The Fundamental Law of Active Management

Article original non consulté au 2026-09-01 ; la fiche repose sur des sources secondaires citées. Il en va de même de Clarke, de Silva et Thorley (2002), également sous péage.

Auteurs	Richard C. Grinold ; extension par Roger G. Clarke, Harindra de Silva et Steven R. Thorley (2002)
Année	1989 ; l'extension, 2002
Revue ou source	The Journal of Portfolio Management, vol. 15, no 3 (printemps 1989), p. 30-37. DOI 10.3905/jpm.1989.409211. Extension : Financial Analysts Journal, vol. 58, no 5 (septembre-octobre 2002), p. 48-66, DOI 10.2469/faj.v58.n5.2468
Lien	https://www.pm-research.com/content/iijpormgmt/15/3/30 (redirection vers une authentification, inaccessible le 2026-09-01) ; extension : https://rpc.cfainstitute.org/research/financial-analysts-journal/2002/portfolio-constraints-and-the-fundamental-law-of-active-management (résumé seul, consulté)
Statut de réplication	non commencé

Quatre voies ont été tentées pour l'article de 1989 : la page éditeur, la page De Gruyter de l'anthologie, une recherche de copies universitaires et SSRN. Aucune n'a rendu le texte. Les formules et les citations ci-dessous viennent de deux sources tierces lues intégralement, Ding (2010) et Ding et Martin (2017), qui citent l'original avec leurs numéros de page.

La question de recherche

Qu'est-ce qui décide de la valeur ajoutée d'un gérant actif ? Grinold répond par une relation entre trois grandeurs : la qualité de sa prévision, le nombre de fois qu'il l'applique, et le rapport de son excédent de rendement à son risque relatif.

L'énoncé est modeste dans sa formulation d'origine, et cette modestie s'est perdue en route. Ding (2010, p. 1) cite Grinold écrivant que la relation repose sur des hypothèses qui ne sont pas tout à fait vraies, simplifiées par des approximations raisonnables. Ce qui est enseigné aujourd'hui comme une loi est présenté par son auteur comme une approximation déclarée fausse.

La tension que cette fiche doit tenir est la suivante. La formule est exacte sous ses hypothèses, et elle surestime systématiquement, souvent d'un facteur deux ou plus, le rapport que les gérants atteignent. Ce n'est donc pas la formule qui est en cause, ce sont ses hypothèses, et la fiche doit dire laquelle cède la première.

L'intuition économique

Aucun rendement n'est promis ici : ce n'est pas un article de prime de risque, c'est un article de comptabilité du talent. Il ne dit pas pourquoi un signal marche, il dit combien un signal qui marche un peu peut rapporter s'il est appliqué souvent.

Le mécanisme est celui de la loi des grands nombres appliquée à des paris. Un pari dont la corrélation avec le résultat vaut \( IC \) rapporte, en espérance, proportionnellement à \( IC \), et son risque croît comme la racine du nombre de paris quand ceux-ci sont indépendants. Le rapport de l'un à l'autre croît donc comme \( IC \sqrt{BR} \). D'où la conclusion pédagogique de Grinold et Kahn, citée par Ding (2010, p. 2) : il ne faut qu'une compétence modeste pour gagner, pourvu qu'elle soit déployée fréquemment et sur un grand nombre de titres.

Ce qui ferait disparaître ce mécanisme se nomme, et se nomme précisément, parce que c'est l'objet de toute la littérature critique.

Premier point de rupture, l'indépendance. La racine carrée n'apparaît que si les paris sont indépendants. Deux positions séparées ne sont pas deux paris indépendants. Acheter deux minières est un pari, pas deux. Dès que les paris se recoupent, la breadth, le nombre de paris réellement indépendants, tombe bien au-dessous du nombre de titres, et le rapport promis avec elle.

Deuxième point de rupture, la constance du talent. La formule suppose que la corrélation entre le signal et le rendement est la même à chaque période. Or elle varie. La formule ne compte nulle part le risque que cette variation crée. Une compétence qui alterne entre bonne et mauvaise n'est pas la même chose qu'une compétence moyenne constante, même avec la même moyenne.

Troisième point de rupture, la mise en œuvre. La formule suppose que le gérant traduit sa prévision en positions de façon optimale. Interdire la vente à découvert, imposer la neutralité sectorielle ou plafonner la rotation coupe le lien entre la prévision et la position, et une partie du talent ne franchit jamais le portefeuille.

C'est ce troisième point que Clarke, de Silva et Thorley traitent en 2002, et le premier que la pratique rencontre. Mais ce n'est pas celui qui cède le plus fort, comme la section des résultats le montre par les chiffres.

Les données

L'article de 1989 est théorique. Aucun jeu de données ne lui est propre, à la connaissance de cette fiche. Ce point est non vérifié, l'article n'ayant pas été consulté.

Les données des travaux qui le corrigent, en revanche, sont connues et consultées.

Clarke, de Silva et Thorley (2002). Le résumé de l'éditeur, consulté, indique une validation par simulation Monte-Carlo et des études de cas sur l'indice S&P 500. Les contraintes examinées sont énumérées : interdiction des positions vendeuses, limites de rotation, neutralité de capitalisation, neutralité valeur-croissance et contraintes sectorielles. Le détail chiffré est non trouvé, l'article étant sous péage.

Ding (2010). Deux signaux, le rapport valeur comptable sur cours et le momentum. Son tableau 1, consulté, donne les corrélations réalisées mesurées dans les deux dimensions : en série temporelle, 15 232 observations ; en coupe transversale, 412 observations. Le détail est repris à la section des résultats, parce que c'est le chiffre décisif de toute la fiche.

Polakow et Gebbie (2008). 41 actions sud-africaines parmi les plus liquides, sur des données quotidiennes couvrant 4,3 ans à partir de mars 2003. Puis les mêmes plus huit séries obligataires d'État sud-africaines, l'article les décrivant tantôt comme huit séries de rendement total portant sur les sept emprunts dominants, tantôt comme huit obligations. Puis les mêmes plus 13 classes d'actifs internationales. Consulté.

Ding et Martin (2017). Étude empirique comparant leur modèle de facteurs à un modèle de place, sur huit facteurs fondamentaux et deux modèles. Seules les trois premières pages ont été consultées ; les tableaux ne l'ont pas été.

L'univers

Sans objet pour l'article de 1989, qui est une relation entre trois quantités et non une étude sur un univers. Les univers pertinents sont ceux des travaux critiques. Clarke, de Silva et Thorley (2002) prennent l'indice S&P 500, Polakow et Gebbie (2008) la Bourse de Johannesbourg. Ding (2010) prend des actions américaines, qu'il désigne par « US stocks » sans nommer d'indice, sur 412 coupes transversales mensuelles.

L'exemple qui porte la démonstration chez Ding (2010, p. 2) est un univers de sélection de 1 000 actions avec un coefficient d'information mensuel moyen de 0,03. Qu'il serve de référence ailleurs dans la littérature critique est non vérifié.

La méthodologie

Grinold combine, selon la reconstitution de Ding et Martin (2017, p. 91), deux ingrédients : la méthode d'utilité quadratique qui donne les poids actifs optimaux, et la théorie du meilleur prédicteur linéaire. L'appendice du chapitre 6 de Grinold et Kahn (2000) fait la dérivation. La loi telle qu'énoncée est ensuite prise, sans justification, dans le cas très particulier où tous les signaux ont la même valeur, c'est-à-dire une corrélation commune à tous les prédicteurs.

Clarke, de Silva et Thorley (2002) ajoutent une étape. Ils mesurent l'écart entre les poids optimaux contraints et les poids optimaux non contraints, et montrent que cet écart se résume à un seul facteur d'échelle multiplicatif, le coefficient de transfert.

Les équations qui comptent

La loi, dans sa forme d'origine. Ding (2010, équation 1) l'imprime ainsi :

\[ IR = IC \sqrt{N} \]

où \( IR \) est le ratio d'information, le rendement moyen du portefeuille en excès de son indice de référence divisé par l'erreur de suivi. Cette erreur de suivi est l'écart type de cet excès. \( IC \) est le coefficient d'information, un mot coloré pour dire la corrélation entre le rendement de l'actif et le signal qui sert à le prévoir. Et \( N \) est la breadth, que Grinold et Kahn (2000) comptent en prévisions indépendantes de rendement exceptionnel faites chaque année, définition rapportée par Ding et Martin (2017, p. 91).

Deux précisions rendent cette formule utilisable ou inutilisable selon qu'on les tient. Le rendement en question est le rendement résiduel, celui qui reste après retrait du rendement de l'indice ajusté du bêta. Et Grinold (1989) ne donne pas de définition précise de \( N \) : les praticiens prennent le nombre de titres de l'univers, ce que Ding (2010, p. 2) signale comme un usage et non comme une lecture de l'article.

La relation d'alpha qui sous-tend la loi, tirée de Grinold (1994) et citée par Ding (2010, équation 2). Sa formule verbale : alpha égale volatilité fois IC fois score.

\[ \alpha_{it} = IC \cdot \sigma_{r_i} \cdot z_{i,t-1} \]

où \( \sigma_{r_i} \) est la volatilité du rendement résiduel de l'actif \( i \), et \( z_{i,t-1} \) le signal normalisé connu à la fin de la période \( t-1 \).

La loi généralisée de Clarke, de Silva et Thorley (2002), Ding (2010, équation 3) :

\[ IR = TC \cdot IC \cdot \sqrt{N} \]

où \( TC \) est le coefficient de transfert. Il se définit comme le coefficient de corrélation, en coupe transversale, entre les rendements résiduels espérés ajustés du risque et les poids actifs ajustés du risque. Sa lecture est directe : c'est la part de la prévision qui franchit effectivement la porte du portefeuille. Il vaut 1 en l'absence de contrainte, puisque les poids optimaux non contraints sont alors proportionnels aux alphas ajustés du risque.

La borne de Qian et Hua (2004), Ding (2010, équation 4) :

\[ IR = \frac{IC}{\sigma_{IC}} \]

où \( \sigma_{IC} \) est l'écart type du coefficient d'information dans le temps, que Qian et Hua nomment le risque de stratégie. Ding en donne la lecture. La quantité \( 1/\sigma_{IC}^2 \) mesure la précision avec laquelle le \( IC \) réalisé à la date \( t \) se tient près de sa moyenne. La formule dit donc que le ratio d'information égale le talent fois la précision.

L'interpolation de Ye (2008), Ding (2010, équation 5) :

\[ IR = \frac{IC \sqrt{N}}{\sqrt{1 + \sigma_{IC}^2 N}} \]

Forme reconstituée, non vérifiée dans sa typographie. L'extraction du PDF dégrade cette équation. La forme ci-dessus est celle qui satisfait les deux limites que Ding énonce dans la phrase suivante. Elle redonne l'équation 1 quand \( \sigma_{IC} = 0 \), hypothèse que Ding attribue à Grinold (1989), et l'équation 4 quand \( N \to \infty \). La cohérence avec ces deux limites est vérifiée ; l'écriture exacte de l'article ne l'est pas.

Les hypothèses derrière la loi, et celle qui cède la première

Cinq hypothèses, dont quatre sont attestées par les sources consultées.

Un. Les coefficients d'information en série temporelle, entre le rendement résiduel d'un titre et son signal, sont identiques d'un titre à l'autre et constants dans le temps. Ding (2010, p. 3) qualifie cette hypothèse de très irréaliste. C'est \( \sigma_{IC} = 0 \).

Deux. Les prévisions sont indépendantes, et \( N \) est leur nombre. Grinold (1989) insiste, selon Ding (2010, p. 2), sur l'importance de ne compter que les paris indépendants ; il n'en donne pas de recette. Ding et Martin (2017, p. 91) écrivent que la loi ne fournit aucune indication sur la façon de calculer le nombre de prévisions indépendantes.

Trois. La construction du portefeuille est sans contrainte, autrement dit \( TC = 1 \). C'est l'hypothèse que Clarke, de Silva et Thorley (2002) lèvent.

Quatre. Les rendements résiduels sont non corrélés entre eux. Ding et Martin (2017, p. 91) relèvent que Clarke et al. (2002) conservent cette hypothèse, qu'ils qualifient d'irréaliste, et que Clarke et al. (2006) l'abandonnent en traitant le cas d'actifs corrélés sous contraintes.

Cinq. Le gérant emploie de façon optimale l'espérance conditionnelle des rendements et la covariance conditionnelle associée. Ding et Martin (2017, p. 91) reprochent à la dérivation d'employer les prédicteurs de moyenne conditionnelle sans employer convenablement la structure de covariance de l'erreur de prévision.

Laquelle cède la première dans la pratique ? La première, la constance du talent. Ce n'est pas une opinion de cette fiche, c'est le résultat annoncé par Ding (2010) dans son résumé. La variation du coefficient d'information dans le temps pèse bien plus sur le ratio d'information que la breadth \( N \), pour un univers d'investissement typique. Ding et Martin (2017) le formulent plus durement encore dans leur résumé. Le ratio d'information est inversement lié à la volatilité de \( IC_t \), et cette quantité est une borne supérieure absolue quand \( N \) tend vers l'infini.

La raison mécanique est visible dans l'équation de Ye. Quand \( N \) grandit, le numérateur et le dénominateur croissent tous deux comme \( \sqrt{N} \), et le rapport plafonne à \( IC / \sigma_{IC} \). Élargir l'univers cesse d'aider dès que \( \sigma_{IC}^2 N \) dépasse 1. Aucune breadth ne rachète une compétence instable.

Le coefficient de transfert, lui, ne fait que multiplier par un nombre entre 0 et 1. Il corrige le niveau, il ne change pas le comportement asymptotique. C'est pour cela qu'il cède en second, même s'il est le premier que le gérant rencontre.

Les résultats originaux

L'énoncé de 1989. Le ratio d'information est approximativement le produit du coefficient d'information par la racine de la breadth. Grinold écrit lui-même, page 32, qu'un ratio d'information observé au-dessus de 1,5 est chose rare. Citation rapportée par Ding (2010, p. 2), source consultée ; l'original ne l'a pas été.

Le chiffre qui montre le problème, et il est vérifiable à la main. Ding (2010, p. 2) prend un signal de coefficient d'information mensuel moyen 0,03 sur un univers de 1 000 actions. La formule de Grinold donne un ratio d'information annualisé de 3,29. Le calcul se refait : \( 0{,}03 \times \sqrt{1000} = 0{,}9487 \) par mois, puis \( 0{,}9487 \times \sqrt{12} = 3{,}29 \) par an. Ding commente que ce chiffre dépasse les rêves du gérant le plus optimiste.

La règle du pouce et son insuffisance. Ding cite Clarke et al. (2002, p. 50) : un usage courant dans la pratique veut que le ratio d'information suggéré par la loi fondamentale soit coupé de moitié. Appliquée à l'exemple, la règle donne encore 1,64, donc au-dessus du seuil de 1,5 que Grinold lui-même déclarait rare. Couper de moitié ne suffit pas.

Le coefficient de transfert mesuré. Ding (2010, p. 2) rapporte que, selon l'étude par simulation de Clarke et al. (2002), le coefficient de transfert typique se situe dans la plage 0,3 à 0,8. Le résumé de l'éditeur, consulté, confirme que cette étude repose sur une simulation de Monte-Carlo et sur des cas construits contre l'indice S&P 500. Mais il ne publie aucun chiffre. La plage n'a donc pas été recoupée sur une source primaire. La borne haute de 1,0 pour un portefeuille sans contrainte ne se mesure pas, elle se déduit de la définition rappelée plus haut.

Le coefficient d'information mesuré, et sa dispersion. C'est le chiffre le plus utile de la fiche. Tableau 1 de Ding (2010), p. 11, consulté. Ce tableau a deux panneaux, et les lignes ci-dessous sont celles du panneau « Original Signal », c'est-à-dire des expositions brutes. Le second panneau normalise dans les deux dimensions et donne d'autres nombres, ce qu'une cible de réplication doit dire explicitement.

Signal	Dimension	Moyenne	Écart type	n
Valeur comptable sur cours	série temporelle	0,088	0,176	15 232
Valeur comptable sur cours	coupe transversale	0,017	0,062	412
Momentum	série temporelle	-0,028	0,152	15 232
Momentum	coupe transversale	0,025	0,099	412

Pour mémoire, le panneau normalisé donne 0,087 et 0,050 pour le premier signal, -0,028 et -0,003 pour le second, la coupe transversale du momentum changeant alors de signe.

Deux lectures s'imposent. L'écart type du coefficient d'information vaut le double de sa moyenne pour le premier signal, et davantage encore pour le second. L'hypothèse \( \sigma_{IC} = 0 \) n'est donc pas une approximation, elle est fausse d'un ordre de grandeur. Ensuite, le coefficient mesuré en série temporelle et celui mesuré en coupe transversale diffèrent d'un facteur cinq sur le premier signal, et changent de signe sur le second. Or Grinold (1989, 1994) et Grinold et Kahn (2000) les emploient l'un pour l'autre, ce que Ding relève explicitement.

La breadth effective mesurée. Polakow et Gebbie (2008), consulté. Sur 41 actions sud-africaines, la dimensionnalité effective de la matrice de corrélation, obtenue par décomposition en valeurs singulières et critère de Kaiser-Guttman, ne dépasse pas 8, ce qui donne une breadth effective d'environ 3. L'usage conventionnel de la loi fondamentale donnerait ici \( \sqrt{41} \), que les auteurs arrondissent à 6, soit le double. En ajoutant les huit séries obligataires d'État, la dimensionnalité effective passe à 9 et la breadth effective reste à 3, contre 7 pour l'analyse conventionnelle. En ajoutant encore 13 classes d'actifs internationales, la dimensionnalité effective ne monte que de 9 à 13, soit une breadth réelle proche de 4 contre 8 pour le calcul conventionnel.

Les critiques connues

Elles sont abondantes, publiées et convergentes.

Ding et Martin (2017), « The fundamental law of active management: Redux », Journal of Empirical Finance, vol. 43, p. 91-114, en libre accès sous licence CC BY, trois premières pages consultées. Leur reproche est en trois points, et il porte sur la construction même de la loi. La loi n'est fondée sur aucun modèle économétrique générateur de données. La dérivation emploie les prédicteurs de moyenne conditionnelle sans employer convenablement la structure de covariance de l'erreur de prévision. Et la loi ne dit pas comment calculer le nombre de prévisions indépendantes, ce qui conduit les praticiens à prendre le nombre de titres et à obtenir des ratios d'information beaucoup trop optimistes.

Ding (2010), document de travail, consulté intégralement. Deux critiques distinctes. La première, développée plus haut : l'hypothèse de constance du coefficient d'information est très irréaliste, et sa variation compte davantage que la breadth. La seconde vise le correctif de 2002 lui-même. Le coefficient de transfert tel que Clarke et al. l'ont défini n'arrive pas à capter l'effet des contraintes sur le ratio d'information, en présence de variation du coefficient d'information. Ding en propose une redéfinition, par la corrélation transversale entre les poids actifs ajustés de la covariance conditionnelle totale et les alphas.

Polakow et Gebbie (2008), « How many independent bets are there in an emerging market? », arXiv physics/0601166v3, consulté. La breadth est correctement pensée comme le nombre de paris indépendants, tandis que les applications courantes se contentent du nombre de paris séparés, et l'écart entre les deux lectures peut être grand. Leur conclusion de méthode est nette. L'approche par décomposition en valeurs singulières traite correctement l'indépendance de la base de vecteurs propres. La notion habituelle, selon laquelle des paris sont indépendants par nature, est simplement fausse.

Buckle (2004), cité par Ding et Martin (2017, p. 91) : dérivation d'une forme plus générale faisant intervenir les corrélations entre prédicteurs, qui se réduit à la forme simple quand les prédicteurs sont indépendants. Rapporté, non consulté.

Grinold (2007), cité par Ding (2010) et par Ding et Martin (2017) : propositions de l'auteur lui-même sur la mesure de la breadth. Rapporté, non consulté.

Clarke, de Silva et Thorley (2006), Journal of Investment Management, vol. 4, no 3 : extension au cas d'actifs corrélés sous contraintes, avec des équations ex ante et ex post exactes plutôt qu'approchées. Rapporté, non consulté.

Les problèmes de réplication connus

Le premier problème est l'accès. Ni l'article de 1989 ni celui de 2002 n'ont pu être lus. Une réplication devra les obtenir par une bibliothèque avant d'annoncer reproduire quoi que ce soit.

Le deuxième est qu'il n'y a rien à répliquer au sens usuel. L'article de 1989 énonce une relation, il ne publie pas de tableau de résultats empiriques, du moins pour ce que les sources secondaires en disent. La cible de réplication naturelle est donc ailleurs : reproduire les corrélations mesurées de Ding (2010), ou l'écart entre breadth nominale et breadth effective de Polakow et Gebbie (2008).

Le troisième est la définition de \( N \), et il est bloquant par nature. Tant que « nombre de prévisions indépendantes » n'a pas de définition opératoire, deux implémentations honnêtes de la même loi rendront des nombres différents sur les mêmes données. Ding et Martin (2017) le disent explicitement. Toute réplication doit fixer sa convention à l'avance et la publier.

Le quatrième est la confusion des deux coefficients d'information. Le tableau 1 de Ding montre que le coefficient mesuré en série temporelle et celui mesuré en coupe transversale ne coïncident pas, et peuvent différer de signe. Un code qui calcule l'un et le compare à une cible établie sur l'autre échouera pour la bonne raison. Cette confusion est présente dans la littérature d'origine, ce qui la rend d'autant plus facile à reproduire par inadvertance.

Le cinquième est la convention d'annualisation. Le chiffre de 3,29 de Ding suppose un coefficient mensuel et une annualisation par \( \sqrt{12} \). Une réplication qui laisse cette convention implicite se trompera d'un facteur 3,46 sans s'en apercevoir.

Les biais possibles

Le biais de survie du côté des gérants. La loi est employée pour juger la valeur ajoutée d'un gérant. Or les ratios d'information observés proviennent des gérants encore en activité. Comparer une prédiction théorique à une distribution tronquée par en bas tendrait à réduire l'écart, donc à masquer la surestimation, et non à la créer. Ce biais joue en faveur de la loi, ce qui rend son échec chiffré d'autant plus net.

Le biais de sélection du signal. Le coefficient d'information moyen employé dans les exemples est celui d'un signal retenu parce qu'il a marché. Sa moyenne dans l'échantillon surestime sa moyenne future, et cette surestimation traverse ensuite la loi telle quelle, multipliée par \( \sqrt{N} \).

Le biais de la breadth déclarée. Un gérant qui déclare sa breadth a intérêt à la compter large, puisque le ratio d'information prédit croît avec elle. La mesure de Polakow et Gebbie montre un facteur deux entre le compte conventionnel et le compte effectif sur un marché émergent. Sur un marché où la concentration est moindre, l'écart serait vraisemblablement plus faible ; cette valeur est non trouvée.

Le biais d'endogénéité entre \( IC \) et \( N \). Élargir l'univers pour augmenter \( N \) revient à accepter des signaux plus faibles, donc à baisser \( IC \). Les deux grandeurs ne sont pas indépendantes, alors que la formule les traite comme telles. Ce point est rapporté par la recherche du 2026-09-01 sur des sources pédagogiques ; il n'a pas été retrouvé dans les articles consultés.

Nos décisions d'implémentation

non commencé au 2026-09-01

Nos écarts avec l'article

non commencé au 2026-09-01

Nos résultats

non commencé au 2026-09-01

Notre contrôle de robustesse

non commencé au 2026-09-01

Références

Sources primaires, non consultées au 2026-09-01

• Grinold, R. C. (1989), « The Fundamental Law of Active Management », The Journal of Portfolio Management, vol. 15, no 3, p. 30-37. DOI 10.3905/jpm.1989.409211. Page éditeur : https://www.pm-research.com/content/iijpormgmt/15/3/30
• Clarke, R. G., de Silva, H. et Thorley, S. R. (2002), « Portfolio Constraints and the Fundamental Law of Active Management », Financial Analysts Journal, vol. 58, no 5, p. 48-66. DOI 10.2469/faj.v58.n5.2468. Résumé consulté : https://rpc.cfainstitute.org/research/financial-analysts-journal/2002/portfolio-constraints-and-the-fundamental-law-of-active-management

Sources secondaires consultées le 2026-09-01

• Ding, Z. (2010), « The Fundamental Law of Active Management: Time Series Dynamics and Cross-Sectional Properties », première version octobre 2009, révision du 24 février 2010, Fuller & Thaler Asset Management. Consulté intégralement, 33 pages : https://math.nyu.edu/inmemoriam/avellaneda/FundamentalLawFT.pdf
• Ding, Z. et Martin, R. D. (2017), « The fundamental law of active management: Redux », Journal of Empirical Finance, vol. 43, p. 91-114. DOI 10.1016/j.jempfin.2017.05.005. Libre accès CC BY. Trois premières pages consultées : https://pdfs.semanticscholar.org/9cee/6ab8aaefee12ec74487798e04df91033f356.pdf
• Polakow, D. et Gebbie, T. (2008), « How many independent bets are there in an emerging market? », arXiv:physics/0601166v3. Consulté intégralement : https://arxiv.org/pdf/physics/0601166

Sources citées mais non consultées au 2026-09-01

• Grinold, R. C. (1994), « Alpha is Volatility Times IC Times Score », The Journal of Portfolio Management. Source de l'équation d'alpha, citée par Ding (2010).
• Grinold, R. C. et Kahn, R. N. (2000), Active Portfolio Management, 2e édition. Source de la formulation la plus répandue de la loi, citée par Ding et Martin (2017).
• Qian, E. et Hua, R. (2004). Source de la borne \( IC / \sigma_{IC} \), citée par Ding (2010, équation 4).
• Ye, J. (2008). Source de l'interpolation entre les deux formes, citée par Ding (2010, équation 5).
• Buckle, D. (2004) et Grinold, R. C. (2007), cités par Ding et Martin (2017, p. 91).
• Clarke, R. G., de Silva, H. et Thorley, S. R. (2006), « The Fundamental Law of Active Portfolio Management », Journal of Investment Management, vol. 4, no 3.