Dans cet article, nous proposons des méthodes d'inférence exactes pour des modèles d'évaluation d'actifs (CAPM) qui sont formulés dans le contexte des modèles de régression linéaires multivariés. De plus, ces méthodes permettent de considérer des lois de probabilité stables sur les erreurs du modèle. Il est bien connu que l'hypothèse de normalité des rendements boursiers est habituellement rejetée dans les études empiriques à cause de la présence d'asymétrie et d'aplatissement dans les distributions. Afin de modéliser de tels attributs, nous suggérons une approche qui accommode l'asymétrie et l'aplatissement dans les distributions sans avoir recours à des approximations de grands échantillons. Les méthodes suggérées sont basées sur des tests de Monte Carlo. Des tests diagnostiques multivariés sont formellement inclus dans l'analyse afin de s'assurer que les distributions d'erreurs considérées sont raisonnables pour les données étudiées. Ces tests permettent la construction de régions de confiance exactes pour les paramètres d'asymétrie et d'aplatissement des erreurs dans le cas de lois stables. Nous proposons des tests d'efficacité du portefeuille de référence (i.e., pour la nullité des constantes) qui tiennent explicitement compte de la présence de paramètres de nuisance dans les distributions stables. Les méthodes proposées sont appliquées aux rendements de 12 portefeuilles constitués d'actifs négociés à la bourse de New York (NYSE) sur la période s'étalant de 1926 à 1995 (par sous-périodes de cinq ans). Nos résultats montrent que l'utilisation de distributions stables possiblement asymétriques produit une amélioration statistique importante dans la représentation de la distribution et mène à moins de rejet de l'hypothèse d'efficacité du portefeuille de marché.