CFA Quantitative Methods : Résumé Complet du Module
Le module Quantitative Methods représente environ 6 à 9 % de l’examen CFA Level 1. Il pose les fondations mathématiques et statistiques indispensables pour l’ensemble du programme — de la valeur temps de l’argent à la régression linéaire, en passant par les tests d’hypothèses et les techniques de simulation.
Analyst Tip : Ce module est le socle de tout le reste. Maîtrisez la TVM et les statistiques descriptives avant de passer aux autres matières — elles reviennent partout, de Fixed Income à Portfolio Management.
Taux d’intérêt et rendements
Le premier thème du module couvre les différentes façons de mesurer et d’exprimer un rendement financier. Un taux d’intérêt se décompose en trois composantes fondamentales : le taux réel sans risque, une prime d’inflation anticipée et une prime de risque. Cette décomposition est essentielle pour comprendre la tarification de n’importe quel actif.
Types de rendements à maîtriser
| Type de rendement | Utilisation principale | Caractéristique clé |
|---|---|---|
| Holding Period Return (HPR) | Performance sur une période unique | Ne prend pas en compte la durée |
| Rendement arithmétique moyen | Estimation du rendement attendu | Tend à surestimer le rendement composé |
| Rendement géométrique moyen | Performance historique réelle | Reflète le rendement effectivement obtenu |
| Rendement harmonique moyen | DCA (dollar-cost averaging) | Toujours ≤ rendement géométrique |
| Money-weighted return | Performance de l’investisseur | Equivalent au TRI (IRR) |
| Time-weighted return | Performance du gérant | Élimine l’effet des flux de trésorerie |
La distinction entre money-weighted et time-weighted return est un classique de l’examen. Le time-weighted return est préféré pour évaluer un gérant de portefeuille car il neutralise les décisions de timing des investisseurs.
Valeur temps de l’argent (TVM)
La TVM est probablement le concept le plus transversal de toute la finance. Un euro aujourd’hui vaut plus qu’un euro demain, parce qu’il peut être investi et générer un rendement. Ce principe simple se décline en calculs de valeur actuelle, valeur future, annuités et perpétuités.
Applications pratiques
Vous devez être capable de résoudre les problèmes de TVM dans les deux sens : actualiser des flux futurs pour obtenir une valeur présente, ou capitaliser des montants présents pour obtenir une valeur future. Les applications incluent la valorisation d’actions, la tarification d’obligations et l’évaluation de projets d’investissement en corporate finance.
La cash flow additivity est un principe fondamental : la valeur d’un ensemble de flux est la somme des valeurs individuelles de chaque flux. Ce principe permet notamment de déduire les taux forward implicites à partir de la courbe des taux spot.
Statistiques descriptives
Ce thème vous donne les outils pour décrire et résumer les distributions de rendements. Les mesures de tendance centrale (moyenne, médiane, mode), de dispersion (variance, écart-type, coefficient de variation) et de forme (skewness, kurtosis) sont au programme.
Mesures de tendance centrale et dispersion
La moyenne arithmétique est la plus intuitive mais aussi la plus sensible aux valeurs extrêmes. La médiane est plus robuste face aux outliers. Pour comparer le risque entre des actifs de rendements très différents, le coefficient de variation (écart-type divisé par la moyenne) est l’outil approprié.
Skewness et kurtosis
Une distribution avec un skewness négatif présente une queue gauche plus épaisse — ce qui signifie davantage de rendements extrêmement négatifs. La kurtosis mesure l’épaisseur des queues. Une distribution leptokurtique (kurtosis excédentaire > 0) présente plus de valeurs extrêmes que la loi normale, ce qui est critique pour la gestion des risques.
Analyst Tip : En pratique, la plupart des distributions de rendements financiers sont leptokurtiques et présentent un léger skewness négatif. C’est pourquoi se fier uniquement à la moyenne et l’écart-type peut sous-estimer le risque réel.
Corrélation entre variables
La covariance mesure la direction de la relation linéaire entre deux variables, tandis que la corrélation (coefficient de Pearson) normalise cette mesure entre −1 et +1. Une corrélation de −1 indique une relation linéaire inverse parfaite, +1 une relation directe parfaite, et 0 l’absence de relation linéaire.
Attention aux pièges classiques : corrélation ne signifie pas causalité, et le coefficient de Pearson ne capture que les relations linéaires. Deux variables peuvent être fortement dépendantes avec une corrélation proche de zéro si la relation est non linéaire.
Probabilités et arbres de décision
Le module couvre les règles fondamentales de probabilité, l’espérance mathématique, la variance, et surtout la formule de Bayes. Les arbres de probabilité sont un outil visuel puissant pour structurer les problèmes d’espérance conditionnelle.
Formule de Bayes
La formule de Bayes permet de mettre à jour une probabilité initiale (prior) en fonction d’une nouvelle information. C’est un outil fondamental en analyse financière — par exemple, pour réviser la probabilité de défaut d’un émetteur après la publication de nouveaux résultats.
Mathématiques de portefeuille
Ce thème fait le lien entre Quantitative Methods et Portfolio Management. Vous apprenez à calculer le rendement attendu et la variance d’un portefeuille de deux actifs ou plus, en intégrant les corrélations entre les titres.
Le point clé : la variance d’un portefeuille dépend non seulement des variances individuelles des actifs, mais aussi (et surtout) de leurs covariances. C’est ce qui rend la diversification possible — tant que les corrélations sont inférieures à 1, le risque du portefeuille est inférieur à la moyenne pondérée des risques individuels.
Méthodes de simulation
La simulation Monte Carlo consiste à générer un grand nombre de scénarios aléatoires pour estimer la distribution d’un résultat incertain. Elle est utilisée en valorisation d’options, en gestion des risques (VaR) et en planification financière.
Le bootstrapping est une technique de rééchantillonnage qui permet d’estimer les propriétés statistiques d’un estimateur sans hypothèse sur la distribution sous-jacente. C’est particulièrement utile quand les hypothèses de normalité ne tiennent pas.
Estimation et inférence statistique
Ce thème couvre les méthodes d’échantillonnage, la construction d’intervalles de confiance et le théorème central limite (TCL). Le TCL est fondamental : il affirme que la distribution de la moyenne d’un échantillon tend vers une loi normale quand la taille de l’échantillon augmente, quelle que soit la distribution d’origine.
Tests d’hypothèses
Vous devez maîtriser le processus complet : formuler les hypothèses (H₀ et Hₐ), choisir le niveau de signification, calculer la statistique de test, prendre la décision. Les erreurs de type I (rejeter H₀ à tort) et type II (ne pas rejeter H₀ à tort) sont des classiques de l’examen.
| Test | Utilisation | Distribution |
|---|---|---|
| z-test | Moyenne (variance connue ou n ≥ 30) | Normale |
| t-test | Moyenne (variance inconnue, n < 30) | Student |
| F-test | Égalité de deux variances | Fisher |
| Chi-carré | Variance d’une population / indépendance | Chi-deux |
Régression linéaire simple
La régression linéaire modélise la relation entre une variable dépendante et une variable indépendante. Vous devez comprendre l’estimation des paramètres par les moindres carrés ordinaires (MCO), l’interprétation du R², et les tests sur les coefficients.
Hypothèses de la régression
Les quatre hypothèses classiques à retenir sont la linéarité, l’homoscédasticité (variance constante des résidus), l’indépendance des résidus et la normalité des erreurs. Quand ces hypothèses sont violées, les estimateurs MCO peuvent être biaisés ou inefficients.
Les formes fonctionnelles alternatives (log-lin, lin-log, log-log) permettent de capturer des relations non linéaires tout en restant dans le cadre de la régression linéaire.
Introduction au Big Data
Le dernier thème du module couvre les techniques modernes d’analyse de données : machine learning supervisé et non supervisé, traitement du langage naturel (NLP), et visualisation de données. C’est un ajout relativement récent au curriculum qui reflète l’évolution de l’industrie financière.
Point stratégique : Ce thème a un poids croissant dans l’examen. Concentrez-vous sur la compréhension conceptuelle des différentes techniques (classification, clustering, régression) plutôt que sur les détails techniques d’implémentation.
📋 L’essentiel à retenir
- La TVM est le fondement de toute la finance — maîtrisez les calculs de PV, FV, annuités et perpétuités
- Distinguez rendement arithmétique (prévision) du rendement géométrique (performance historique)
- Le time-weighted return évalue le gérant, le money-weighted return évalue l’investisseur
- Les distributions financières sont généralement leptokurtiques avec un skewness négatif
- La formule de Bayes permet de mettre à jour les probabilités avec de nouvelles informations
- La diversification fonctionne grâce aux corrélations imparfaites entre actifs
- Le théorème central limite justifie l’utilisation de la loi normale pour les moyennes d’échantillons
- La régression linéaire simple requiert quatre hypothèses fondamentales (linéarité, homoscédasticité, indépendance, normalité)
Questions fréquentes
Quel poids représente Quantitative Methods dans l’examen CFA Level 1 ?
Le module pèse entre 6 et 9 % de l’examen, soit environ 10 à 16 questions sur 180. C’est un poids modéré, mais les concepts reviennent dans presque toutes les autres matières.
Faut-il maîtriser la calculatrice financière pour ce module ?
Oui, la maîtrise de la TI BA II Plus ou de la HP 12C est indispensable, notamment pour les calculs de TVM, de TRI et d’écart-type. Entraînez-vous régulièrement pour gagner en rapidité le jour de l’examen.
La régression linéaire est-elle très technique au Level 1 ?
Au Level 1, le programme se limite à la régression linéaire simple (une seule variable indépendante). Vous devez comprendre les hypothèses, interpréter les résultats et le R², mais pas effectuer de calculs matriciels complexes.
Quel lien entre ce module et les autres matières du CFA ?
La TVM est utilisée en Fixed Income et Equity Investments pour la valorisation. Les statistiques et la régression servent en Portfolio Management. Les probabilités sont essentielles pour les Derivatives. C’est vraiment le socle technique du programme.
Comment réviser efficacement Quantitative Methods ?
Commencez par la TVM et les statistiques descriptives. Faites beaucoup d’exercices pratiques avec votre calculatrice. Pour les tests d’hypothèses, apprenez le processus en 5 étapes et appliquez-le systématiquement. Utilisez des flashcards pour mémoriser les formules clés.
Ce contenu est un résumé pédagogique original. Il ne reproduit pas le curriculum officiel du CFA Institute. CFA® est une marque déposée du CFA Institute.