). Parallèlement à ces résultats, l approche que nous proposons conserve un niveau de puissance le plus souvent supérieur aux deux autres approches et ne connaît pas de problème de spécification. Cette étude n en est qu à une phase exploratoire. De nombreux travaux devront compléter ces résultats : - il est nécessaire de mieux comprendre, voire de trouver une solution, au problème de l asymétrie du comportement des tests étudiés selon que le choc envisagé soit d espérance positive ou négative. - les résultats déjà obtenus doivent être confirmés lorsque le choc injecté à la date d événement est stochastique. 19

- une extension potentiellement intéressante de notre approche sera également de l étendre au cas des études d événements avec régression en variables binaires. - une autre piste d amélioration de l approche actuelle est l utilisation d un estimateur des taux de rentabilité anormaux basé sur la moyenne des rentabilités anormales dans chaque état pondérée par la probabilité de l état en question. Il nous restera ensuite à envisager l application de l approche sur un échantillon significatif d opérations de fusions et acquisitions afin, en particulier en ce qui concerne les acquéreurs, d étudier l impact des acquisitions multiples sur la significativité statistique des résultats classiquement présentés dans la littérature financière. Bibliographie Ball, C., et W. Torous, 1988, Investigating security-price performance in the presence of event-date uncertainty, Journal of Financial Economics, 22, 123-154 Boehmer, E., J. Musumeci, et A. Poulsen, 1991, Event-study methodology ender conditions of event induced variance, Journal of Financial Economics, 30, 253-272. Brown, S., et J. Warner, 1980, Measuring security price performance, Journal of Financial Economics, 8, 205-258. Brown, S., et J. Warner, 1985, Using daily stock returns: The case of event studies, Journal of Financial Economics, 14, 3-31. Campbell John W., et al, 1997, The Econometrics of Financial Markets", Princeton University Press. Campbell, J. Cynthia et Wasley Charles E., 1993, Measuring security price performance using daily NASDAQ return, Journal of Financial Economics, 33, 73-92. Corrado, C., 1989, A nonparametric test for abnormal security price performance in event studies, Journal of Financial Economics, 23, 385-395. Cowan Arnold R., et Sergeant Anne M. A., 1996, Trading frequency and event study test spécification, Journal of Banking and Finance, 20, 1731-1757. Fama, E., L. Fisher, M. Jensen, and R. Roll, 1969, The adjustement of stock prices to new information, International Economic Review, 10, 1-21. Fuller K., J. Netter et M. Stegemoller, 2002, What do returns to acquiring firms tell us? Evidence from Firms that make many acquisitions, Journal of Finance, Août 2002. Hamilton James D., 1994, Time series analysis, Princeton University Press. 20

Krolzig H.-M., 1997, Markov-Switching Vector Autoregressions, University of Oxford, UK Lecture Notes in Economics and Mathematical Systems, Vol. 454. Springer, 1997. XIV. Malatesta P. et Thompson R., 1985, Partially Anticipated Events : A Model of Stock Price Reactions with an Application to Corporate Acquisitions, Journal of Financial Economics, 14, 237-250 Mitchell M. et E. Stafford, 2000, Managerial decisions and long-term stock price performance, Journal of Business, 73, 287-330. Nimalendram M., 1994, Estimating the effects of information surprises and trading on stock returns using a mixed jump-diffusion model, The Review of Financial Studies, vol.7, N 3, 451-473. Roll, R., R-Squared, Journal of Finance, 43, 2, 541-566. Salinger, M., 1992, Standard errors in event studies, The Journal of Financial and Quantitave Analysis, 27, 39-53. Savickas, R., 2001, Abnormal Return, SSRN electronic paper collection. 21