La crise Covid ne semble pas avoir enrayé l’optimisme et la confiance des investisseurs dans le secteur de la technologie. À la fin de l’année 2020, le S&P 500, porté par les valorisations des entreprises technologiques, se situait 16 % supérieur à son niveau d’avant la crise. En miroir en Europe, l’Argos index présente des multiples d’EBITDA record de 11,1x à la même période. Cette réponse conjointe des marchés états-uniens et européens à une crise exogène interroge la possible surévaluation des entreprises technologiques porteuses de la dynamique de marché et ses causes.
Le travail de l’analyste financier est un travail sur les chiffres ; un travail de collecte et d’exploitation. Être un bon analyste, c’est donc comprendre à quoi correspondent ces chiffres, ce qu’ils représentent et quel cadre d’analyse il convient d’appliquer pour leur donner du sens.
Pour traiter les informations privées et publiques dont il dispose, l’analyste applique des méthodes et modèles fondés sur l’idée d’une prise de décision rationnelle, indépendante d’influences réciproques entre les individus. L’investisseur détermine en effet ses choix de portefeuille à partir de l’étude statistique des rendements : c’est la théorie de la valeur fondamentaliste des prix, fondée sur l’hypothèse d’efficience des marchés. L’analyste étudie plus particulièrement l’entreprise dans son environnement et détermine un prix juste des actions. Sur la base de ce prix, il pose un diagnostic de décision pour l’investisseur en fonction du prix d’échange de l’action : ordre d’acheter, de vendre ou de conserver. Ses notes sont donc à l’origine de la formation des prix sur le marché car elles constituent le vecteur de l’ordre d’achat ou de vente permettant la prise en compte de l’information dans le prix. Par ce mécanisme, l’analyste en equity research est le garant de l’efficience des marchés.
L’analyste serait ainsi un être rationnel, qui applique des méthodes prouvées et éprouvées dans le cadre de marchés financiers, ce qui permet de garantir l’efficience de ces derniers. « Cette conception fondamentaliste [...] est très présente sur les marchés, même si, le plus souvent, elle y prévaut sous une forme atténuée. En effet, la plupart des intervenants reconnaissent qu’au jour le jour, les prix sont mus par d’autres variables que les variables fondamentales, mais ils pensent cependant qu’à moyen ou long terme, la valeur fondamentale finit par l’emporter », conclut André Orléan (2001).
Plusieurs caractéristiques rendent pourtant les entreprises de haute technologie peu adaptées aux méthodes de valorisation disponibles. Levasseur (2005) explique que leur valeur est majoritairement issue d’une « promesse d’activité » que l’on peut décomposer en deux points : (i) des perspectives de croissance anormales, difficilement identifiables et mesurables, (ii) associées à un risque technologique important lié à un rythme d’obsolescence anormal. Le risque, la croissance, et l’horizon deviennent ainsi des variables particulièrement complexes à définir et à modéliser.
Analysant la pertinence des méthodes de valorisation appliquées aux entreprises de la tech, quatre chercheurs (Albouy, Dubreuille, Kergoat et Mchawrab) concluent en 2015 que la combinaison des approches disponibles ne permet que partiellement d’expliquer l’écart entre la valorisation des entreprises de la tech et leur cours boursier. Le marché prend donc en compte d’autres informations que les fondamentaux. Deux hypothèses peuvent expliquer l’origine de cet écart entre valeur d’entreprise et valorisation boursière :
– l’écart reposerait entièrement sur des éléments immatériels probants : qualité et expertise du personnel (Accenture), image de marque (Apple), pouvoir de marché (Microsoft), bases de données (Amazon), trafic (Google) ou encore logiciels (Oracle) ;
– l’écart reposerait également sur des comportements mimétiques et autoréférentiels collectivement irrationnels.
Le présent article s’intéresse à l’étude de cette seconde option dans le cadre de la crise Covid : le marché français des entreprises de haute technologie a-t-il été le théâtre de comportements mimétiques des analystes sell-side durant la crise Covid ?
L’apparition progressive à partir des années 60 des neurosciences cognitives et sociales apporte une approche expérimentale à l’analyse de la décision et la détermination des préférences. La décision n’est pas le fruit d’un long processus rationnel mais est influencée par des automatismes cognitifs inconscients, des émotions, des croyances. Face à l’urgence, l’incertitude et à un grand nombre d’informations, l’individu cherche à simplifier ses schémas mentaux, pour évaluer rapidement la situation et décider.
Au sein du cerveau de l’analyste, deux systèmes cohabitent (Kahneman, 2011) :
– le système 1 heuristique, approximatif et rapide, soit l’intuition ;
– le système 2 algorithmique, soit la logique.
C’est au sein du Système 1 que se forment les biais cognitifs : des réflexes de pensées inconscients et systématiques qui apparaissent dans la prise d’informations ou son traitement. Ils constituent des moyens efficaces pour répondre à des ressources cognitives limitées (temps, informations, capacités) ou des facteurs motivationnels, émotionnels ou moraux (excès de confiance, autocomplaisance, comportements mimétiques, croyances, etc.).
Appliqués aux théories de gestion des risques, ces comportements irrationnels entraînent notamment une sous-réaction aux mauvaises nouvelles, menant à une survalorisation des actifs. Le cadre d’analyse incertain, inhérent au secteur technologique, amplifie une prise en compte défaillante de l’information par l’analyste financier en favorisant l’information privée au détriment de l’information publique. L’analyste contribue à l’opacité de la valorisation de ces entreprises et devient un facteur de perversion plutôt que de prise en compte de l’information sur le marché.
Pour l’analyste sell-side, adopter des comportements mimétiques, c’est aussi défendre ses propres intérêts et ceux, à court terme, des banques d’investissements ou boutiques indépendantes qui l’emploient.
Bien que l’achat de notes de broker représente un poste de coût important, elle offre un avantage concurrentiel stratégique pour les gestionnaires de fonds. Pour se différencier, les entreprises de brokers doivent notamment attester de la qualité des analystes qui composent leurs équipes. Pour aider les gestionnaires de portefeuilles à faire les choix les plus stratégiques, des classements couronnant les meilleurs analystes sont progressivement apparus, à l’instar de l’Institutional Investor Research. Les analystes distingués acquièrent une notoriété qui constitue un élément de décision dans l’acte d’achat des gestionnaires de fonds. Pour encourager les analystes à y figurer, certaines entreprises d’equity research ont adapté la structure de rémunération des analystes autour de ces classements. Les analystes sont donc incités à produire une information financière qui se vendra au mieux auprès des gestionnaires de fonds et induira le prélèvement d’une commission par leur employeur.
Trois raisons poussent alors l’analyste à imiter ses pairs :
– dans un contexte de forte incertitude informationnelle, il peut d’abord copier car il pense être moins bien informé que les autres. Distingué par les classements, l’analyste copié serait ainsi réputé disposer d’informations privilégiées ou d’une qualité d’analyse supérieure ;
– l’analyste décide de copier ses pairs car il pense que le marché détermine les prix. Il doute de la théorie fondamentaliste des prix et considère que les cours reflètent l’opinion majoritaire du marché ;
– il copie car faire autrement « lui ferait craindre pour sa réputation » (Orléan, 2001).
En adoptant consciemment ou inconsciemment les codes du discours légitime, l’analyse ancre ses travaux dans une réalité intelligible pour les gestionnaires de fonds et répond donc mieux à leurs attentes.
Ces comportements mimétiques, s’ils sont rationnels d’un point de vue individuel, deviennent irrationnels et problématiques lorsque, inconsciemment, une proportion trop importante d’analystes les adopte. « Dès lors que nous imitons des agents qui eux-mêmes copient, l’imitation cesse d’être rationnelle » (Orléan, 2001). L’analyse de ces comportements dans un contexte de crise ne peut donc se départir d’une quantification de ces comportements.
Pour identifier les comportements mimétiques et mesurer leur intensité, l’indicateur LSV s’est imposé comme une référence depuis sa création en 1992. Par cet indicateur Lakonishok, Shleifer et Vishny (1992) redéfinissent les comportements mimétiques par leurs symptômes : l’existence d’une concentration excessive des transactions sur une classe ou un groupe d’actions.
Après avoir défini une période d’étude t, deux populations sont constituées :
(i) d’une part une population d’investisseurs institutionnels, grâce à un échantillon de 769 fonds exonérés d’impôts, principalement des fonds de pension ;
(ii) d’autre part, l’ensemble des acheteurs sur le marché (échantillon témoin).
Les trois chercheurs construisent ensuite l’équation suivante (Figure 1).
Figure 1 : Formule originelle de l’indicateur LSV
En comparant par soustraction la concentration des transactions des investisseurs institutionnels (Bi, t/ni, t) avec celle d’un groupe d’actions témoin (pt), ils identifient la présence de comportements mimétiques et les quantifient.
Originellement construit pour mesurer l’impact des pratiques de gestion des investisseurs institutionnels sur le marché, la simplicité mathématique de cet indicateur et la relative disponibilité des informations nécessaires à son application ont permis de nombreuses adaptations et utilisations dans la littérature empirique. Adaptant cet indicateur à l’analyse des causes de la bulle internet, Sharma, Easterwood et Kumar (2005) ont par exemple confirmé l’existence de comportements mimétiques sur les marchés tech états-uniens.
Plus qu’un état des lieux sur le mimétisme dans l’analyse des entreprises high-tech, l’étude analyse l’impact d’une crise exogène sur la transformation de ces comportements.
S’il semble naturel d’analyser les comportements mimétiques à l’aune de la formation des bulles spéculatives, ce travail tend cependant à mettre en perspective les comportements mimétiques comme une conséquence du contexte d’incertitude engendré par la crise. Pour ce faire, l’indicateur LSV a été adapté (Figure 2) au regard de la disponibilité et de la fiabilité des données à traiter, tout en respectant son principe de construction : mesurer les comportements mimétiques par la concentration excessive des transactions sur un profil-type d’action.
Figure 2 : Formule adaptée de l’indicateur LSV
Notre adaptation substitue notamment une logique de volumes de transaction (Vi, t / Ti, t) à l’étude d’une proportion d’acheteurs-vendeurs dans l’indicateur initial (Bi, t / ni, t). Ce choix permet notamment une prise en compte plus large des comportements mimétiques.
L’étude empirique intertemporelle (pré et post crise Covid) que nous avons réalisée s’appuie sur l’analyse de données issues de 24 entreprises du secteur technologique, cotées sur la bourse de Paris et dont la capitalisation boursière médiane sur la période 2019 à 2020 est comprise entre 50 millions d’euros et 10 milliards d’euros. Ces données sont comparées à une sélection aléatoire de 39 entreprises cotées à Paris, de taille comparable et extraites du CAC Mid & Small, indice représentatif du dynamisme de l’économie française.
Les résultats de notre étude mettent en évidence la présence de comportements mimétiques sur le marché des valeurs technologiques, notamment sur les entreprises de taille plus importante et sur certains sous-secteurs que sont les logiciels et le conseil informatique. La hausse de l’incertitude induite par la crise Covid a, à la marge, favorisé des entreprises plus petites et du secteur des logiciels ; des entreprises dont il est plus difficile de déterminer la valeur à cause non seulement du peu d’actifs opérationnels à leur bilan du fait de leur activité (e.g. le secteur des logiciels), mais aussi de la faible couverture informationnelle dont les entreprises de Small et Midcap font les frais sur les marchés financiers. Quoi qu’il en soit, nous constatons au terme de cette recherche que la crise n’a pas fondamentalement changé la dynamique de ces comportements. L’intensité de ces derniers n’a pas faibli et ils se concentrent, post-crise, toujours majoritairement sur les entreprises de taille plus importante.
Plusieurs éléments restent cependant à approfondir pour mieux comprendre les causes des comportements mimétiques observés. L’analyse d’abord des mécanismes de feedback trading : à quelle hauteur ces mécanismes contribuent-ils au développement de comportements mimétiques ? Peut-on ensuite attribuer entièrement ces comportements aux analystes financiers ? Pour évaluer cette donnée, on pourrait par exemple développer une analyse de consensus, en comparant le nombre d’observations identiques de l’échantillon témoin avec celui des sociétés de notre sélection.
Si la crise Covid n’a modifié qu’à la marg eles comportements des analystes, la succession d’épisodes spéculatifs sur les entreprises de haute technologie nous pousse à une interrogation plus large : quelle est notre capacité, au meilleur de notre savoir actuel, à prédire, de manière rationnelle, les hypothèses fondamentales qui sous-tendent la valeur de ces entreprises ? « Investir dans une entreprise, notamment high-tech, restera toujours un pari sur l’avenir dont personne ne détient les clés » (Albouy, Dubreuille, Kergoat et Mchawrab, 2015).
Bibliographie
M. Albouy, S. Dubreuille, S. Mchawrabet et M. Kergoat (2015), « Les dessous de l’évaluation des entreprises high tech », Finance Contrôle Stratégie, 18-2.
J. Easterwood, R. Kumar et V. Sharma (2005), « Institutional Herding and the Internet Bubble », Mimeo University of Michigan-Dearborn.
D. Kahneman (2011), Thinking, Fast and Slow, Farrar, Strauss
and Giroux.
J. Lakonishok, A. Shleifer et R. Vishny (1992), « The impact
of institutional trading on stock pricing », Journal of Financial Economics, 32, pp. 23-43.
M. Levasseur (2005), « Évaluation et coût du capital d’une start-up », Revue du financier, n° 155, septembre-octobre, pp. 13-26.
A. Orléan (2001), « Comprendre les foules spéculatives : Mimétismes informationnel, autoréférentiel et normatif », Crises financières, 4, pp. 105-128.
