Les facteurs du modèle de Fama et French : cas du marché des actions canadiennes
Bibliographic record
Abstract
Pour tester les trois facteurs de Fama et French (FF) sur le marché des actions canadien, nous avons utilisé trois méthodes: l'analyse des statistiques descriptives, l'application de trois modèles unifactoriels relatifs aux trois facteurs (le portefeuille de marché, la Capitalisation Boursière (CB) et le ratio Valeur comptable/Valeur de marché (VC/VM)) et l'application du modèle à trois facteurs de FF. Notre étude prend la forme d'une analyse en séries temporelles des rendements de portefeuilles d'actions classés selon la CB et le ratio VC/VM. Notre contribution par rapport aux études canadiennes récentes (tel que celle de L'Her, Masmoudi et Suret (2002), Francoeur (2006) et Carmichael, Coënz et L'Her (2007)) consiste à classer et à construire les portefeuilles d'une manière adaptée mais différente. Nous nous différencions aussi par l'utilisation de bases de données plus récentes et beaucoup moins utilisées. Finalement, nous nous distinguons par l'utilisation des statistiques descriptives et de l'analyse univariée, surtout que ces deux méthodes ont été appliquées par FF et négligées par la majorité des études canadiennes récentes. À travers les trois méthodes utilisées, nous avons constaté que l'effet taille existe. Le ratio VC/VM a un effet sur le rendement sauf que nous n'avons pas observé le signe attendu pour la totalité des portefeuilles. Par ailleurs, l'effet taille domine celui du ratio VC/VM. D'un autre côté, le portefeuille du marché joue un rôle important dans l'explication du rendement. Et puis, nos résultats montrent qu'accompagné des deux autres déterminants, le rôle de la CB prend beaucoup plus d'ampleur. Par contre, avec le modèle multifactoriel, le portefeuille du marché a un rôle légèrement moins prononcé qu'avec le MÉDAF. D'un autre côté, même si la variabilité de rendement n'est pas totalement captée par les trois facteurs de FF, leur modèle décrit beaucoup mieux le rendement que les trois autres modèles unifactoriels. De plus, chacun des facteurs a un rôle dans la capture de la variabilité du rendement. En d'autres termes, il n'y a aucune variable de trop qui devrait être éliminée du modèle. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Modèle à trois facteurs de FF, Modèle d'évaluation des actifs financiers, Portefeuille du marché, Ratio valeur comptable/valeur de marché, Capitalisation boursière.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.007 | 0.032 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.006 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.014 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".