La distance de Hansen-Jagannathan mesure l'écart minimal entre le facteur d'actualisation stochastique produit par un modèle et l'ensemble des facteurs admissibles compatibles avec les prix observés. Formellement, elle est définie comme la racine carrée de la forme quadratique minimisée entre les erreurs de prix du modèle, pondérées par la matrice de second moment des rendements. Cette construction garantit que la distance est nulle si et seulement si le modèle price exactement tous les actifs de référence, et positive dans tous les autres cas. Notre équipe insiste sur un point souvent négligé : la distance n'est pas une mesure d'erreur de prédiction au sens ordinaire, car elle pondère les écarts de prix par la structure de covariance des rendements, accordant davantage de poids aux actifs dont les rendements sont moins corrélés avec les autres. Cette pondération endogène est à la fois une force — elle tient compte de la structure de l'information contenue dans les données — et une source de sensibilité au choix de l'ensemble des actifs de référence, que tout chercheur rigoureux doit examiner avec attention.

La distance de Hansen-Jagannathan est un estimateur asymptotiquement normal sous des hypothèses de régularité standard, ce qui permet de construire des tests statistiques formels sur sa valeur et de calculer des intervalles de confiance autour des estimations ponctuelles. Cependant, sa distribution en échantillon fini peut s'écarter sensiblement de l'approximation asymptotique, en particulier lorsque le nombre d'actifs de référence est élevé relativement à la longueur de l'échantillon — une situation fréquente dans les études empiriques. Des techniques de correction par bootstrap par blocs, adaptées à la dépendance temporelle des séries de rendements financiers, permettent d'obtenir des p-valeurs plus fiables en échantillon fini. Notre équipe recommande systématiquement de présenter ces corrections conjointement avec les résultats asymptotiques, car des conclusions fondées uniquement sur l'approximation asymptotique peuvent surestimer significativement la précision du diagnostic d'inadéquation, conduisant à rejeter des modèles dont les limites empiriques sont réelles mais quantitativement moins sévères que les estimations ponctuelles ne le suggèrent.

L'un des atouts majeurs de la distance de Hansen-Jagannathan par rapport aux tests de spécification classiques, comme le test J de Hansen, est sa capacité à comparer directement des modèles non-emboîtés — c'est-à-dire des modèles dont aucun n'est un cas particulier de l'autre. Cette comparaison est particulièrement précieuse dans la recherche contemporaine en évaluation d'actifs, où des familles de modèles fondamentalement différentes — préférences à habitudes, agents hétérogènes, risques de long terme, aversion à l'ambiguïté — se disputent la capacité à expliquer les mêmes données. La distance fournit un critère de classement commun, indépendant de la structure paramétrique de chaque modèle, qui permet de comparer des approches théoriquement très distinctes sur un même pied d'égalité. Notre équipe souligne cependant que ce classement dépend de l'ensemble des actifs de référence choisi et de la période d'estimation retenue, et qu'un modèle qui se classe favorablement dans une comparaison peut se classer défavorablement dans une autre si ces choix méthodologiques diffèrent.

Une distance de Hansen-Jagannathan faible indique qu'un modèle est proche de satisfaire les contraintes imposées par les données de rendements, mais elle ne garantit pas que ce modèle est structurellement correct ni qu'il reproduit d'autres propriétés importantes des données. Notre équipe distingue systématiquement trois niveaux d'interprétation. Premièrement, une distance nulle ou statistiquement indiscernable de zéro signifie que le modèle est empiriquement admissible au regard des bornes de variance — c'est une condition nécessaire, pas suffisante. Deuxièmement, une distance positive mais faible peut indiquer une inadéquation marginale dont les implications économiques sont mineures, ou au contraire une inadéquation localisée dans des états particuliers du cycle économique. Troisièmement, une distance élevée signale une incompatibilité fondamentale entre le facteur d'actualisation du modèle et les contraintes imposées par les prix observés. Dans ce dernier cas, augmenter la complexité paramétrique du modèle sans modifier sa structure fondamentale ne réduira généralement pas la distance de manière substantielle.

La distance de Hansen-Jagannathan peut être décomposée pour identifier quels actifs de référence contribuent le plus à l'inadéquation globale du modèle. Cette décomposition est analogue à l'analyse des résidus dans une régression ordinaire : elle révèle si le modèle échoue systématiquement à price certaines catégories d'actifs — par exemple les actions de petites capitalisations, les obligations à long terme ou les actifs sensibles aux cycles d'affaires — ou si son inadéquation est distribuée uniformément à travers l'ensemble des actifs. Notre équipe considère que cette analyse de la structure de l'inadéquation est aussi informative que la valeur globale de la distance, car elle oriente directement les extensions théoriques à développer pour améliorer le modèle. Un modèle qui échoue spécifiquement sur les actifs à longue maturité suggère des lacunes dans son traitement des risques de long terme, tandis qu'une inadéquation concentrée sur les actifs à forte asymétrie pointe vers une représentation insuffisante des risques de queue dans la distribution du facteur d'actualisation.

La distance de Hansen-Jagannathan est un outil parmi d'autres dans l'arsenal d'évaluation des modèles d'actifs, et notre équipe insiste sur la nécessité de l'utiliser en complémentarité avec d'autres critères plutôt qu'en substitut. Le test J de Hansen évalue si les conditions de moment du modèle sont satisfaites conjointement, sans fournir de mesure directe de l'inadéquation aux bornes de variance. Les critères d'information — comme les critères d'Akaike ou de Schwarz adaptés aux modèles de moments généralisés — pénalisent la complexité paramétrique et permettent de comparer des modèles de dimensions différentes. La distance de Hansen-Jagannathan, quant à elle, se concentre spécifiquement sur la plausibilité du facteur d'actualisation stochastique en termes de volatilité, ce qui en fait un critère orthogonal aux tests sur les moments des rendements. Utilisés conjointement, ces différents critères permettent de construire un jugement complet et nuancé sur la solidité empirique d'un modèle d'évaluation d'actifs, sans se reposer sur une métrique unique qui ne peut capturer qu'une dimension de la cohérence d'un modèle avec les données observées.

Notre équipe recommande une procédure en plusieurs étapes pour calculer et interpréter la distance de Hansen-Jagannathan de manière rigoureuse. Commencer par définir clairement l'ensemble des actifs de référence et justifier ce choix par des critères économiques explicites, en documentant la sensibilité des résultats à des ensembles alternatifs. Estimer la matrice de second moment des rendements avec des corrections pour la dépendance temporelle et l'hétéroscédasticité, en utilisant un estimateur de type Newey-West avec un nombre de décalages adapté à la fréquence des données. Calculer la distance ponctuelle et ses intervalles de confiance par bootstrap par blocs, en rapportant les deux conjointement. Décomposer la distance par actif pour identifier les sources d'inadéquation. Tester la robustesse des conclusions à des sous-périodes d'estimation, afin de vérifier que les résultats ne sont pas dominés par des épisodes de marché particuliers. Enfin, comparer la distance obtenue avec celle d'au moins un modèle de référence alternatif, pour que la valeur de la métrique prenne un sens dans un contexte de comparaison.