La prime de risque ne se réduit pas à la variance — l'asymétrie et le kurtosis ont leur
propre rémunération.
Avant, la prime de risque se résumait à une compensation pour la variance — plus un actif
est volatile, plus il doit rapporter. Aujourd'hui, nous savons que cette vision tronque
la réalité. Les marchés d'options révèlent des primes distinctes liées à l'asymétrie
et au kurtosis implicites, des compensations que les investisseurs exigent pour des formes
de risque que la variance seule ne peut pas capturer et qui changent fondamentalement la
lecture de la rémunération du risque sur les marchés financiers.
Trois moments, trois primes distinctes
Au-delà de la variance : une prime pour chaque moment
La théorie classique de la valorisation des actifs construit la prime de risque
autour d'un seul moment — la variance, ou son équivalent, le bêta. Cette
simplification est commode. Elle est aussi insuffisante. Les investisseurs ne se
soucient pas uniquement de l'ampleur des fluctuations d'un actif : ils se
soucient de leur forme. Une distribution qui tombe rarement mais violemment est
fondamentalement différente d'une distribution qui fluctue régulièrement autour
de sa moyenne, même si les deux partagent la même variance. L'asymétrie capture
ce déséquilibre directionnel. Le kurtosis capture l'épaisseur des queues. Chacun
de ces moments représente une dimension distincte du risque que les investisseurs
perçoivent, anticipent et cherchent à éviter ou à compenser. La prime de risque
totale exigée pour détenir un actif est donc la somme de contributions distinctes —
variance, asymétrie, kurtosis — chacune reflétant une aversion spécifique des
participants au marché. Réduire cette somme à son premier terme, c'est
construire une carte en ignorant les trois quarts du territoire.
Prime d'asymétrie variable selon le régime de marché
La prime d'asymétrie implicite et sa mesure
La prime de risque liée à l'asymétrie implicite se mesure en comparant
l'asymétrie implicite — extraite des prix d'options, donc prospective — à
l'asymétrie réalisée des rendements observés sur la même période. Lorsque
l'asymétrie implicite est systématiquement plus négative que l'asymétrie
réalisée, cela indique que les investisseurs paient une prime pour se protéger
contre des chutes asymétriques — une prime d'asymétrie identifiable et
mesurable. Cette prime n'est pas constante dans le temps. Elle varie avec les
régimes de marché, les niveaux de stress, les événements macroéconomiques. En
période de tension, les investisseurs deviennent plus averses à l'asymétrie
négative et la prime augmente. En période calme, elle se contracte. Suivre
l'évolution temporelle de cette prime, c'est suivre l'évolution de
l'aversion collective du marché à un type spécifique de risque — un signal que
les modèles fondés sur la seule variance ne peuvent pas produire. La construction
d'un estimateur robuste de cette prime exige une extraction fiable de
l'asymétrie implicite sur des séries temporelles longues et des corrections
soigneuses pour les biais d'estimation connus.
Kurtosis implicite systématiquement supérieur au kurtosis réalisé
La prime de kurtosis et le coût du risque de queue
Le kurtosis implicite supérieur au kurtosis réalisé est une observation empirique
récurrente sur les marchés d'options d'indices. Les investisseurs paient, en
moyenne, davantage pour se couvrir contre les événements extrêmes que ces événements
ne se produisent effectivement. Cet excès de kurtosis implicite sur le kurtosis
réalisé est la signature d'une prime de risque de queue — une compensation
exigée pour supporter des distributions à queues épaisses, même lorsque ces queues
se matérialisent moins fréquemment que le prix des options ne le suggère. La prime
de kurtosis est plus difficile à mesurer que la prime d'asymétrie, pour deux
raisons. Premièrement, le kurtosis implicite est lui-même plus sensible aux erreurs
d'estimation, notamment aux strikes extrêmes peu liquides. Deuxièmement, le
kurtosis réalisé sur des séries temporelles finies est un estimateur naturellement
bruité. Ces difficultés techniques ne doivent pas conduire à ignorer cette prime —
elles doivent conduire à investir dans des méthodes d'estimation plus robustes
et à interpréter les résultats avec la prudence qu'ils méritent.
Co-asymétrie et co-kurtosis comme déterminants du rendement
Intégrer les primes de moments supérieurs dans les modèles de valorisation
Reconnaître l'existence de primes d'asymétrie et de kurtosis conduit
naturellement à vouloir les intégrer dans des modèles de valorisation plus complets.
Des extensions du cadre d'équilibre général — notamment les modèles de
valorisation à moments d'ordre supérieur — montrent que le rendement attendu
d'un actif dépend non seulement de sa covariance avec le marché, mais aussi de
sa co-asymétrie et de sa co-kurtosis avec le portefeuille de marché. Un actif dont
les rendements sont fortement corrélés avec les chutes asymétriques du marché exige
une prime supplémentaire, au-delà de ce que sa variance justifie. Un actif dont les
queues de distribution se manifestent simultanément avec celles du marché exige une
prime de co-kurtosis. Ces contributions additionnelles modifient l'ordre de
préférence entre actifs apparemment similaires en termes de variance et de rendement
moyen, et offrent une explication plus complète des écarts de valorisation observés
sur les marchés financiers réels entre actifs de caractéristiques distributionnelles
différentes.
Robustesse à tester sur plusieurs fenêtres temporelles
Limites et précautions dans l'utilisation des primes de moments
L'identification des primes de risque d'asymétrie et de kurtosis repose sur
des hypothèses qui méritent d'être explicitées et testées. La comparaison entre
moments implicites et moments réalisés suppose que l'échantillon historique
utilisé pour calculer les moments réalisés est représentatif de la distribution
réelle des rendements. Sur des séries courtes ou des périodes atypiques, cette
hypothèse peut être violée. De plus, les primes mesurées peuvent refléter des biais
d'estimation plutôt que de véritables primes économiques — notamment lorsque les
estimateurs des moments d'ordre supérieur sont sensibles aux observations
extrêmes. Une robustesse minimale exige de tester la stabilité des primes estimées
sur différentes fenêtres temporelles, différentes méthodes d'extraction des
moments implicites et différents sous-échantillons de données. Seule une convergence
des résultats à travers ces variations méthodologiques justifie une confiance
raisonnée dans les primes identifiées. La rigueur dans la mesure est la condition de
la pertinence dans l'interprétation.