Étude d’événement et rendement anormal cumulé (CAR)

Une étude d’événement demande si le cours d’une action a davantage ou moins évolué autour d’un événement que ne le prévoyait un modèle choisi. Les exemples incluent les résultats d’entreprise, les acquisitions, une décision réglementaire ou une modification de structure du capital. La synthèse de MacKinlay sur les études d’événement présente la méthode comme une mesure de la réaction des cours aux événements économiques.

« Anormal » ne signifie ni erroné ni automatiquement synonyme de surperformance. Il s’agit du rendement observé moins le rendement normal estimé. Le résultat dépend du modèle et de l’échantillon ; ce n’est pas un effet causal isolé.

Avant l’analyse, précisez ce qui constitue l’événement, le titre concerné et l’horodatage retenu. Consignez date et heure dans le fuseau local de chaque place, en tenant compte du calendrier de cotation, des jours fériés et des changements d’heure. Ne confondez pas date civile, heure UTC et séance boursière.

Une annonce diffusée après la clôture peut n’être intégrée qu’à la séance suivante. Attribuez alors t=0 à cette prochaine séance si les horaires l’indiquent ; une annonce avant l’ouverture peut concerner la séance du même jour. Pour une nouvelle en cours de séance, des données intrajournalières peuvent mieux convenir que des rendements quotidiens. Fixez la règle avant d’observer la réaction.

La fenêtre d’estimation fournit les observations servant à ajuster le modèle de rendement normal. La fenêtre d’événement couvre les séances pendant lesquelles une réaction ou une fuite d’information est plausible. Elles ne doivent pas se chevaucher : les rendements de l’événement ne doivent pas déterminer les paramètres du modèle contrefactuel.

Une fenêtre quotidienne fréquente est [−1,+1], soit la séance précédant t=0 jusqu’à la séance suivante. Une fenêtre plus large peut saisir une réaction progressive, mais englobe aussi davantage d’actualités concurrentes. Justifiez la fenêtre principale à l’avance et présentez des analyses de sensibilité raisonnables. Brown et Warner sur les rendements quotidiens90042-X) étudient l’influence des caractéristiques de ces données sur la méthode.

Dans la fenêtre d’estimation, ajustez un modèle de marché pour le titre i, où Rₘ,ₜ est le rendement d’un indice de marché pertinent à la séance t :

R̂ᵢ,ₜ = αᵢ + βᵢ Rₘ,ₜ

Le rendement anormal est le rendement réalisé du titre moins le rendement attendu estimé :

ARᵢ,ₜ = Rᵢ,ₜ − R̂ᵢ,ₜ

Pour la fenêtre choisie, additionnez les AR quotidiens :

CARᵢ[t₁,t₂] = Σₜ₌ₜ₁ᵗ² ARᵢ,ₜ

CAR additionne des écarts exprimés en rendement. Ce n’est ni le rendement total cumulé de l’action ni celui d’une stratégie à effet de levier. Documentez l’indice, la fréquence, la fenêtre d’estimation, les ajustements et le traitement des cours manquants.

Toutes les valeurs ci-dessous sont hypothétiques. Supposons que le modèle estimé hors de la fenêtre d’événement donne α=0,10 % et β=1,20. Sur [−1,+1], les rendements du marché sont [1,00 %, −0,50 %, 0,25 %], les rendements réalisés du titre [2,00 %, −1,00 %, 1,10 %] et les rendements attendus [1,30 %, −0,50 %, 0,40 %].

Les rendements attendus résultent de α + βRₘ,ₜ. Soustrayez-les des rendements du titre : AR=[+0,70, −0,50, +0,70] en points de pourcentage. CAR vaut donc +0,90 point de pourcentage. Ce chiffre décrit l’écart au modèle de marché retenu dans cette fenêtre hypothétique ; il n’identifie ni la cause de l’écart ni le rendement futur.

Pour N événements, AARₜ est la moyenne des AR de tous les événements à la séance relative t. Le CAAR sur une fenêtre additionne ces moyennes quotidiennes : CAAR[t₁,t₂] = Σₜ AARₜ. Précisez si chaque événement a le même poids, comment vous traitez les séances manquantes et si le nombre d’événements reste identique d’une séance à l’autre.

CAR est additive ; un rendement de détention se calcule en chaînant les facteurs de rendement réalisés. À titre de simple illustration mathématique, deux AR quotidiens de +10 % et −10 % donnent une CAR de 0 %. En chaînant exactement ces rendements, 1,10 × 0,90 − 1 = −1 %. Les deux mesures répondent à des questions différentes et ne sont pas interchangeables.

Un événement peut modifier la variance des rendements. Si un test ignore cette variance induite, il peut rejeter trop souvent l’hypothèse nulle ; Boehmer, Masumeci et Poulsen90032-F) étudient l’inférence en présence d’une variance induite par l’événement. Choisissez test et erreurs-types adaptés au plan d’analyse, au lieu de présenter uniquement une statistique t.

Lorsque plusieurs entreprises réagissent à la même date, leurs rendements anormaux peuvent être corrélés transversalement. Les traiter comme des observations indépendantes risque de sous-estimer l’incertitude. Kolari et Pynnönen montrent que le regroupement par date peut compter même si la corrélation est faible. Indiquez le nombre d’événements, la fenêtre, l’hypothèse nulle, le test et l’incertitude ; tenez compte des événements qui se chevauchent et des petits échantillons.

Le marché peut anticiper une annonce avant son horodatage officiel ; d’autres annonces ou chocs peuvent aussi tomber dans la fenêtre. L’indice, la période d’estimation, les valeurs extrêmes et la longueur de la fenêtre peuvent changer le résultat. Examinez les événements simultanés, les mouvements antérieurs et des spécifications plausibles, au lieu de ne montrer que la variante la plus frappante.

Une CAR significative signifie que, sous le modèle et les hypothèses du test, l’écart mesuré s’accorde difficilement avec une réaction nulle. Elle ne prouve pas que l’annonce a causé à elle seule le mouvement ni qu’il était rentable de le négocier. Le guide sur corrélation et causalité expose cette distinction ; le guide sur les coefficients et hypothèses OLS présente la régression comme base d’estimation. Une étude d’événement en différences-en-différences estime des coefficients dynamiques de panel par rapport à des groupes témoins ; elle ne mesure pas la même CAR de rendement boursier.