Académique Documents
Professionnel Documents
Culture Documents
du MASI et du MADEX et
Modlisation de la volatilit
CT
Master Ingnierie des Affaires et de la Dcision
Option : Ingnierie Financire
Master IAF 2011-2012
REMERCIEMENTS
Je tiens remercier vivement Mr MOUACCHA et Mr KHELLAF pour m'avoir propos
ce stage, m'avoir permis d'aborder dans le dtail, les questions thoriques que posent les
modles conomtriques explicatifs de la volatilit des indices boursiers, et avoir su bien
expliquer les enjeux d'une telle modlisation : en pratique, apprendre choisir un modle
suffisamment complexe pour rendre compte des phnomnes de march et des principaux
facteurs endognes et exognes auxquels est soumis lvolution des indices, et en mme
temps suffisamment simple pour pouvoir mener des calculs exacts, proches de la ralit avec
contrle d'erreur. Apprendre aussi se limiter un nombre restreint de paramtres la fois
pertinents et facilement interprtables.
Ce stage m'a permis de me familiariser avec les pratiques de la modlisation conomtriques,
son vocabulaire, de comprendre le travail d'un ingnieur financier qui entre autre doit tre en
mesure dapprcier un phnomne et de le modliser pour ensuite faire des prvisions sres et
prcises,
Ce stage ma offert un juste quilibre entre questions thoriques et simulations informatiques,
notamment le logiciel E-VIEWS, que jai pu bien matriser avant deffectuer mes simulations
et mes prvisions.
Outre Mr MOUACCHA, je tiens dire un grand merci Mme AMAL AL MANSOURI , que
j'ai beaucoup sollicite et qui a toujours su rpondre exactement et agrablement mes
questions, aussi bien en conomtrie quen informatique. Elle a su me guider trs vite, aussi
bien sur la thorie que sur le code informatique.
Enfin, je tiens remercier la personne la plus importante dans ma vie ma maman que jadore
sans oublier ma petite et grande famille.
RESUME
Ce travail est consacr la modlisation et lestimation des indices boursiers MASI et
MADEX qui reprsentent le march Marocain. Jutilise la mthode de BOX-JENKINS et
lapproche GARCH pour la prvision de ces indices.
Le rsultat principal de ce travail le modle GARCH est le plus appropri pour lestimation
des indices vu son habilit mieux capter la volatilit.
Dans cette tude les analyses sont faites laide du logiciel EVIEWS 6
ABSTRACT
This work deals with the estimation of the MOROCCAN ALL SHARES INDEX (MASI) and
MORROCAN MOST ACTIVE SHARES (MADEX) that represent the stock market in
Morocco. I use the Box-Jenkins methodology and Generalized Autoregressive Conditional
Heteroscdasticity (GARCH) approach in forecasting.
The mean result of this work reveals that GARCH (1, 1) is found to be a better model than
ARIMA (1, 1, 1) model. The GARCH (1, 1) is the better model due to its ability to capture
the volatility by the non-constant of conditional variance.
In this study, the analyses are done with the aid of EViews
AVANT-PROPOS
LEcole Nationale des Sciences Appliques (ENSA) dAgadir, propose aux tudiants de
niveaux licence, de prparer un diplme de master, 3e cycle en deux annes. Le master
professionnel dIngnierie des Affaires et de la Finance avec le choix entre deux spcialits :
Lingnieur financier est form aux nouveaux mtiers qui sont apparus avec le
dveloppement de la finance et ncessitent une formation approfondie en conomtrie,
et mathmatiques appliqus la finance. Cest un spcialiste des marchs financiers,
la gestion de portefeuille, les risques financiers et lingnierie de march ainsi que les
oprations de montages financiers.
Lingnieur daffaires est prpar aux mtiers de chef de projet dans les mtiers
mergents transverses devenus indispensables lamlioration des performances de
lentreprise. Il maitrise la fois les outils de la gestion et dingnierie de projets et les
technologies de linformation et de la communication pour tudier un problme dans
sa globalit, proposer une solution cohrente et en conduire et piloter la ralisation
dans une logique dinnovation et de travail en rseaux.
Prsentation de lHCP
L'autorit charge de la prvision conomique et du plan propose, en relation avec les autres
ministres, les stratgies et politiques conomiques et sociales et prpare les projets de plans
de dveloppement conomique et social et en suit l'excution.
L'autorit charge de la prvision conomique et du plan labore et met en uvre la politique
gouvernementale en matire de population, en liaison avec les ministres concerns.
La Direction de la Prvision et de la Prospective
Elle est charge de :
- Mener les tudes ncessaires pour l'laboration des politiques macroconomiques et suivre
leur excution;
- Etablir les budgets conomiques annuels en collaboration et en coordination avec les
diffrents dpartements concerns;
- Elaborer les projections et le cadre macro-conomique moyen terme;
- Participer la prparation, au suivi et la ralisation des plans et des programmes de
dveloppement conomique et social dans leurs aspects gnraux et macro-conomiques;
- Procder des tudes d'impact et de simulation;
- Mener les tudes prospectives.
La direction est constitue de quatre divisions et un service :
- la division des tudes gnrales;
- la division du budget conomique;
- la division des projections et de la prospective;
- la division de modlisation;
- le service de gestion du matriel.
La division de la modlisation :
La division de la modlisation a pour mission la prparation des modles macro et
micro-conomiques et la ralisation des tudes et des simulations de la politique conomique,
financire et sociale. Cette division englobe quatre services :
INTRODUCTION GENERALE
Origine du sujet
Ma formation est oriente vers la finance de march, une discipline formalise avec une
conceptualisation bien labore mais tend galement nous ouvrir l'esprit et nous faire
connatre de faon plus ou moins approfondie de nombreux domaines parallles tels que la
gestion de risque, la gestion et lvaluation dentreprises, englobant ainsi quelques principes
du domaine de la finance dentreprise.
Ainsi, j'ai pu, entre autre, tre sensibilise au monde de la bourse un domaine qui a suscit
chez moi un grand intrt et une curiosit qui mont pouss creuser encore plus de mon ct
et de faire plusieurs recherches, mon intrt pour ce monde complexe et en plein volution
notamment au Maroc a t traduit par ce projet de fin dtude.
En effet, lexercice de ce projet constitue mes yeux un moyen denrichir et dapprofondir
mes connaissances acquises durant ma formation, Il me permettra ainsi de dvelopper une
certaine maturit dans le domaine de la recherche mais aussi de transformer le thorique en
pratique et observer des faits rels pour encrer mes acquis, je pense que ceci constitue un
lment essentiel de matrise du sujet trait.
Organis en trois parties, noter que cette rpartition ntait pas fortuite, mais a t impose
par limportance de chaque partie de par son volume que la richesse en terme de donnes et
danalyse.
La premire partie entirement consacre lanalyse du march boursier marocain depuis sa
cration, suivi de La deuxime partie qui sintresse au concept de volatilit et des sries
chronologiques ainsi qu la mthode Box-Jenkins et les modles GARCH, enfin, la partie 3
o japplique les deux modles ARIMA et GARCH aux deux indices boursiers.
II.
2.
3.
4.
III.
2.
MASI : ................................................................................................................................................. 26
3.
MADEX : ............................................................................................................................................. 27
4.
5.
IV.
2.
3.
4.
V.
2.
Au niveau international...................................................................................................................... 40
2.
LA VOLATILITE .................................................................................................................................... 45
3.
4.
II.
STATIONNARITE ................................................................................................................................. 58
2.
3.
2.
Tests de stationnarit......................................................................................................................... 73
3.
4.
5.
6.
7.
Prvision ............................................................................................................................................. 79
II.
III.
2.
Tests de stationnarit......................................................................................................................... 82
3.
4.
5.
Prvision ............................................................................................................................................. 86
INTERPRETATION DES RESULTATS .......................................................................................................... 88
10
11
12
13
INTRODUCTION PARTIE I
14
I.
La Bourse de Casablanca est la socit qui gre le march boursier marocain, appele
communment Socit Gestionnaire . Il sagit dune SA prive conseil dadministration
et direction gnrale, place sous la tutelle du Ministre de lEconomie et des Finances et
oprant dans le cadre dun cahier des charges dfini.
Sa mission principale consiste organiser les introductions en bourse, grer les sances de
cotation, diffuser les cours et indices boursiers et administrer le systme de compensation et
de garantie.
Globalement, la Bourse de Casablanca assure le fonctionnement, le dveloppement et la
promotion du march boursier marocain
15
lagrment
des
socits
de
bourse,
intermdiaires
spcialiss,
qui sont les seules habilites excuter les transactions sur les valeurs
mobilires cotes
Mobilires,
financiers
ayant
pour
objet
la gestion
de
Directoire et
Conseil de Surveillance
Les valeurs mobilires taient jusquen 1993 imprimes physiquement sur papier. Leurs dtenteurs pouvaient
ainsi les conserver personnellement soit chez eux soit auprs des intermdiaires financiers.
Depuis cette date, la dmatrialisation des titres a t effective. Lpargnant, au lieu davoir une action ou
obligation matrialise sur le papier, disposera dune inscription en compte courant auprs de lintermdiaire
financier de son choix (inscription primaire).
A leur tour, les intermdiaires financiers disposent auprs de Maroclear de comptes courants o sont regroups,
par valeur, tous les titres quils grent pour leur clientle (inscription secondaire).
16
les
indices
de rentabilit
et
les
indices
en devises,
En mars 2002 : ladoption du systme de garantie de bonne fin des oprations et la
suppression du march des pices dor cotes en bourse
En avril 2004 : lentre en vigueur de la loi 52-01 amendant le dahir n1-93-211 du
21septembre 1993 relatif la Bourse des Valeurs, simplifiant ainsi, les conditions
d'introduction en bourse et mettant en place 5 marchs de cotation2 : trois Marchs
Actions, le March des Obligations et le March des Fonds
En janvier 2005 : lapplication des nouveaux critres de sjour la cote
En dcembre 2004 : Adopter la capitalisation flottante dans le mode de calcul des
indices.
En janvier 2007 : la Bourse de Casablanca a modifi son identit visuelle dans le
souci daccompagner son changement de dimension.
En mai 2007 : , la Promulgation des nouvelles lois relative au dahirs portant loi n193-211 relative la Bourse des Valeurs, la loi n1-93-212 relative au Conseil
Dontologique des Valeurs Mobilires et aux informations exiges des personnes
morales faisant appel public lpargne et la loi 26-03 relative aux offres publiques,
savoir :
- la loi n45-06 relative linscription des titres de capital dune personne morale
cote sur le march marocain et hors du Maroc ;
- la loi 44-06 relative llaboration des comptes consolids pour les personnes
morales faisant appel public lpargne par mission obligataire ou autres titres de
crances ;
Cette opration consiste fixer le prix dune action par la confrontation entre les prix auxquels les vendeurs
souhaitent cder leurs actions et les prix auxquels les acheteurs souhaitent les acqurir, est lectronique, permet
deffectuer les transactions en respectant deux rgles de priorit : la priorit prix et la priorit temps.
Ce systme est tudi de manire maximiser le nombre de titres changs et donc satisfaire un
grand nombre dinvestisseurs.
17
WFE a t cre en 1960 et compte 52 bourses. Sa mission consiste favoriser les changes entre ses membres
travers 4 critres savoir ; la Qualit des normes de march et des statistiques fiables ; les Recommandations
issues dune collaboration avec des dcideurs politiques, des rgulateurs et des organismes de gouvernement des
marchs boursiers; la Gestion dun rseau qui rassemble des experts en la matire et le Dveloppement en
assistant les bourses candidates rpondre ses normes dadhsion. Elle assure galement ses membres le
conseil en termes de stratgies commerciales, et amlioration/harmonisation de leurs pratiques de gestion.
4
Indice est compos des 15 principales valeurs sur la Bourse de Casablanca, classes en fonction de la
capitalisation boursire
5 Indice de rfrence, capture la performance de toutes les valeurs liquides de la Bourse de Casablanca
18
19
II.
Le capital de la Bourse de Casablanca est dtenu parts gales par les socits de bourse qui
oprent sur le march. Au Maroc, celles-ci sont les seules habilites exercer lactivit de
courtage en bourse.
Figure 1 : Actionnaires de la Bourse de Casablanca
Source http://www.casablanca-bourse.com/
1. LA STRUCTURE DU MARCHE
Le march financier est compos de deux compartiments bien distincts mais interdpendants :
le march primaire o sont cres et mises les valeurs mobilires.
Le march secondaire ou bourse des valeurs, o sont ngocies ces valeurs
mobilires
20
2012
2011
2010
2009
2008
2007
2006
0
100
200
300
400
500
(Source moi-mme ,2012)
Le March de Blocs est un march de gr gr rserv aux oprations portant sur des
quantits importantes et pour lesquelles le march central peut ne pas apporter suffisamment
de liquidit. Chaque intermdiaire ngocie directement avec sa contrepartie les termes de
lexcution de la transaction mais en respectant les conditions de taille et de prix fixs par la
Bourse de Casablanca.
Les limites de prix autoriss pour les changes de blocs sont dtermins en rfrence aux
conditions constats sur le march central, les quantits minimales de blocs sont, quant
elles, fixes en fonction de la liquidit de chaque valeur.
21
MARCHE PRINCIPAL
23%
MARCHE CROISSANCE
18%
59%
MARCHE
DEVELOPPEMENT
Un march obligataire : cest un march o une entreprise peut emprunter des fonds auprs
du public sans pour autant lui cder une partie de son capital.
Dans ce cas, linvestisseur fait plutt office de banquier. Il ne sagit plus dacheter et de
vendre des actions mais de dtenir des titres de crances et ce, moyennant un intrt en plus
du remboursement intgral de lemprunt.
3. PRODUITS PROPOSES
La Bourse de Casablanca propose 3 types de produits :
Attijari Intermdiation,
BMCE Capital Bourse,
BMCI Bourse,
CFG Marchs,
Crdit du Maroc Capital,
Eurobourse, Finergy,
Intermdiation et Conseil Financier Al Wassit,
Les socits dinvestissement ont pour objet de recevoir lpargne de leurs socitaires et de faire fructifier
celle-ci dans lacquisition dun portefeuille regroupant diffrents titres et valeurs.
8
Regroupes par lassociation professionnelle APSB, dont la mission est de les reprsenter auprs des acteurs
du march et des pouvoirs publics
23
4.2 CDVM
Le conseil dontologique des valeurs mobilire dit CDVM a pour missions de :
Scuriser et protger les investisseurs
Agir en tant qu'autorit de contrle
Assurer la garantie de bonne fin des oprations
Garantir la transparence
4.3 MAROCLEAR
Les valeurs mobilires taient jusquen 1993 imprimes physiquement sur papier. Leurs
dtenteurs pouvaient ainsi les conserver personnellement soit chez eux soit auprs des
intermdiaires financiers.
Depuis cette date, la dmatrialisation des titres a t effective. Lpargnant, au lieu davoir
une action ou obligation matrialise sur le papier, disposera dune inscription en compte
courant auprs de lintermdiaire financier de son choix (inscription primaire).
A leur tour, les intermdiaires financiers disposent auprs de Maroclear de comptes courants
o sont regroups, par valeur, tous les titres quils grent pour leur clientle (inscription
secondaire).
4.4 OPCVM
24
25
IGB t =
1009
D'aprs la formule de calcul, il apparat que cet indice est un indice pondr par la
capitalisation boursire puisquil prend en considration la capitalisation boursire.
La capitalisation de base ajuste (Cba) se calcule chaque fois qu'un vnement indpendant
de l'offre et de la demande intervient sur le march soit par une modification des valeurs
cotes (introduction, radiation) soit par des oprations sur le capital des socits cotes
(augmentation de capital).
5.2 MASI :
MASI (Moroccan All Shares index) est un indice nu10, de capitalisation de type transversal, il
intgre toutes les valeurs de type actions, cotes la Bourse de Casablanca. Il est ainsi un
indice large, permettant de suivre de faon optimale le dveloppement de l'ensemble de la
population de valeurs de la cte.
Le MASI11 a pour objectif de prsenter l'volution du march dans son ensemble et de fournir
une mesure de rfrence long terme, pour la gestion de portefeuilles actions.
10
Se dit d'un indice o les coupons verss par les valeurs le composant ne sont pas rinvestis. Les indices nus
sont les indices habituellement utiliss. Ainsi un indice nu n'incorpore pas dans ces cours, les dividendes que
l'entreprise distribuera. De fait, elle minore la performance des valeurs la composant. Le seul fait de percevoir les
dividendes des valeurs permet d'obtenir alors une performance suprieure celle de l'indice.
11
26
5.3 MADEX :
MADEX12 (Moroccan Most Active Shares Index), indice compact, est compos des valeurs
les plus actives de la cte, en terme de liquidit mesure sur le semestre prcdent, intgrant
donc les valeurs cotes en continu sur la place casablancaise. Ce dernier se rvle ainsi un
instrument particulirement adapt la gestion de portefeuille.
Les deux principaux indices de cette gamme sont, des indices dits "embots", permettant
ainsi de bnficier d'une vision plus fine de l'volution des diffrentes capitalisations inscrites
sur la place casablancaise, et de leurs contribution l'activit du march.
de
liquidit
(volume
de
transactions)
et
de
capitalisation
boursire.
Il est configur de telle sorte que la rpartition sectorielle des 25 titres slectionns soit un
chantillon reprsentatif de celle des actions inscrites la cote officielle. La composition de
l'indice est modifie priodiquement, afin de tenir compte de l'volution des conditions
conomiques
et
de
la
croissance
de
certains
secteurs
industriels.
Depuis le mois d'aot 99, CFG Group a une nouvelle fois innov en lanant l'indice CFG25
en continu. Ce dernier permet de mieux retracer la tendance du march : c'est un indicateur
plus complet que l'indice de clture dans la mesure o l'information financire est continue et
disponible en temps rel, de l'ouverture de la sance boursire jusqu' sa clture.
12
27
Le calcul des indices de rentabilit globale permet de suivre la rentabilit d'un portefeuille
investi en actions dans lequel seraient rinvestis les dividendes globaux, et de la comparer
celle d'autres actifs. L'indice de rentabilit se dduit immdiatement de l'indice nu auquel il
est adoss.
Les indices sectoriels :
Les indices sectoriels calculs par la Bourse de Casablanca sont des subdivisions du MASI,
bass sur la nomenclature conomique des valeurs cotes la Bourse de Casablanca.
Les indices sectoriels permettent ainsi l'investisseur d'anticiper l'volution du cours, en
fonction de l'activit conomique du secteur. L'chantillon de chaque indice sectoriel est
compos
de
l'ensemble
des
valeurs
appartenant
ce
mme
secteur.
de
leur
reprsentativit
au
niveau
de
la
cote.
28
III.
1. LA CAPITALISATION BOURSIERE :
La Capitalisation boursire (Prix de lAction * Nombre dActions) correspond la valeur en
bourse de lentreprise. Elle rsulte du cours de laction multipli par le nombre dactions qui
forment le capital. Il s'agit, un instant donn, du prix thorique payer si un investisseur
souhaitait racheter toutes les actions d'une socit. Si le cours de l'action augmente, la
capitalisation boursire augmente. La capitalisation boursire correspond largent investi par
les actionnaires.
29
13
13
t : instant de calcul
30
31
en millions de dirhams
Source (moi-mme, 2012)
Rpartition du march :
Figure 5:Rpartition du march boursier selon volume de capitalisation
autres
les 10 plus grandes entrprises
ITISSALAT AL-MAGHRIB
ATTIJARIWAFA BANK
13% 4% 6%
8%
28%
13%
9%
BCP
BMCE BANK
LAFARGE CIMENTS
13%
72%
11%
12%
11%
HOLCIM ( Maroc )
WAFA ASSURANCE
CIMENTS DU MAROC
MANAGEM
La capitalisation boursire marocaine est caractrise par sa trs forte concentration. La part
des 10 plus grandes socits cotes dans la capitalisation totale est de lordre de 72% en 2012.
2. LA LIQUIDITE BOURSIERE
2.1 VOLUME DE TRANSACTION
Le volume de transaction est le chiffre qui indique le nombre de titres (actions, obligations,
etc.) qui ont t changs (achets et vendus simultanment) en un jour (gnralement).
32
j-03
a-03
j-03
o-03
j-04
a-04
j-04
o-04
j-05
a-05
j-05
o-05
j-06
a-06
j-06
o-06
j-07
a-07
j-07
o-07
j-08
a-08
j-08
o-08
j-09
a-09
j-09
o-09
j-10
a-10
j-10
o-10
j-11
a-11
j-11
o-11
j-12
160 000,00
140 000,00
120 000,00
100 000,00
80 000,00
60 000,00
40 000,00
20 000,00
-
2004
2005
2006
2007
2008
2009
2010
2011
33
Avant 2006 on voyait que le march des blocs saccaparait de la plus grande part de volume il
tait en pleine croissance, avant de laisser la place au march central o les changes ont
connu une vraie closion depuis 2006 jusquen 2011.
Rpartition par catgorie dinvestisseurs :
Figure 8:Rpartition des changes selon profil d'investisseurs
2011
vente
achat
2012
vente
achat
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
OPCVM
Rseau bancaire
Les socits marocaines et les OPCVM se partagent plus de 70% des changes effectus au
march central, suivis de prs et surtout en 2012 des socits trangres, on voit une timide
prsence des particuliers notamment marocains avec moins de 20% en 2011 un pourcentage
maintenu en 2012, quand aux particuliers dorigine trangres ils sont presque inexistant en
2011 pour disparatre en 201214.
14
34
2003
2004
2005
2006
2007
2008
2009
2010
2011
capitalisation boursire
ratio liquidit
40%
35%
30%
25%
20%
15%
10%
5%
0%
2003
2004
2005
2006
2007
2008
2009
2010
2011
35
2010
2009
2008
2007
2006
2005
2004
2003
On voit bien quil est en continuelle augmentation ce qui traduit lvolution de lattractivit
du march des capitaux.
36
30
20
10
introduites
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
2000
1999
1998
1997
1996
1995
1994
1993
radies
Source (moi-mme, 2012)
Maroc
55
53
52
56
2002
2003
2004
2005
65
74
77
78
73
75
79
2006
2007
2008
2009
2010
2011
2012
37
10 445,00
1 592,20
1 190,23
18,15
2004
2005
2006
2007
2008
416,00
112,00
0,26
2009
2010
2011
38
IV.
Le Maroc fait partie de la rgion MENA15, depuis 2011 cette rgion est confront un
ensemble de dfis :
Baisse de la croissance
Pressions inflationniste
Toutes ces contraintes risquent de crer un choc rgional par transmission cause des
relations existante (commerce).
Il est noter que le secteur bancaire dans les conomies des pays MENA est la source la plus
dominante pour le financement de lconomie en gnral et de linvestissement en particulier.
CAPITALISATION BOURSIERE
2E+11
1E+11
0
2002
2003
2004
2005
gypte
2006
Maroc
2007
2008
2009
2010
2011
Tunisie
Le niveau le plus lev concernant la capitalisation boursire reste lEgypt qui de toute
vidence est plus en avance concernant lactivit de sa place boursire, mais on remarque un
recul flagrant depuis 2007 jusqu 2008, une reprise qui ne dpasse 2010 avant de baisser en
15
39
1148
967
792
744
603
435
373
305
213
231
73
75
56
57
233
gypte
Tunisie
Maroc
74
77
78
49
52
65
55
47
2002
53
46
2003
56
46
52
44
2004
2005
50
48
2006
2007
2008
2009
2010
2011
79
59
2012
On voit que la Tunisie et le Maroc contrairement lEgypte qui connait une diminution
rapide, ne cesse daugmenter leurs nombres dintroduction en bourse certes doucement mais
maintenus dans le temps
2. AU NIVEAU INTERNATIONAL
2.1 CONTEXTE GENERAL
Le Maroc est le partenaire privilgi de lunion europenne(UE) de part les activits
fleurissantes telles que le tourisme, les changes commerciaux et les MRE16 .
En effet, plus de 53% des changes commerciaux sont destins lUE , avec une
prpondrance de deux pays savoir la France et lEspagne avec respectivement 17 et 12 %
Dautre part les exportations vers lUE reprsnte plus de 59%
16
40
3E+12
Belgique
1E+12
France
Espagne
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
-1E+12
Leffet de la crise des subprimes est trs flagrant chez les pays de la zone Euro, ainsi que la
crise de la dette qui na pas laiss la reprise se stabiliser avant de venir perturber encore une
fois les places boursires dont on remarque la baisse partir de 2010.
4000
3500
3000
2986
3536
3498
3339
3300
3272
3223
3435
3310
3241
2500
2000
1500
1000
500
772
143
934
250
898
235
885
222
717
153
707
966
167
163
941
166
901
161
893
158
0
2002
2003
2004
2005
Espagne
2006
France
2007
2008
2009
2010
2011
Belgique
LEspagne malgr sa faible capitalisation par rapport la France reste la place boursire avec
le plus grand nombre de socits cotes, suivi par la France puis la Belgique.
CONCLUSION PARTIE I
41
42
INTRODUCTION PARTIE II
caractristiques. Les procdures de modlisation sont prsentes dans leur clbre ouvrage
intitul Time Series Analysis : Forecasting and control
Ils ont propos une dmarche gnrale de prvision, cette dmarche est fonde sur la notion
de processus ARMA avec une partie autoregressive du processus note AR qui est constitue
par une combinaison linaire finie des valeurs passes du processus et une partie moyenne
mobile constitue dune combinaison linaire finie en t des valeurs passes dun bruit blanc.
La mthode comprend trois grandes phases :
1. Lidentification priori pour rechercher la reprsentation adquate
2. Estimation des paramtres
3. Identification postriori ou test dadquation du modle de prvision
Les modles ARCH et GARCH ont aussi prouv leurs efficacits dans la prvision de la
volatilit, dans cette partie je vais aussi introduire ces deux concepts.
43
I.
NOTIONS DE BASE
1. LES SERIES CHRONOLOGIQUES :
1.1 DEFINITIONS
Les sries temporelles ou srie chronologique ou chronique dfinie par toute suite
dobservations
(Xt : t T) indexes par un ensemble ordonn T (le temps ).
Il existe trois types :
1- srie continue, la variable Xt peut tre observe de faon continue, lindice t peut
prendre toutes les valeurs dans un intervalle de nombres rels.
2- srie discrte lensemble des valeurs possibles de t est un ensemble discret, T peut tre
considr comme un sous-ensemble des nombres entiers
44
(t = 1,,T)
centres, non corrles et de mme variance, on parle de bruit blanc(BB) ou white noise
(WN).
2. LA VOLATILITE
La volatilit est une mesure statistique du comportement irrgulier dune action dans le pass
et de comment est projet son comportement (erratique) dans le futur. La volatilit est le
degr damplitude de la variation dans le prix du sous-jacent.
2.1 DEFINITIONS :
Le concept de volatilit fait rfrence la propension qu'a une variable fluctuer de faon
imprvue dans le temps. Elle est considre gnralement comme l'cart entre un prix de
17
est une technique de prvision facile mettre en uvre dont la formule est
Un
coefficient compris entre 0 et 1 pondre la dernire observation tandis que (1 ) pondre la prvision
prcdente
45
Olivier PASTR In Pierre Docks d. : Ordre et dsordres dans l'conomie- monde PUF 2002 pp. 245-275; Les
racines de la volatilit
19
Financial Volatility and Real Economic Activity by Kevin James Daly
46
20
Un actif sous-jacent est un produit ou un titre financier sur lequel porte une option, un bon de souscription, un contrat
terme (future) et plus largement un produit driv
21
Le modle de BlackScholes est un modle deux actifs : lun risqu (action), lautre non risqu (obligation).
22
Lorsque la volatilit implicite par rapport au prix d'exercice a une forme de sourire
47
AVEC
SANS
Cyclicit
La volatilit tend se changer en cycles. Elle augmente jusqu atteindre son point maximum,
puis elle sinverse jusqu atteindre son point minimum pour ensuite reprendre le cycle. On
dit aussi que la volatilit est un moyen plus prvisible que le prix pur, et pour cette raison, des
stratgies ayant pour base la volatilit ont t imagines.
48
3. INDICATEURS DE LA VOLATILITE
Cette section mettra laccent sur les diffrentes techniques danalyse de la volatilit dans le
jargon boursier, en passant par les plus importants diffrents indicateurs.
49
Source abcbourse.com
23
L'ordre est le nombre de priodes (annes, trimestres, mois...) sur lesquelles la moyenne mobile est calcule.
Une moyenne mobile 20 jours donne le cours moyen sur les vingt dernires sances, une moyenne mobile 50
semaines donne le cours moyen hebdomadaire sur les 50 dernires semaines et ainsi de suite.
50
Source trader-workstation.com
25
O
MME [n-1] est la valeur de la moyenne mobile de la veille
Cours[n] est le cours de clture du jour
51
Il en rsulte que la dernire cotation sera beaucoup plus importante que la plus ancienne
valeur prise en compte dans le calcul. De mme, plus la priode de calcul est importante et
moins les donnes anciennes sont prises en compte.
3.4 AUTRES
Momentum
Cest un indicateur trs connu, fait parti de la famille des oscillateurs, son objectif est de
donner une mesure de la vitesse dvolution des cours sur temps donne.
Il est utilis comme : Indicateur de suivi de tendance, indicateur de forme de figure, etc
Il est calcul de manire simple :
quation 5: calcul momentum
(2 / (Priode + 1)) est le pourcentage exponentiel, qui dpend de la priode de calcul de la moyenne mobile.
26
a t conu par J.Welles et developp dans son ouvrage New Concepts in Technical Trading Systems en 1978
TrueHigh= la valeur la plus grande entre la clture de la veille et le plus haut du jour.
TrueLow=la valeur la plus petite entre la clture de la veille et le plus bas du jour.
27
52
Lindicateur est lev lorsque les bandes de Bollinger sont cartes et il est proche de 0
lorsque la volatilit de la valeur est faible. En analyse technique lindicateur est utilis pour
dtecter les situations dites de Squeeze 30.
Figure 21: les Bollingers
Source trader-workstation.com
28
- x jours auparavant
-t le temps de calcul
29
BBW = Bollinger BandesWidth et MMB =moyenne mobile Bollinger
30
Par ce terme, les traders qualifient une baisse excessive, de la volatilit qui prcde souvent les dbuts de nouvelles
tendances.
53
Le Bta dune action est la mesure la plus frquente de la volatilit. Si le beta dune action est
1, cela signifie quelle suit le mme rythme que march. Un beta de 1,5 signifie que laction
varie 50% en plus que le march. Ainsi, si le march hausse de 10%, laction hausse de 15%.
Un Bta faible de 0,50 signifie que laction ne variera que de moiti par rapport au march.
Ce sont ces actions betas faibles qui sont aujourdhui prises des investisseurs.
Il est calcul comme suit :
quation 7: calcul du Bta
O :
C1 = cours de clture de la premire valeur
C2 = cours de clture de la seconde valeur
a= Coefficient de pondration de C1
b= Coefficient de pondration de C2
j= jour de calcul
4. MODELISATION DE LA VOLATILITE
Pratiquement, pour mesurer la volatilit, il est ncessaire de faire la distinction entre volatilit
long terme (mois, ans) et volatilit court terme (heures, jours). Si la volatilit long
terme est principalement influence par les fondamentaux conomiques et les changements
institutionnels, celle court terme est dtermine par la pression et les turbulences constates
dans le processus de transaction, ainsi que par les rumeurs (noises). Un accent important a t
mis dernirement sur ce dernier type de volatilit qui a ncessit une modlisation du
processus (la volatilit dpend de ses valeurs passes). Ces modles sont aussi utiliss comme
modle de prvision de la volatilit.
54
32
Nous constatons souvent que les changements violents de prix sont prcds par des zones o
les prix sont peu volatiles (et donc un faible cart type).
Les bandes de moyennes mobiles sont deux lignes places distance fixe au dessus et au dessous d'une
moyenne mobile donne, formant deux canaux. Elles permettent de savoir quand les cours s'loignent trop d'une
moyenne. Lorsque les cours sortent par exemple du canal suprieur, on peut dire que la valeur crot avec force.
L'inverse pour le canal du bas. Il en va de mme pour Bollinger, sauf qu'au lieu d'un pourcentage fixe
d'loignement des cours, les bandes sont calcules partir d'un cart-type des cours avec la moyenne mobile.
32
55
Pour mesurer la volatilit on calcule alors le rendement absolu |yt| qui permet de surveiller la
performance obtenue dun actif quel que soit le comportement des marchs de capitaux. A
distinguer du rendement relatif qui lui calcule la performance par rapport un indice boursier.
Proprits des rendements
1. Les rendements fluctuent autour de 0 court terme. Pour les indices de march et pour les
titres de firmes qui survivent, la moyenne est lgrement positive long terme.
2. La moyenne est nettement plus petite que la volatilit. Par consquent, connatre la
moyenne ne permet pas de prdire avec prcision le rendement futur et certainement pas de
faire un profit sans prendre des risques.
3. Les rendements sont peu auto corrls (et dautant moins que la frquence est basse). Cette
proprit implique que les rendements ne sont pas prvisibles partir de leurs ralisations
passes.
4. Les grands rendements (positifs ou ngatifs) ont tendance `a se suivre, et les petits
rendements galement. La volatilit se produit en grappes (volatilit clustering).
5. Cela se traduit par une fonction dautocorlation (ACF) des carrs des rendements, qui
dcroit lentement ` partir dune valeur faible mais positive. Cette forme typique de lACF est
plus prononce pour une frquence leve que faible.
6. Cette proprit implique que la volatilit est prvisible dans une certaine mesure (ce qui
nest pas le cas pour les rendements).
7. Il y a plus de rendements extrmes que si la distribution tait normale (non-normalit).
8. La proportion de rendements extrmes ngatifs est plus leve que celle de rendements
extrmes positifs (asymtrie ngative de la distribution).
33
Dsigne une analyste technique mathmatique utilisant une loi de distribution probabiliste non normale. La
grande majorit des vnements sont concentrs autour de la moyenne mais certains vnements qui se
produisent jusqu' trois carts-type de part et d'autre de la moyenne. C'est la diffrence avec la distribution
normale, o l'on n'observe plus d'vnements ds que l'on s'loigne de la moyenne.
56
= 0 +
Avec 0 >0 et
= 0 +
Avec 0 > O,
0 et
La volatilit s'exprime en fonction de ses propres valeurs retardes j et des valeurs retardes
des carres des innovations dans le processus des rendements.
Ceci nest quun bref aperu sur le modle qui sera trait de manire plus approfondie dans la
deuxime partie du travail.
57
II.
1. STATIONNARITE
Pour travailler avec des donnes temporelles, elles doivent conserver une distribution
constante dans le temps. Cest le concept de stationnarit. Ainsi, si nos variables passes sont
semblables nos variables futures, on peut utiliser le pass pour tenter de prdire le futur. Si
nos donnes ne sont pas stationnaires, on peut se retrouver avec: un biais de prvision, une
prvision inefficace et par consquent une mauvaise infrence.
Les tests de racine unitaire Unit Test Root permettent non seulement de dtecter
lexistence dune non-stationnarit mais aussi de dterminer de quel type il sagit :
(sans drive)
58
et t ~iid (0, )
[H1] : 1 < 1
La rgle de dcision :
On compare la statistique du test pour lestimateur de 1 qui est : t1 =
, avec la
Si
Si
le rsidu estim.
59
la structure des covariances des rsidus des modles prcdemment estims de telle
sorte que les transformations ralises conduisent des distributions identiques
celles du DF :
Pour estimer cette variance de long terme, il est ncessaire de dfinir un nombre de
retards l estim en fonction du nombre dobservations n, l~4(n/
4- Calcul de la statistique de PP
=
*(( -1)/
) + (n (k-1)*
)/
/
Cette statistique est comparer avec les valeurs critiques de la table de MacKinon (donn par
EVIEWS)
Aprs estimation des modles n2 et n3, on calcule la somme partielle des rsidus (
et on estime la variance de long terme (
60
La fonction dautocorrlation (AC) est la fonction qui k associe (k). Le corrlogramme est
le graphique de la fonction dautocorrlation.
Autocorrlation Partielle (PAC) :
Lautocorrlation partielle (PAC) entre Xt et Xt-k est la corrlation entre Xt et Xt-k,
linfluence des variables dcales (Xt-1 , Xt-2 , , Xt-k+1) ayant t retire.
Ainsi, lautocorrlation partielle dordre k dune srie Xt , note r(k) ou rk est dfinie par le
dernier coefficient de la projection linaire de Xt+1 sur ces k plus rcentes valeurs :
Do
61
Avec
La srie wt =d yt est une srie stationnaire pour estimer yt il revient estimer wt par le
processus ARMA (p,q)
34
62
wt 1 - 1 wt-1 - 1 - - 1wt-p = t
(1-1D- - 1Dp) wt = t
Modle MA(q)
modle dit moyenne mobile dordre q donn par :
quation 16: modle MA(q)
Modle ARMA ( p , q)
vient combiner les deux critures, il scrit ainsi :
quation 17: modle ARMA (p , q)
t suit un BB(0,
63
Stationnaires en tendance
Processus
AR(p)
Fonction dautocorrlation
(ACF)
partielle (PACF)
Dcroissance
exponentielle
sinusodale
MA(q)
premiers retards
exponentielle
et/ou
exponentielle
ou Dcroissance
exponentielle
ou
/ T))
64
S=
R = 1Il permet de comparer que des modles ayant le mme nombre de variables explicatives, le
mme nombre dobservations et la mme forme. Lorsquon ajoute de nouvelles variables
explicatives un modle, il a tendance augmenter sans quil ait forcment amlioration du
modle, cest pourquoi, lorsquon veut comparer des modles avec un nombre diffrents de
variable on utilise plutt le R corrig pour saffranchir du biais.
quation 23: Coefficient de dtermination corrig
=1-(1-R)
Les coefficients des variables explicatives doivent aussi tre significativement diffrents de
zro avec des t-Student > 1.96.
En posant
Il vient que
65
(1)
ce qui donne :
(2)
2)
2)
posons
=0 et
et
=0,
Aprs calcul de toutes les valeurs de i on estime les paramtres 1 et 2, par la mthode
Des mpoindres carrs appliques lquation (1) :
(3)
1,
66
Pour le test sur les coefficients les t-Student doivent tre> 1.96
Pour le test sur les rsidus, on utilise les hypothses du test de BOX-PIERCE
[H0] : 1 =2 == K=0
[H1] : il existe au moins un i significativement diffrent de O
La rgle de dcision :
Si Q< K* o k est la valeur donn par la table pour un risque fix et un nombre k de degr
de libert. on rejette [H0] donc on a autocorrlation des erreurs.
(Avec Q =n
Pour le test ARCH, je lai choisi car il est frquemment employ en conomtrie
mais il existe dautres tests tel que test de GOLFELD, test de WHITE ou encore
test de BREUSCH-PAGAN.
Le test dARCH consiste effectuer une auto-rgression des rsidus carrs sur q retards :
= 0 +
Les hypothses de ce test sont :
[H0] : Homoscdasticit et 1 =2 =q=0
[H1] : Htroscdasticit et il y a au moins un coefficient i significativement diffrent de
zro.
Rgle de dcision :
Si n*R (q) on accepte [H0] On a homoscdasticit.
Avec : (q) dsigne la valeur critique figurant dans la table Khi-deux, n= nombre
dobservations de la srie et et R = le coefficient de dtermination associ la rgression.
3.3 LA PREVISION.
Lorsque le modle est valid, la prvision peut alors tre calcule un horizon de quelques
priodes, limit car la variance de lerreur de prvision crot trs vite avec lhorizon.
Pour rsumer la mthode voici le schma o les notations utilises sont:
67
srie stationnaire Yt
68
Aprs avoir introduit les diffrents modles et approches et avoir explique la mthode
suivre, je vais prsent mettre en pratique les thories avances dans la partie prcdente, je
vais chercher pour les deux indices MASI et MADEX les modles adquats et analyser les
rsultats obtenus.
69
I.
Dans cette section je vais mintresser lindice MASI afin de construire un modle de
prvision ARMA. Je vais suivre la mthode de BOX-JENKINS, la premire tape tant la
collecter les donnes, lchantillon que jai choisi de prendre est les valeurs journalires de
lindice pendant la priode : De Jan-1996 Mai-2012.
MASI
16,000
14,000
12,000
10,000
8,000
6,000
4,000
2,000
1998
2000
2002
2004
2006
2008
2010
2012
Le MASI a connu une augmentation maintenue depuis ses dbut mais son lanc na pris
forme quaprs lintroduction du principe du flottant, en effet, depuis 2002 le niveau de
lindice na cess daugmenter malgr les crises qua connu le monde entre la crise des
subprimes en 2007 et la crise de la dette en 2011 sans oublier le printemps arabe, le MASI a
maintenue son volution.
Je vais de ce fait essayer de trouver un modle qui suivra cette volution et donnera des
prvisions de court terme fidles la ralit.
Dans la mesure o je vais appliquer la mthode de BOX-JENKINS, je vais commencer par
stabiliser la variance, je passe au logarithme des valeurs :
70
LMAS
10.0
9.6
9.2
8.8
8.4
8.0
7.6
1998
2000
2002
2004
2006
2008
2010
2012
Ainsi, mon tude va porter sur le log (MASI) afin et par la suite apprcier le log rendement
de la srie temporelle MASI, not respectivement LMAS et D(LMAS).
La srie MASI a une tendance haussire, elle nest donc pas stationnaire. Sur le plan
conomtrique, cette tendance la hausse reflte que la srie nest pas stationnaire en
esprance, et de mme les fluctuations qui persistent dmontrent quelle nest pas stationnaire
en variance. Pour vrifier cette affirmation, nous allons procder lanalyse des
autocorrlations.
contre
H1 : i 0
Sur ce graphique, on observe une dcroissance lente et progressive des autocorrlations ce qui
caractrise bien un processus non stationnaire. Par ailleurs, je vais mappuyer sur la
statistique de LJUNG - BOX et la probabilit critique qui lui est associe. Ici, on peut
observer que les autocorrlations sont toutes significativement diffrentes de 0, car la
probabilit critique est toujours infrieure au seuil = 5%. Je peux mme ajouter quelle est
toujours nulle, ce qui signifie que lon a 0 % de chances de rejeter tort lhypothse nulle de
nullit des coefficients dautocorrlation.
71
Partial Correlation
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|**
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AC
PAC
1 0.332 0.332
2 0.081 -0.033
3 -0.001 -0.020
4 0.022 0.035
5 0.034 0.019
6 -0.011 -0.034
7 0.001 0.018
8 0.022 0.022
9 0.022 0.005
10 0.034 0.027
11 0.042 0.028
12 0.021 -0.004
13 0.015 0.008
14 0.015 0.010
15 0.044 0.038
16 0.011 -0.020
17 0.008 0.010
18 0.012 0.009
19 0.004 -0.008
20 0.034 0.035
Q-Stat
450.70
477.56
477.56
479.56
484.17
484.65
484.66
486.73
488.77
493.45
500.62
502.49
503.36
504.26
512.38
512.86
513.09
513.64
513.70
518.41
Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
La premire autocorrlation partielle est trs significativement diffrente de zro, ceci est la
structure dune srie non stationnaire. Pour le vrifier, je vais faire le test de DICKEYFULLER.
72
2. TESTS DE STATIONNARITE
2.1 TEST DICKEY-FULLER AUGMENT (ADF):
Je vais maintenant effectuer le test ADF, cependant, il faut au pralable dterminer le nombre
de retards . Pour cela, je vais me baser sur le corrlogramme de la srie DLM (ANNEXE 2),
qui correspond :
DLMASt = + t +LMASt + P k DLMASt-k + t
Test ADF sur la srie LMAS (ANNEXE 2)
Modle n3
En comparant le t du coefficient du trend (tendance) avec la valeur donne par la table de
DICKEY-FULLER, je trouve :
t =0.259362< 2,78
Par consquent, jaccepte donc lhypothse H0 de non stationnarit et de racine unitaire.
Ensuite, conformment la stratgie de test, je vais passer au 2me modle.
Modle n2
Je compare prsent le t de la constante avec la valeur donne par la table de DF :
t = 1.728580< 2,52
On accepte H0 la srie est non stationnaire, je passe au dernier modle.
Modle n 1
Pour un risque 5% lhypothse H0 est bien vrifie :
t = 2.152615> -1.940902
Conclusion du test ADF
On accepte donc lhypothse H0 de non stationnarit et de racine unitaire. La srie est donc
non stationnaire et intgre dordre 1 => I(1). Cest donc bien un processus DS sans drive
que lon peut prsenter sous la forme suivante :
LMASt = LMASt-1 + t
Je vais maintenant procder au test de PHILLIPS - PERRON, afin de voir si mes conclusions
sont exactes.
73
74
75
D(LMAS)
.06
.04
.02
.00
-.02
-.04
-.06
1998
2000
2002
2004
2006
2008
2010
2012
On voit que la srie DLMAS fluctue dsormais entre 0,04 et -0,05 soit une amplitude de 0,07.
La srie a donc bien t stationnarise sur lensemble de la priode.
76
77
Series: D(LMAS)
Sample 23/09/1996 5/06/2012
Observations 4093
800
600
400
200
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.000371
0.000314
0.045547
-0.050167
0.007451
-0.212128
9.400312
Jarque-Bera
Probability
7016.765
0.000000
0
-0.050
-0.025
0.000
0.025
5. MODELISATION ARMA
5.1 IDENTIFICATION DES ORDRES P ET Q
La srie DLMAS est stationnaire. Je vais lui chercher un modle ARMA (p,q), pour connatre
les ordres p et q je vais maider des corrlogrammes de la srie DLMAS, on peut voir
clairement que pour MA(q) identifi grce au corrlogramme simple nous donne q=1. De
mme pour AR(p) le corrlogramme partiel montre que p=1. Donc les trois processus
retenir seront : AR(1), MA(1) et ARMA(1,1).
78
SCHWARZ
ARMA
CITERION
AKAIKE INFO
CRITERION
Standard Error of
Adjusted
(p,q)
(SIC)
AIC
(1,0)
-7.073512
(0,1)
(1,1)
Log
likelihood
-7.076599
0.007031
0.109865
14480.72
-7.066611
-7.069698
0.007055
0.103548
14470.14
-7.072407
-7.077038
0.007028
0.110473
14482.62
Le modle qui vrifie le plus de critres est sans doute le modle ARIMA (1,1). Jeffectue
prsent le test dhtroscdasticit des erreurs sur les trois modles, voici les rsultats
obtenus (voir ANNEXE 3).
6. MODELISATION GARCH
Figure 26: rsum des critres de choix des modles ARCH (p,q)
Critres/
Modles
AIC
SIC
loglikelihood
ARCH(2)
GARCH (1,2)
GARCH (2, 1)
GARCH (1,1)
GARCH(2,2)
-7,374678
-7,484723
-7,499211
-7,397019
-7,523236
-7,363771
-7,472258
-7,488304
-7,390839
-7,509213
0,106616
0,099073
0,102267
0,099528
0,101402
14929,66
15153,34
15181,65
15144,39
15232,27
contrainte : positivit
des coefficients
vrifie
Oui
Non
Non
Oui
Non
7. PREVISION
Je vais gnrer la prvision laide de EVIEWS ce qui me donne :
79
0.721264295567
D (LMAS) = 0.000199370220603
Il suffit dappliquer la fonction exponentielle pour avoir les donnes du MASI afin de les
comparer aux valeurs effectives :
Tableau 3:Prvision court terme du MASI
MASI rel
DATE
ARMA(1,1)
GARCH(1,1)
4/6/2012
10142,53
10105.37
10056.14
5/6/2012
10055,83
10111.56
10058.15
6/6/2012
10007,20
10115.96
10060.15
MASI rel
DATE
Log
ARMA( 1,1)
Valeur
Log
Valeur
GARCH(1,1)
log
Valeur
28/05/2012 9,226721466
10165,16
29/05/2012 9,232864782
10227,8
30/05/2012 9,238635269
10286,99
31/05/2012 9,233108207
10230,29
9,231323645
80
II.
Lindice MADEX runis les valeurs les plus liquides, afin de construire un modle de
prvision ARMA. Je vais suivre la mthode de BOX-JENKINS, lchantillon que jai choisi
de prendre sont les valeurs journalires de lindice depuis sa cration soit : De Jan-2002
Mai-2012.
MADEX
14,000
12,000
10,000
8,000
6,000
4,000
2,000
02
03
04
05
06
07
08
09
10
11
12
LDEX
9.6
9.2
8.8
8.4
8.0
7.6
02
03
04
05
06
07
08
09
10
11
12
81
Partial Correlation
|*******
*|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
AC
PAC
1.000
0.999
0.998
0.998
0.997
0.997
0.996
0.996
0.995
0.995
0.994
0.993
0.993
0.992
0.992
0.991
0.990
0.990
0.989
0.989
1.000
-0.106
0.016
0.006
-0.007
-0.008
0.007
-0.005
-0.003
0.002
-0.014
-0.009
-0.010
-0.002
0.003
-0.013
0.007
-0.009
0.002
-0.006
Q-Stat
2601.6
5201.3
7799.0
10395.
12989.
15581.
18171.
20760.
23346.
25930.
28513.
31093.
33672.
36248.
38822.
41394.
43964.
46531.
49097.
51660.
Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
La premire autocorrlation partielle est trs significativement diffrente de zro, ceci est la
structure dune srie non stationnaire. Pour le vrifier, je vais faire le test de DICKEYFULLER.
2. TESTS DE STATIONNARITE
2.1 TEST DICKEY-FULLER AUGMENT (ADF):
Je vais maintenant effectuer le test ADF, cependant, il faut au pralable dterminer le nombre
de retards . Pour cela, je vais me baser sur le corrlogramme de la srie DLM (ANNEXE 2),
qui correspond :
DLDEXt = + t +LDEXt + P k DLDEXt-k + t
La premire autocorrlation partielle est significativement diffrente de zro donc le nombre
de retards est = 1.
82
TEST
ADF
On accepte donc lhypothse H0 de non stationnarit et de racine unitaire. La srie est donc
non stationnaire et intgre dordre 1 => I(1). Cest donc bien un processus DS sans drive
que lon peut prsenter sous la forme suivante :
LDEXt = LDEXt-1 + t
Je vais maintenant procder au test de PHILLIPS - PERRON, afin de voir si mes conclusions
sont exactes.
Test PHILLIPS-PERRON
On accepte lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS PERRON est suprieure la valeur critique calcule par EVIEWS. La srie tudie est donc
non stationnaire. Il sagt dun processus DS sans drive => I(1). (Annexe 3)
Test KPSS
Ainsi je peux dire que la srie LMAS est bien une marche au hasard sans drive I(1)
C'est--dire :
D(LDEX)
.06
.04
.02
.00
-.02
-.04
-.06
02
03
04
05
06
07
08
09
10
11
On voit que la srie DLDEX fluctue dsormais entre 0,04 et -0,05 soit une amplitude de 0,07.
La srie a donc bien t stationnarise sur lensemble de la priode.
84
|**
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
|**
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AC
PAC
Q-Stat
Prob
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0.042
-0.033
0.007
0.018
-0.023
-0.025
0.002
0.009
0.030
0.048
0.016
-0.003
-0.005
0.030
0.001
-0.001
0.001
-0.007
0.033
-0.057
-0.032
0.033
0.007
-0.037
-0.005
0.015
0.000
0.028
0.036
-0.011
-0.005
0.002
0.033
-0.022
0.009
0.004
-0.013
0.042
248.93
251.77
251.90
252.72
254.14
255.72
255.74
255.96
258.31
264.24
264.90
264.92
264.98
267.29
267.29
267.29
267.29
267.43
270.37
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
500
Series: D(LDEX)
Sample 1/01/2002 1/03/2012
Observations 2600
400
300
200
100
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.000359
0.000385
0.045854
-0.050935
0.009055
-0.301902
7.403475
Jarque-Bera
Probability
2140.143
0.000000
0
-0.050
-0.025
0.000
0.025
85
4. MODELISATION ARMA
4.1 IDENTIFICATION DES ORDRES P ET Q
La srie DLDEX est stationnaire, le corrlogramme (DLDEX) simple donne q=1, et le
corrlogramme partiel montre que p=1. Donc les trois processus retenir seront : AR(1),
MA(1) et ARMA(1,1).
Modle
SCHWARZ
ARMA
CITERION
AKAIKE INFO
CRITERION
Standard Error of
Adjusted
(p,q)
(SIC)
AIC
(1,0)
-6.667037
(0,1)
(1,1)
Log
likelihood
-6.669292
-0.008619
0.093163
8667.746
-6.665151
-6.667406
-0.008627
0.092167
8668.627
-6.666977
-6.671488
-0.008608
0.095500
8671.599
Le modle qui vrifie le plus de critres est sans doute le modle ARIMA (1,1). Jeffectue
prsent le test dhtroscdasticit des erreurs sur les trois modles, voici les rsultats
obtenus (voir ANNEXE 3).
5. PREVISION
Le modle ARMA(1,1) :
DLDEXt = 0.000367214476173 + 0.169332671572 * DLDEXt-1 + et - 0.153563856732* et-1
Le modle GARCH(1,1)
= 5.5403041415e *10-6 +
D(LDEX) = 0.000196454800589
86
MADEX rel
ARMA (1, 1)
1/6/2012
8364,42
8376,732
8361,943
4/6/2012
8285,23
8379,623
8363,637
5/6/2012
8209,59
8380,130
8365,332
DATE
GARCH (1,1)
MADEX rel
DATE
Log
Valeur
ARMA( 1,1)
Log
GARCH(1,1)
Valeur
log
Valeur
28/5/2012 9,02293672
8291.09
29/5/2012 9,02524377
8310.24
9.025002
30/5/2012 9,03124361
8360.25
31/5/2012 9,03732419
8411.24
87
III.
Jai dmontr que la srie DLMAS suit un processus de bruit blanc non gaussien, et de ce
fait, elle est caractrise par labsence de processus gnrateur, cest donc un processus
totalement alatoire et imprvisible. En effet, jai tent de raliser des prcisions en traitant la
srie comme un processus ARMA(1,1) et les rsultats se sont avrs plutt satisfaisant la
limite dun horizon de 2 3 jours. Jai suivi le mme schma avec la srie DLDEX et jai
obtenus les mmes rsultats ;
Cette tude permet de mettre en vidence que dans le cas dun actif dont le cours suit une
marche alatoire pure, les niveaux de lindice la priode t et la priode t 1 diffre
uniquement parce quune nouvelle information, imprvisible en t 1, est arrive en t,
provoquant un changement des anticipations des agents, et donc un changement des niveaux
des indices. Cela renvoie la dfinition de lefficience informationnelle et au fait qu tout
moment le cours boursier reflte toute linformation disponible concernant la vie de la firme
en loccurrence dans mon cas ltat de la bourse, ainsi que linfluence des vnements sur les
performances futures de la bourse. De ce fait, aucun investisseur, ni aucun analyste ne peut
prvoir de faon certaine lvolution des cours dun actif financier. Mathmatiquement, je
peux formaliser cette ide de la manire suivante :
Pour tout ,
E (Vj, t + 1 | t) = Vj, t
Avec
Vj : la valeur de lindice j la priode t
: une information quelconque.
Il en rsulte quen moyenne, la meilleure prvision dvolution de la valeur de lindice la
priode t + 1 reste sa valeur connue la priode t.
En comparant, les rsultats obtenus avec le modle ARMA(1,1) et le modle GARCH (1 ,1),
on remarque que le modle le plus proche des valeurs relles ralises par les deux indices
reste sans doute le modle GARCH puisquil arrive retenir la volatilit observ chez les
deux indices.
88
CONCLUSION GENERALE
A linstar des changements structurels et de limportance grandissante que requirent les
marchs des capitaux dans les pays en dveloppement, jai voulu par ce travail dans un
premier lieu me positionner par rapport aux pays voisins et exposer lvolution qua connue le
march marocain depuis sa cration et en conclure les perspectives quil reprsente dans
lconomie marocaine.
Jai fait une analyse complte de tous les indicateurs de la place Casablancaise avant de passer
au dveloppement des deux modles, sans oublier dexpliquer les deux notions que jai utilis
notamment les sries chronologiques et la volatilit.
Autant que futur ingnieur financier je ne pouvais passer cot dun phnomne trs
important en finance qui est la volatilit que lindice MASI et le MADEX traduisent
clairement daprs leur volutions respectives, ce phnomne ma interpell et jai voulu
travers ce travail lestimer et le modliser et pour cela je me suis pench sur la littrature
traitant du mme sujet et jai remarqu la prpondrance de lutilisation de la mthode
propose par les deux conomistes Box et Jenkins, qui analysent les sries chronologiques.
Mais aussi la conclusion de plusieurs recherches qui prconisaient lutilisation du modle
GARCH pour sa capacit de reproduire la volatilit court terme.
Afin de massurer de la validit de ces affirmations jai fait moi-mme le test via les deux
indices, les rsultats ont confirm que certes les modles ARIMA donnaient de bons rsultats
mais les modles ARCH/GARCH restait plus fidles la volatilit.
Pour conclure, je peux dire que ce travail ma permis de me familiariser avec plusieurs
phnomnes passant (la volatilit), et jai pu mettre en pratique les notions de modlisation
grce des modles de la famille ARMA et ARCH que jai pu comprendre et appliquer, sans
oublier le logiciel qui ma facilit la prvision EVIEWS.
89
BIBLIOGRAPHIE
Lardic
S.
et
Mignon
V.
(2002),
Econometrie
des
sries
temporelles
90
WEBOGRAPHIE
http://www.finances.gov.ma/
http://www.worldbank.org/
http://www.hcp.ma/Direction-de-la-statistique_a716.html
http://france-inflation.com/graph_cac40.php
http://epp.eurostat.ec.europa.eu/portal/page/portal/eurostat/home/
http://www.boursedecasablanca.ma/
http://www.boursorama.com/
http://www.comprendrelabourse.com/
http://www.traders.com/
http://helene-hamisultane.voila.net/
http://www.sayedhossain.com/
91
ANNEXE 1
I NDICES
SECTORIELLES
:
Tableau 9: les indices sectoriels
Transport
Immobilier
Tlcommunications
Distributeurs
Mines
Banques
Assurances
Loisirs et htels
Agroalimentaire / production
Chimie
Industrie pharmaceutique
Boissons
92
ANNEXE 2
ANALYSE DE LA SAISONNALITE
Tableau 10: coefficients mensuels de la srie MASI
Date: 04/06/12 Time: 21:08
Sample: 2002M01 2012M03
Included observations: 123
Ratio to Moving Average
Original Series: LMAS
Scaling Factors:
1.000689
1.003291
1.002007
1.004708
1.002545
1.000880
0.998532
1.001219
0.998564
0.995538
0.995121
0.996956
1
2
3
4
5
6
7
8
9
10
11
12
MASI
t-Statistic
Prob.*
-1.090880
-3.960281
-3.410903
-3.127256
0.9291
Coefficient
Std. Error
t-Statistic
Prob.
93
LMAS (-1)
D(LMAS(-1))
C
@TREND(23/09/1996)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
-0.000405
0.331609
0.003680
4.40E-08
0.110648
0.109996
0.007030
0.202038
14482.02
169.5356
0.000000
0.000371
0.014758
0.002946
1.69E-07
-1.090880
22.47026
1.248946
0.259362
0.2754
0.0000
0.2118
0.7954
0.000372
0.007452
-7.076258
-7.070083
-7.074071
1.978144
t-Statistic
Prob.*
-1.591884
-3.431764
-2.862050
-2.567085
0.4867
Coefficient
Std. Error
t-Statistic
Prob.
LMAS(-1)
D(LMAS(-1))
C
-0.000325
0.331513
0.003070
0.000204
0.014751
0.001776
-1.591884
22.47336
1.728580
0.1115
0.0000
0.0840
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.110634
0.110199
0.007029
0.202041
14481.99
254.3278
0.000000
0.000372
0.007452
-7.076730
-7.072099
-7.075090
1.978088
94
t-Statistic
Prob.*
2.152615
-2.565527
-1.940901
-1.616648
0.9930
Coefficient
Std. Error
t-Statistic
Prob.
LMAS(-1)
D(LMAS(-1))
2.72E-05
0.331939
1.26E-05
0.014753
2.152615
22.49990
0.0314
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.109984
0.109766
0.007031
0.202189
14480.49
1.978170
0.000372
0.007452
-7.076488
-7.073401
-7.075395
Adj. t-Stat
Prob.*
-1.094622
-3.960281
-3.410903
-3.127256
0.9285
5.55E-05
0.000111
Prob.*
95
-1.566786
-3.431763
-2.862050
-2.567084
0.4996
5.55E-05
0.000112
Adj. t-Stat
Prob.*
2.129564
-2.565527
-1.940901
-1.616648
0.9925
5.55E-05
0.000113
0.929209
0.216000
0.146000
0.119000
0.087526
4.487489
96
Coefficient
Std. Error
t-Statistic
Prob.
C
@TREND(23/09/1996)
7.910328
0.000381
0.009248
3.91E-06
855.3500
97.39764
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.698637
0.698563
0.295920
358.3306
-823.0072
9486.300
0.000000
8.690343
0.538984
0.403032
0.406118
0.404125
0.000634
0.290433
14.90964
Coefficient
Std. Error
t-Statistic
Prob.
8.690343
0.008424
1031.656
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.000000
0.000000
0.538984
1189.032
-3278.259
0.000192
8.690343
0.538984
1.601983
1.603526
1.602529
97
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
|**
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AC
PAC
Q-Stat
1 0.332 0.332
2 0.081 -0.033
3 -0.001 -0.020
4 0.022 0.035
5 0.034 0.019
6 -0.011 -0.034
7 0.001 0.018
8 0.022 0.022
9 0.022 0.005
10 0.034 0.027
11 0.042 0.028
12 0.021 -0.004
13 0.015 0.008
14 0.015 0.010
15 0.044 0.038
16 0.011 -0.020
17 0.008 0.010
18 0.012 0.009
19 0.004 -0.008
20 0.034 0.035
450.70
477.56
477.56
479.56
484.17
484.65
484.66
486.73
488.77
493.45
500.62
502.49
503.36
504.26
512.38
512.86
513.09
513.64
513.70
518.41
Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Value
3.186192
Probability
0.0015
Adj. t-Stat
Prob.*
-45.02504
-2.565528
-1.940902
-1.616647
0.0001
98
4.95E-05
4.84E-05
Coefficient
Std. Error
t-Statistic
Prob.
D(LMAS(-1))
-0.666575
0.014752
-45.18688
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.333209
0.333209
0.007036
0.202271
14459.47
1.979108
3.18E-06
0.008616
-7.075348
-7.073802
-7.074800
t-Statistic
Prob.*
-38.04534
-2.565528
-1.940902
-1.616647
0.0000
Coefficient
Std. Error
t-Statistic
Prob.
D(LMAS(-1))
D(LMAS(-1),2)
-0.687366
0.031152
0.018067
0.015645
-38.04534
1.991120
0.0000
0.0465
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.333850
0.333687
0.007034
0.202074
14457.42
2.001025
2.75E-06
0.008617
-7.075586
-7.072495
-7.074491
99
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
0.000371
0.331834
0.000164
0.014753
2.258487
22.49293
0.0240
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.110083
0.109865
0.007031
0.202166
14480.72
505.9317
0.000000
0.000372
0.007452
-7.076599
-7.073512
-7.075506
1.978131
Coefficient
Std. Error
t-Statistic
Prob.
C
MA(1)
0.000370
0.312457
0.000145
0.014852
2.559466
21.03755
0.0105
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Inverted MA Roots
0.103767
0.103548
0.007055
0.203616
14470.14
473.6618
0.000000
0.000371
0.007451
-7.069698
-7.066611
-7.068605
1.941582
-.31
100
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(1)
MA(1)
0.000371
0.256697
0.084715
0.000160
0.045231
0.046628
2.316833
5.675286
1.816815
0.0206
0.0000
0.0693
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Inverted AR Roots
Inverted MA Roots
0.110908
0.110473
0.007028
0.201979
14482.62
255.0367
0.000000
0.000372
0.007452
-7.077038
-7.072407
-7.075398
1.998568
.26
-.08
101
ANNEXE 3
Tableau 26 :coefficients mensuels de la srie MADEX
Date: 04/06/12 Time: 21:08
Sample: 2002M01 2012M03
Included observations: 123
Ratio to Moving Average
Original Series: LMAS
Scaling Factors:
1.000555
1.002391
1.002012
1.004108
1.002110
1.000850
0.998442
1.001211
0.998558
0.995528
0.995310
0.996944
1
2
3
4
5
6
7
8
9
10
11
12
t-Statistic
Prob.*
-0.478813
-3.961575
-3.411537
-3.127632
0.9845
Coefficient
Std. Error
t-Statistic
Prob.
LDEX(-1)
D(LDEX(-1))
C
@TREND(1/01/2002)
-0.000327
0.306261
0.003109
-9.50E-09
0.000682
0.018691
0.005377
4.91E-07
-0.478813
16.38528
0.578276
-0.019346
0.6321
0.0000
0.5631
0.9846
102
0.094367
0.093320
0.008618
0.192745
8669.471
90.13293
0.000000
0.000365
0.009051
-6.668312
-6.659289
-6.665043
1.960705
t-Statistic
Prob.*
-1.081279
-3.432673
-2.862452
-2.567301
0.7253
Coefficient
Std. Error
t-Statistic
Prob.
LDEX(-1)
D(LDEX(-1))
C
-0.000338
0.306277
0.003199
0.000313
0.018667
0.002727
-1.081279
16.40701
1.172859
0.2797
0.0000
0.2410
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.094367
0.093669
0.008617
0.192745
8669.471
135.2513
0.000000
0.000365
0.009051
-6.669081
-6.662314
-6.666629
1.960713
t-Statistic
Prob.*
1.440086
0.9632
103
-2.565852
-1.940946
-1.616618
1% level
5% level
10% level
Coefficient
Std. Error
t-Statistic
Prob.
LDEX(-1)
D(LDEX(-1))
2.79E-05
0.306417
1.94E-05
0.018668
1.440086
16.41362
0.1500
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.093887
0.093538
0.008617
0.192848
8668.783
1.960668
0.000365
0.009051
-6.669321
-6.664809
-6.667686
Adj. t-Stat
Prob.*
-0.261430
-3.961573
-3.411536
-3.127631
0.9917
8.19E-05
0.000121
Coefficient
Std. Error
t-Statistic
Prob.
LDEX(-1)
C
@TREND(1/01/2002)
9.39E-05
4.46E-06
-3.56E-07
0.000716
0.005645
5.15E-07
0.131160
0.000790
-0.690171
0.8957
0.9994
0.4901
104
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.000607
-0.000162
0.009055
0.212950
8543.714
0.789254
0.454292
0.000359
0.009055
-6.569780
-6.563014
-6.567328
1.387063
Adj. t-Stat
Prob.*
-1.031709
-3.432672
-2.862452
-2.567300
0.7439
8.19E-05
0.000124
Coefficient
Std. Error
t-Statistic
Prob.
LDEX(-1)
C
-0.000345
0.003361
0.000329
0.002865
-1.049950
1.173195
0.2938
0.2408
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.000424
0.000039
0.009054
0.212989
8543.475
1.102394
0.293839
0.000359
0.009055
-6.570366
-6.565855
-6.568731
1.386199
Adj. t-Stat
Prob.*
1.573462
-2.565852
0.9721
105
-1.940946
-1.616618
0.061630
2.514721
5.424543
0.739000
0.463000
0.347000
0.291927
12.16234
t-Statistic
Prob.*
-31.69683
-2.565852
-1.940946
-1.616618
0.0000
106
Coefficient
Std. Error
t-Statistic
Prob.
D(LDEX(-1))
D(LDEX(-1),2)
-0.730361
0.056494
0.023042
0.019580
-31.69683
2.885280
0.0000
0.0039
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.347893
0.347641
0.008602
0.192068
8670.211
2.003043
-3.49E-06
0.010650
-6.672988
-6.668475
-6.671353
Adj. t-Stat
Prob.*
-36.62248
-2.565852
-1.940946
-1.616618
0.0000
7.43E-05
6.76E-05
Coefficient
Std. Error
t-Statistic
Prob.
D(LDEX(-1))
-0.692531
0.018658
-37.11710
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.346526
0.346526
0.008619
0.193002
8667.746
1.961029
7.48E-06
0.010662
-6.669292
-6.667037
-6.668475
107
0.413511
0.739000
0.463000
0.347000
8.20E-05
0.000124
Coefficient
Std. Error
t-Statistic
Prob.
0.000359
0.000178
2.021006
0.0434
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.000000
0.000000
0.009055
0.213079
8542.924
1.386090
0.000359
0.009055
-6.570711
-6.568455
-6.569893
Coefficient
Std. Error
t-Statistic
Prob.
AR(1)
0.307469
0.018658
16.47919
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.093163
0.093163
0.008619
0.193002
8667.746
0.000365
0.009051
-6.669292
-6.667037
-6.668475
108
1.961029
Inverted AR Roots
.31
Tableau 38: modle MA(1) srie DLDEX
Coefficient
Std. Error
t-Statistic
Prob.
MA(1)
0.301871
0.018696
16.14590
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted MA Roots
0.092167
0.092167
0.008627
0.193440
8668.627
1.959690
0.000359
0.009055
-6.667406
-6.665151
-6.666589
-.30
Coefficient
Std. Error
t-Statistic
Prob.
AR(1)
MA(1)
0.169333
0.153564
0.060909
0.061116
2.780086
2.512676
0.0055
0.0120
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots
0.095848
0.095500
0.008608
0.192430
8671.599
1.995573
0.000365
0.009051
-6.671488
-6.666977
-6.669854
.17
-.15
109