Vous êtes sur la page 1sur 109

Explication conomtrique

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

PROJET DE FIN DETUDE

Elabor par : EL MESKANI ASSIA


Encadr par : BENAID B.

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


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.

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Mots cls : march boursier, volatilit, ARIMA, GARCH

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

KEYWORDS: stock market, volatility, ARIMA, GARCH


3

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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.

Le Master apporte aux tudiants ayant les acquis fondamentaux en mathmatiques et en


statistique, une formation professionnelle complmentaire dans le domaine du traitement de
linformation et de son exploitation.
Ladmission au Master de statistique se fait sur tude de dossiers. Pour la premire anne,
sont admissibles les personnes titulaires dune licence de mathmatiques, en conomie ou
dun diplme jug quivalent,
Dans le souci de permettre aux tudiants de mettre en pratique les connaissances acquises tout
au long de la formation, il leur est demand deffectuer un stage acadmique dune dure de
trois quatre en entreprise.
Cest dans ce cadre que jai t reue, du 1er Avril au 29 juin 2012, au HAUT
COMISSARTIAT AU PLAN (HCP) la division de modlisation, ce qui ma permis dune
part, de faire une tude descriptive de la bourse, dautre part, de faire des prvisions sur et de
la modlisation.

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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 :

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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.

Intrt du sujet et problmatique


LE MASI et le MADEX sont les indices reprsentatifs de la place Boursire Casablancaise,
et peuvent tre considrs comme un thermomtre du march dcrivant lintensit des
fluctuations en hausse ou en baisse de celui-ci.
Cest pourquoi, jai choisi dtudier ses niveaux, ses rendements et sa volatilit. Cette tude
est axe sur une approche conomtrique. Dabord je vais essayer de le modliser en
mappuyant sur la mthode BOX-JENKINS par le modle ARIMA ensuite la

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
comparer au modle GARCH (1 ,1) ce qui me permettra dappliquer des connaissances
thoriques et les traduire en pratique, mais surtout de rpondre ces questions :
Existe-il un risque li aux changements de lindice travers le temps (principe de volatilit) ?
Peut-il tre modlis ? Quel est le modle appropri cet effet ?
Rpondre ces questions me permettra dappliquer des concepts de modlisation des sries
chronologiques et me familiariser avec des modles dauto-regression.
Les donnes disposition concernant 4048 valeurs journalires du 1/1/1996 au 31/5/2012 de
lvolution du MASI. Et 2653 valeurs journalires du 1/1/2002 (date de sa cration) au
31/5/2012 pour ce qui est du MADEX.

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Table des matires


REMERCIEMENTS ............................................................................................................................................. 2
RESUME ........................................................................................................................................................... 3
AVANT-PROPOS ............................................................................................................................................... 4
PRESENTATION DE LHCP ................................................................................................................................. 5
INTRODUCTION GENERALE .............................................................................................................................. 6
SOMMAIRE DES GRAPHIQUES ........................................................................................................................ 10
SOMMAIRE DES EQUATIONS .......................................................................................................................... 11
SOMMAIRE DES TABLEAUX ............................................................................................................................ 12
PARTIE I : ANALYSE DU MARCHE BOURSIER MAROCAIN ................................................................................ 14
I.

FAITS MARQUANTS DEPUIS 1929 .................................................................................................................... 15

II.

FONCTIONNEMENT DE LA BOURSE DE CASABLANCA ............................................................................. 20


1.

LA STRUCTURE DU MARCHE .............................................................................................................. 20

2.

LES MARCHES DE COTATION .............................................................................................................. 21

3.

PRODUITS PROPOSES ......................................................................................................................... 22

4.

LES INTERVENANTS DANS LA BOURSE DE CASABLANCA.................................................................... 23

III.

LES INDICES BOURSIERS .......................................................................................................................... 25


1.

Lindice gnral boursier IGB ........................................................................................................ 26

2.

MASI : ................................................................................................................................................. 26

3.

MADEX : ............................................................................................................................................. 27

4.

CFG 25 INDEX : ................................................................................................................................... 27

5.

AUTRES INDICES ................................................................................................................................. 27

IV.

EVOLUTION DES AGREGATS BOURSIERS ................................................................................................. 29


1.

La capitalisation boursire : ............................................................................................................... 29

2.

LA LIQUIDITE BOURSIERE ........................................................................................................................... 32

3.

evolution du financement direct par le march ................................................................................. 36

4.

contribution dans lconomie marocaine ........................................................................................... 36

V.

ENVIRONNEMENT REGIONAL ET INTERNATIONAL ................................................................................. 39


1.

Au niveau rgional ............................................................................................................................. 39

2.

Au niveau international...................................................................................................................... 40

PARTIE II : LA METHODE BOX-JENKINS POUR LA PREVISION DUNE SERIE CHRONOLOGIQUE ........................ 43


I.

NOTIONS DE BASE ................................................................................................................................... 44

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
1.

les sries chronologiques : ................................................................................................................. 44

2.

LA VOLATILITE .................................................................................................................................... 45

3.

INDICATEURS DE LA VOLATILITE ........................................................................................................ 49

4.

MODELISATION DE LA VOLATILITE ..................................................................................................... 54

II.

LES TROIS PHASES DE LA METHODE BOX-JENKINS .................................................................................. 58


1.

STATIONNARITE ................................................................................................................................. 58

2.

Estimation des paramtres p et q du modle ARMA ......................................................................... 60

3.

Tests dadquation de modle et prvision ........................................................................................ 66

PARTIE III MODELISATION DES INDICES MASI ET MADEX .............................................................................. 69


I.

CONSTRUCTION DUN MODELE ARIMA POUR LA SERIE MASI ................................................................. 70


1.

Analyse du graphique et du corrlogramme ...................................................................................... 70

2.

Tests de stationnarit......................................................................................................................... 73

3.

stationnarisation de la srie LMAS .................................................................................................... 75

4.

Analyse du corrlogramme et statistiques de LJUNG-BOX ................................................................ 77

5.

Modlisation ARMA ........................................................................................................................... 78

6.

MODELISATION GARCH ...................................................................................................................... 79

7.

Prvision ............................................................................................................................................. 79

II.

III.

CONSTRUCTION DUN MODELE ARIMA POUR LA SERIE MADEX ............................................................. 81


1.

Analyse du graphique et du corrlogramme ...................................................................................... 81

2.

Tests de stationnarit......................................................................................................................... 82

3.

stationnarisation de la srie LDEX ..................................................................................................... 84

4.

Modlisation ARMA ........................................................................................................................... 86

5.

Prvision ............................................................................................................................................. 86
INTERPRETATION DES RESULTATS .......................................................................................................... 88

CONCLUSION GENERALE ................................................................................................................................ 89


BIBLIOGRAPHIE .............................................................................................................................................. 90
WEBOGRAPHIE............................................................................................................................................... 91
ANNEXE 1 ....................................................................................................................................................... 92
ANNEXE 2 ....................................................................................................................................................... 93
ANNEXE 3 ..................................................................................................................................................... 102

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

SOMMAIRE DES GRAPHIQUES


Figure 1 : Actionnaires de la Bourse de Casablanca ............................................................... 20
Figure 2:Evolution du volume quotidien de la Bourse ............................................................ 21
Figure 3:Rpartition des socits cotes selon compartiment .................................................. 22
Figure 4: Evolution de la capitalisation boursire .................................................................... 32
Figure 5:Rpartition du march boursier selon volume de capitalisation ................................ 32
Figure 6:Evolution du volume transaction ............................................................................... 33
Figure 7:Rpartition du volume de transaction par march ..................................................... 33
Figure 8:Rpartition des changes selon profil d'investisseurs ................................................ 34
Figure 9:Ratio de liquidit du march des actions ................................................................... 35
Figure 10:Evolution du financement par le march des capitaux ........................................... 36
Figure 11:Introductions en bourse............................................................................................ 37
Figure 12:nombre de socits cotes en Bourse....................................................................... 37
Figure 13:Appel d'offre public ................................................................................................. 38
Figure 14: Evolution de la capitalisation boursire .................................................................. 39
Figure 15:Evolution du nombre de socits cotes .................................................................. 40
Figure 16:Evolution de la capitalisation pays dEurope .......................................................... 41
Figure 17:Evolution du nombre de socits cotes .................................................................. 41
Figure 18:diffrence entre volatilit avec et sans persistance .................................................. 48
Figure 19:Les lignes de tendances ........................................................................................... 50
Figure 20: moyenne mobile...................................................................................................... 51
Figure 21: les Bollingers .......................................................................................................... 53
Figure 23: Schma de la mthode BOX-JENKINS ................................................................. 68
Figure 24: graphique de la srie MASI .................................................................................... 70
Figure 25: graphique de la srie (log(MASI)) ......................................................................... 71
Figure 26:graphique de la srie DLMAS ................................................................................. 76
Figure 27: rsum des critres de choix des modles ARCH (p,q) .......................................... 79
Figure 28: graphique de la srie MADEX ............................................................................... 81
Figure 29: graphique de la srie (log(MADEX)) .................................................................... 81
Figure 30:graphique de la srie DLDEX.................................................................................. 84
Figure 31:Test de JARQUE-BERA ......................................................................................... 85

10

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

SOMMAIRE DES EQUATIONS


quation 1 : Formule de calcul de lindice IGB....................................................................... 26
quation 2 : Formule de calcul dun indice flottant ................................................................. 30
quation 3: calcul moyenne mobile simple ............................................................................. 51
quation 4: calcul moyenne mobile exponentielle .................................................................. 51
quation 5: calcul momentum.................................................................................................. 52
quation 6: calcul Bollinger Bandes Width ............................................................................. 53
quation 7: calcul du Bta ....................................................................................................... 54
quation 8 : calcul de lcart type dune action ....................................................................... 55
quation 9 : Modle n 1 du test ADF ..................................................................................... 58
quation 10: Modle n 2 du test ADF .................................................................................... 59
quation 11: Modle n 3 du test ADF .................................................................................... 59
quation 12: modle ARIMA(p,d,q)........................................................................................ 62
quation 13: modle AR(p) ..................................................................................................... 63
quation 14: modle MA(q) .................................................................................................... 63
quation 15: modle ARMA (p , q) ......................................................................................... 63
quation 16:Critre AKAIKE .................................................................................................. 64
quation 17: Critre SHWARZ ............................................................................................... 64
quation 18:Log vraisemblance ............................................................................................... 64
quation 19: Erreur standard de rgression ............................................................................. 65
quation 20: Coefficient de dtermination .............................................................................. 65
quation 21: Coefficient de dtermination corrig .................................................................. 65
quation 22 : processus ARCH(q) ........................................................................................... 57
quation 23: modle GARCH (p, q) ........................................................................................ 57

11

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

SOMMAIRE DES TABLEAUX


Tableau 1 : corrlogramme de LMAS...................................................................................... 72
Tableau 2: Rsultats critre choix modle AR/MA ................................................................. 78
Tableau 3:Prvision court terme du MASI .............................................................................. 80
Tableau 4: prvision jour par jour MASI ................................................................................. 80
Tableau 5:Corrlogramme du MADEX ................................................................................... 82
Tableau 6:Le corrlogramme de la srie DLDEX ................................................................... 84
Tableau 7:Prvision court terme du MASI .............................................................................. 87
Tableau 8:prvision jour par jour MASI .................................................................................. 87
Tableau 9: les indices sectoriels ............................................................................................... 92
Tableau 10: coefficients mensuels de la srie MASI ............................................................... 93
Tableau 11: Test ADF, srie LMAS, modle n3 .................................................................... 93
Tableau 12: Test ADF, srie LMAS, modle n2 .................................................................... 94
Tableau 13: Test ADF, srie LMAS, modle n1 .................................................................... 94
Tableau 14:Test PHILLIPS-PERRON srie LMAS modle n3 ............................................. 95
Tableau 15:Test PHILLIPS-PERRON srie LMAS modle n2 ............................................. 95
Tableau 16: Test PHILLIPS-PERRON srie LMAS modle n1 ............................................ 96
Tableau 17:Test KPSS LMAS modle n3 .............................................................................. 96
Tableau 18:Test KPSS LMAS modle n2 .............................................................................. 97
Tableau 19: corrlogramme DLMAS ...................................................................................... 97
Tableau 20: test de moyenne sur la srie DLMAS ................................................................... 98
Tableau 21: Test PHILLIPS PERRON sur DLMAS ............................................................... 98
Tableau 22:Test ADF sur la srie D(LMAS) ........................................................................... 99
Tableau 23: Estimation modle AR(1)................................................................................... 100
Tableau 24:Estimation modle MA(1) ................................................................................... 100
Tableau 25:Estimation modle ARMA (1 ,1) ..................................................................... 100
Tableau 26 :coefficients mensuels de la srie MASI ............................................................. 102
Tableau 27 : Test ADF srie LDEX, modle 3 ...................................................................... 102
Tableau 28:Test ADF modle 2 sur la srie LDEX ............................................................... 103
Tableau 29:Test ADF modle 1 sur la srie LDEX ............................................................... 103
Tableau 30:Test PP modle 3 sur la srie LDEX ................................................................... 104
Tableau 31:Test PP modle 2 sur la srie LDEX ................................................................... 105

12

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Tableau 32:Test PP modle 1 sur la srie LDEX ................................................................... 105
Tableau 33 : Test KPSS modle 3 sur la srie LDEX ............................................................ 106
Tableau 34 : Test ADF modle 1 sur la srie DLDEX .......................................................... 106
Tableau 35: Test PP modle 1 sur la srie DLDEX ............................................................... 107
Tableau 36: Test KPSS modle 2 sur la srie DLDEX .......................................................... 108
Tableau 37: Modle AR(1) srie DLDEX ............................................................................. 108
Tableau 38: modle MA(1) srie DLDEX ............................................................................. 109
Tableau 39:Modle ARMA(1,1) srie DLDEX ..................................................................... 109

13

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

PARTIE I : ANALYSE DU MARCHE BOURSIER MAROCAIN

INTRODUCTION PARTIE I

Le march financier ou le march de capitaux ou encore la Bourse des valeurs reprsente le


moteur de l'conomie, puisque c'est le lieu o l'argent va tre utilis pour produire des
richesses. Tel est le principe, mais l'application pratique prsente des modalits videmment
plus complexes, il faut non seulement que le bien, l'offre et la demande existent, mais aussi
que les agents aient envie de procder l'change, or les agents capacit d'pargne (les
mnages) prsentent une profonde aversion pour le risque. Au Maroc cette crainte persiste
mais moins fortement que dans ses dbuts. Ce chapitre me permettra de constater non
seulement lvolution de la Bourse mais aussi du recours ce type de financement plutt que
se tourner vers les banques.
Cette partie est introductive mais a suscite un grand travail de recherche, de rflexion et
surtout danalyse.

14

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

I.

Faits marquants depuis 1929

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

En 1929 : La cration de la Bourse de Casablanca, elle portait le nom


dOffice de Compensation des Valeurs Mobilires.
En 1948 : lOffice de Compensation des Valeurs Mobilires devint Office de
Cotation des Valeurs Mobilires.
En 1967 : une rforme a t mise en place dotant le march financier
marocain dune Bourse juridiquement et techniquement organise car un
moment ceci entravait son attractivit par les pargnants dsirant y investir.
En 1986 : le Maroc a entam un Programme dAjustement Structurel qui
sest achev dix ans plus tard. Ce programme a permis au Royaume de
consolider ses quilibres fondamentaux et de matriser le problme de sa dette
et de son inflation. *
En 1993 : , une rforme majeure du march boursier a t engage pour
complter et renforcer les acquis avec la promulgation de trois textes
fondateurs: dahir portant loi n1-93-211 relatif la Bourse des Valeurs ; le
dahir portant loi n1-93-213 relatif aux Organismes de Placement Collectif en
Valeurs Mobilires. Lobjectif de cette rforme tait de moderniser, de
manire substantielle, le march travers :

la cration du Conseil Dontologique des Valeurs Mobilires

qui a pour mission de veiller la protection de lpargne ;

15

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

investir en valeurs mobilire

lagrment

des

socits

de

bourse,

intermdiaires

spcialiss,

qui sont les seules habilites excuter les transactions sur les valeurs
mobilires cotes

Mobilires,

la cration des Organismes de Placement Collectif en Valeurs


intermdiaires

financiers

ayant

pour

objet

la gestion

de

portefeuille de valeurs mobilires sur la base du principe de la rpartition des


risques

la cration de la Socit de Bourse des Valeurs de Casablanca

SBVC , socit prive gestionnaire de la Bourse des Valeurs, dont le


capital est dtenu parts gales par les socits de bourse agres.
En 1993 : Pour accrotre lefficience du march, lobligation de la publication des
tats comptables et financiers des socits cotes est entre en vigueur. Le refus de
certaines socits de se conformer ces nouvelles dispositions a engendr la radiation
de 10 socits de la cote
En janvier 1997 : *Lorganisation du march boursier sest amliore avec la
promulgation de la loi n34-96 modifant et compltant le dahir portant loi n1-93-211
relatif la Bourse des Valeurs et la mise en place en octobre 1998 du dpositaire
central, Maroclear1, institu par la promulgation de la loi n35-96
*le dmarrage du Systme de Cotation Electronique, en mars de la mme anne
En novembre 1998 : Le remplacement du March Officiel et du March des Cessions
Directes par le March Central et le March de Blocs
En 2000 : La Socit de la Bourse des Valeurs de Casablanca SBVC a chang de
dnomination pour devenir Bourse de Casablanca, Socit Anonyme

Directoire et

Conseil de Surveillance

En janvier 2001 : La dlocalisation de la ngociation lectronique dans les locaux des


socits de bourse.
1

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
En mai 2001 : la rduction du dlai de dnouement thorique des oprations de J+5
J+3.
En janvier 2002 : Le lancement des nouveaux indices Masi et Madex, les indices
sectoriels,

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
- la loi 46-06 relative lobligation de dpt dune offre publique de retrait en cas de
radiation ;
En juin 2007 : la promulgation de larrt du Ministre de lEconomie et des Finances
n 1137-07 ayant modifi larticle 3.7.8 du Rglement Gnral de la Bourse des
Valeurs
En mars 2008 : la mise en place de la version 900 du nouveau systme de cotation,
En aot 2008 : la publication de l'arrt du Ministre de l'Economie et des Finances n
1268-08 ayant approuv le Rglement Gnral de la Bourse des Valeurs
En dcembre 2008 : cration d'un comit de suivi de la Bourse de Casablanca
manant du Conseil de Surveillance pour la refonte des statuts de l'entreprise et le
passage d'un modle de gouvernance duale avec Directoire et Conseil de Surveillance
vers un modle avec conseil d'Administration et Direction Gnrale
En avril 2009 : passage effectif de la Bourse de Casablanca au mode gouvernance
avec Conseil d'Administration et Direction Gnrale
En octobre 2010, la Bourse de Casablanca adhre la World Federation of
Exchanges3 et devient ainsi, son 52me membre, la 4me bourse arabe et la 4me
bourse africaine en faire partie
En janvier 2011, la Bourse de Casablanca met en place, en partenariat avec FTSE
Group, une nouvelle srie dindices qui se compose de deux indices : le FTSE CSE4
Morocco 15 Index et FTSE CSE Morocco All-Liquid Index5
En avril 2011, la Bourse de Casablanca participe la cration de lAssociation des
Bourses Francophone dAfrique (ABFA) avec pour objectif principal de favoriser une
meilleure intgration des marchs boursiers de lAfrique francophone. La prsidence
de l'association a t confie M. Karim Hajji.

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
En juillet 2011 : La Bourse de Casablanca met en place une offre financire au profit
des PME6 pour les inciter sinscrire la cote. Cette offre, valable du 1er juillet au 31
dcembre 2012, consiste octroyer un chque de 500 000 MAD aux entreprises qui
remplissent des critres dfinies. Ce mme mois, la Bourse de Casablanca est certifie
ISO 9001- Version 2008 pour une priode allant de 2011 2014,
En octobre 2011 : La publication dans le Bulletin officiel n 5984 du 06 octobre 2011
de lamendement du Dahir portant loi n1-93-211 relatif la Bourse des Valeurs. Cet
amendement a vis lactionnariat de la socit gestionnaire de la Bourse des Valeurs
de Casablanca. Ainsi, Ses statuts doivent mentionner les dnominations des socits
actionnaires et le pourcentage du capital social dtenu par chacune delles qui ne doit
pas excder un seuil fix par arrt du ministre charg des finances. Tout changement
dans lactionnariat de la socit gestionnaire, est soumis lapprobation pralable du
ministre charg des finances et que ses actions ne sont souscrites ou rachetes qu un
prix fix par le CDVM.
En janvier 2012 : Introduction de la socit Afric Industrie SA (AFI) en bourse,
En avril 2012 : Entre en vigueur du circulaire CDVM, labor en janvier de la mme
anne et appliqu depuis le 1er Avril 2012.

Petite et moyenne entreprises

19

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

II.

FONCTIONNEMENT DE LA BOURSE DE CASABLANCA

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

La Bourse de Casablanca dispose de deux types de marchs :


Le March Central rserv aux transactions courantes o les actions sont achetes et
vendues en fonction des ordres dachat et de vente mis par les dtenteurs dactions.
Il joue un rle pilote dans la bourse, il est centralis et gouvern par les ordres. Pour y tre
ngocis, les ordres de bourse sont concentres dans des feuilles de march et en appliquant
des rgles de march prcises, les prix seront fixs et les transactions ralises.les prix qui en
dcoulent serviront de rfrence pour le march.
La figure 2 traduit ce recul de liquidit dans le march central en comparant les premires 6
semaines de chaque annes depuis 2006 avec 230millions dirhams arrivant 2012 avec
environ 90 millions dirhams.

20

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Figure 2:Evolution du volume quotidien de la Bourse

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.

2. LES MARCHES DE COTATION


La Bourse de Casablanca dispose de :
Trois marchs actions : le March Principal, le March Dveloppement et le March
Croissance. Chacun de ces marchs accueille des entreprises qui rpondent des critres
dfinis. Ainsi, le March Principal regroupe des entreprises de grande taille ; le March
Dveloppement est rserv aux entreprises de taille moyenne mais qui prsentent des
perspectives dvolution attractives et le March Croissance cible les entreprises en forte
croissance avec des projets financer.
La figure 2 montre que 59% des entreprises appartiennent au march principal, 23% au
march de croissance et 18% pour le march de dveloppement :

21

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Figure 3:Rpartition des socits cotes selon compartiment

MARCHE PRINCIPAL

23%

MARCHE CROISSANCE
18%

59%
MARCHE
DEVELOPPEMENT

Source (moi-mme, 2012)

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 :

3.1 LES ACTIONS


Une action est une fraction du capital dune entreprise. Acheter les actions dune entreprise
cote signifie en devenir actionnaire hauteur du nombre dactions acquis. Ce titre de
proprit nest pas un document papier mais une inscription en compte au nom de son
propritaire auprs du dpositaire affili MAROCLEAR.
Linvestisseur peut dtenir des actions selon deux modes :
o Les actions au porteur : le nom des dtenteurs de ce type dactions est connu
de lintermdiaire financier mais pas de la socit mettrice. Ce sont les
actions les plus en usage la Bourse de Casablanca.
o Les actions nominatives : le nom du dtenteur des actions nominatives est
galement connu de la socit mettrice et consign dans un registre
spcifique.

3.2 LES OBLIGATIONS


Ce sont des titres de crances mises par des entreprises, qui ne sont pas ncessairement
cotes, mais qui souhaitent lever des fonds auprs du public la Bourse. Acheter une
22

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
obligation revient prter lentreprise une somme dargent et se faire rembourser selon des
modalits prcises fixes lavance dans une note dinformation vise par le CDVM.

4. LES INTERVENANTS DANS LA BOURSE DE CASABLANCA


Ce schma rsume la relation existante entre ces diffrentes composantes :

La Socit de Bourse des Valeurs de Casablanca (SBVC)

Les socits de bourse

Le Conseil Dontologique des Valeurs Mobilires (CDVM)

Le dpositaire central MAROCLEAR

Les Organismes de Placement Collectif en Valeurs Mobilires (OPCVM)

Les socits dinvestissement7

4.1 LES SOCIETES DE BOURSE8 :


Les socits de bourse ont t cres en 1995 par le dahir portant loi n1-93-211 du 21
septembre 1993 et sont agres par le Ministre de l'Economie et des Finances.
Elles dtiennent le monopole du courtage sur le march boursier. Leur activit consiste
excuter les transactions sur les valeurs mobilires, assurer la garde des titres, grer les
portefeuilles de valeurs en vertu dun mandat et animer le march des valeurs mobilires
inscrites la cote.
Par ailleurs, lors des introductions en bourse, les socits de bourse assistent les personnes
morales faisant appel public lpargne dans la prparation des documents dinformation
destins au public, ainsi que dans la collecte des souscriptions.
Les socits de bourse ont pour objet principal l'excution des transactions sur les valeurs
mobilires on distingue :

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Maroc Services Intermdiation,


Safabourse,
Sogebourse,
Somacovam,
Upline Securities.

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

Les organismes de placement collectif en valeurs mobilires OPCVM sont des


instruments dpargne collective. En effet, plusieurs pargnants mettent en commun leurs
investissements dans un portefeuille constitu principalement de valeurs mobilires (actions
et/ou obligations).
Dans cette forme de placement, les pargnants ne sont plus directement dtenteurs de titres de
proprits ou de crances de socits, mais dactions ou de parts dOPCVM investies en
valeurs mobilires.

24

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

4.5 - LES SOCIETES DINVESTISSEMENT A CAPITAL VARIABLE (SICAV) :


Il sagit dune socit anonyme qui a pour objectif la gestion dun portefeuille en valeurs
mobilires. Ses actions sont mises ou rachetes tout moment la demande de lactionnaire.
- Les fonds communs de placement (FCP) :
Il sagit dune coproprit de valeurs mobilires mises et rachetes tout moment.
Il na pas de personnalit morale. Sa gestion est assure par un tablissement de gestion
agissant au nom des porteurs.
Il existe quatre catgories dOPCVM :
o OPCVM Actions: Investis 60 % dans les actions
o OPCVM diversifies : Investis la fois dans les actions et les obligations
o OPCVM obligataires investis 90 % dans les obligations,
o OPCVM montaires destines une rmunration sur le court terme de la
trsorerie des investisseurs institutionnels.

4.6 MINISTERE DE LECONOMIE ET DES FINANCES :


Il reprsente linstance de tutelle de la Bourse de Casablanca, sans pour autant participer dans
sa gestion. Il intervient dans la promulgation des lois relatives au march boursier et il est
reprsent par un commissaire du gouvernement, dans le tour de table de la Bourse.

5. LES INDICES BOURSIERS


Les indices boursiers sont fonds sur la slection de certaines valeurs boursires en fonction
de leur reprsentativit.
Lindice boursier fournit une tendance gnrale de lvolution du march et facilite donc la
comparaison entre les diffrentes places boursires.
Certains indices boursiers sont calculs partir de moyennes arithmtiques simples (somme
des cours divise par le nombre de titres). Lindice pondr est calcul en tenant compte du
poids relatif dans la capitalisation boursire totale de chaque lment le composant.
Afin de se doter d'instruments de mesures performants et dans le souci de fournir des outils de
rfrences adapts une approche dynamique de la gestion collective, la Bourse de
Casablanca a lanc, depuis le premier janvier 2002 une gamme homogne d'indices de
capitalisation : conformes aux standards internationaux :

25

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

5.1 LINDICE GENERAL BOURSIER IGB

Le premier indice cr par la BVC s'appelait "l'indice gnral boursier" (IGB). Il a t cr en


1986. Il tait l'indice officiel. Il mesurait l'volution de la capitalisation boursire de tous les
titres cots par rapport une date de rfrence fixe au 31 dcembre 1979 et a pour base 100
en cette mme date. Il permet de suivre tous les jours de bourse, l'volution de la valeur
globale de ces titres par rapport la base retenue. LIGB un instant t est obtenu par la
formule suivante :
quation 1 : Formule de calcul de lindice IGB

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.

Capt est la capitalisation un instant t et Cbat la capitalisation de base ajuste un instant t

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

Il compte ce jour (2/4/2012) 79 titres

26

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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.

5.4 CFG 25 INDEX :


L'indice CFG25 a t cr dans le but de doter la place boursire marocaine d'un indicateur
reprsentatif des tendances du march et refltant la structure des diffrents secteurs de la cote
boursire. L'indice CFG25 est tabli sur la base des 25 valeurs les plus actives du march, en
termes

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.

5.5 AUTRES INDICES


Upline Securities Index 10 :
Upline Securities (socit de Bourse) a mis en place un indice selon le critre liquidit :
USI 10. Ce dernier suit lvolution de 10 valeurs qui reprsentent 80% des transactions sur le
march central.
Il est signaler que laspect liquidit ne dpend pas uniquement de la capitalisation des
socits mais du nombre des titres disponibles sur le march.

12

Il compte ce jour (2/4/2012) 56 titres

27

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Les indices de rentabilit

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.

La mise jour de la composition de l'chantillon de chaque secteur s'effectue chaque anne,


afin de tenir compte de l'volution des conditions conomiques et de la croissance de certains
secteurs. Des indices sous sectoriels pourront galement tre calculs, en fonction de
l'importance

de

leur

reprsentativit

au

niveau

de

la

cote.

Ils sont au nombre de 21 compter du 03/2012. (ANNEXE 1)


De manire pouvoir produire des instruments de rfrence adapts aux besoins des
investisseurs trangers, la Bourse de Casablanca procde galement au calcul des indices en
dollar et en euro. A l'instar des autres indices sous-jacents, ces indices sont galement diffuss
une fois par jour, la clture de la sance Bourse.

28

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

III.

EVOLUTION DES AGREGATS BOURSIERS

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.

1.1 LE PRINCIPE DU FLOTTANT


A compter du 1er dcembre 2004 la Bourse de Casablanca a adopt une nouvelle
mthodologie de calcul de ses diffrents indices, base sur le principe du flottant. Ce mode de
calcul, retenu par les principales bourses internationales, vise apporter une plus grande
cohrence entre la ralit boursire des socits cotes et la traduction de cette ralit dans les
indices. Cest un changement de pondration des valeurs dans lindice qui doit aboutir une
meilleure adquation entre le poids du titre dans lindice et son " poids " dans le march.
Le flottant est la part du capital dune socit susceptible de faire lobjet de transactions sur le
march ou part de titres dtenus par le public. La mthodologie applique aux indices de la
Bourse de Casablanca conduira donc valuer les pondrations des titres composant chaque
indice sur la base de cette fraction dtenue par le public et non plus sur la base du capital total
comme ctait le cas auparavant.
La dfinition du flottant
La dfinition du flottant retenue pour le calcul des indices prend en compte la totalit des
actions des socits cotes lexception des lments suivants :
LAutocontrle
Ce sont les actions de la socit cote dtenues par des socits contrles par la socit cote,
les actions dtenues en propre par la socit cote ne font pas partie de cette catgorie
dactions. A noter quil sagit de lautocontrle au sens strict du terme et pas des actions
dtenues temporairement par lentreprise suite des rachats dactions.

29

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Les participations dtenues par lEtat : Il sagit des participations directes mais aussi des
participations via des tablissements publics et des participations dtenues par des socits
elles-mmes contrles par lEtat.
Les actions dtenues par les fondateurs : Il sagit des actions dtenues directement ou
indirectement par les fondateurs, lesdits fondateurs exerant une influence sur la gestion ou le
contrle de la socit (dirigeants, contrle en droit de vote, influence notoire.).
Les blocs de contrle : Actions dtenues par des personnes morales (hors fondateurs et
lEtat) qui exercent un contrle.
Les actions lies par un pacte dactionnaires Actions dtenues par des personnes (hors
fondateurs et lEtat) agissant de concert
Les participations juges comme stables : Il sagit de participations dau moins 5%, stables
depuis au moins 3 ans : qui nont pas volus de manire significative la baisse (-1% hors
dilution) depuis 3 ans. Sont incluses les participations, de moindre importance, dactionnaires
qui, paralllement ou conjointement au lien capitalistique, ont, avec la socit cote, des
accords industriels ou stratgiques sur une priode plus rcente.
Les facteurs de plafonnement sont rviss annuellement et publis au bulletin de la cote le
premier jour de bourse aprs le 15 juillet sur la base des informations de clture de la dernire
sance prcdant le 16 juillet et prennent effet le premier jour de bourse de septembre.
Des rvisions exceptionnelles des facteurs de plafonnement peuvent avoir lieu pour les
valeurs dont la pondration dans lindice viendrait tre modifie significativement suite
des oprations exceptionnelles. Ses ajustements sont publis au bulletin de la cote 5 jours de
bourse avant leur prise deffet.
METHODE DE CALCUL
La nouvelle formule de calcul des indices scrit comme suit:
quation 2 : Formule de calcul dun indice flottant

13

13

t : instant de calcul

30

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

La mise en application du flottant et le principe du facteur de plafonnement


Le flottant sera calcul une fois par an sur la base des informations collectes auprs des
metteurs. Dautres sources dinformation publiques pourront galement tre sollicites. Il
peut sagir dinformations contenues dans les dclarations de franchissement des seuils ou
dans les documents dinformation loccasion des oprations financires (Appel public
lpargne, programme de rachat etc.). Le flottant ainsi obtenu est arrondi la borne suprieure
par palier de 5%.
Une rvision annuelle des flottants est effectue le dernier jour de bourse prcdant le 16
juillet et prend effet le premier jour de bourse du mois de septembre. Les rsultats sont
publis au bulletin de la cote.
Des rvisions exceptionnelles peuvent avoir lieu si un vnement sur les titres (augmentation
de capital, offre publique etc.) viendrait impacter le flottant dau moins 5%. Ces rvisions
exceptionnelles sont publies au bulletin de la cote et prennent effet 5 jours de bourse aprs
ladite publication.
La pondration maximum dune socit dans le MASI et dans le MADEX est plafonne
20% de la capitalisation flottante de lindice. Lapplication de ce facteur de plafonnement
permet dviter la surpondration dune valeur et assurer une bonne reprsentativit de
lchantillon.

1.2 EVOLUTION ET REPARTITION :


Evolution de la capitalisation boursire :
La capitalisation boursire a fait un grand pas entre 2003 et 2007 o elle a connu une hausse
de 80% passant respectivement de 115 MDH 586 MDH, depuis son volution les
fluctuations sont de lordre de 10%, en janvier 2012 elle dbute 523 MDH.
La figure permet de constater ces changements depuis 1991 :
N : nombre des valeurs de lchantillon
fit : facteur flottant
Fit : facteur de plafonnement
Qit : nombre de titres total de la valeur i en t
Cit : cours de la valeur i en t
Bo : capitalisation de base au 31/12/1991
Kt : coefficient dajustement en t de la capitalisation de base
Le nombre de titres Qit qui reprsente le nombre de titres total de la valeur i en t dans les indices calculs sur la base de la capitalisation
totale devient Qit.fit.Fit dans les indices bass sur le flottant.

31

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Figure 4: Evolution de la capitalisation boursire

Evolution de la capitalisation boursire annuelle


700
600
500
400
300
200
100
0

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%

DOUJA PROM ADDOHA

8%
28%

13%

9%

BCP
BMCE BANK
LAFARGE CIMENTS

13%
72%

11%
12%

11%

HOLCIM ( Maroc )
WAFA ASSURANCE
CIMENTS DU MAROC
MANAGEM

Source (moi-mme, 2012)

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Dans cette figure on constate une certaine volatilit maintenue des volumes changs surtout
entre 2007 et 2008 o on a enregistr le plus grand volume 140 milliard de dirhams changs.
Sagissant de lactivit sur le march boursier, le volume global de transactions, qui a port
pour lessentiel sur les actions, a presque doubl au dernier trimestre 2011 pour atteindre 26,5
milliards de dirhams, en liaison principalement avec laccroissement du volume relatif aux
oprations de revalorisation de portefeuille enregistres en fin danne. Cette volution a t
suivie dun ajustement la baisse en janvier et en fvrier 2012, le volume des transactions
stant tabli 8,3 milliards de dirhams.
Figure 6:Evolution du volume transaction

Volume de Transaction mensuel


en millions de dirhams

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
-

Source (moi-mme, 2012)

Rpartition par march


Figure 7:Rpartition du volume de transaction par march

volume transaction par march


400 000,00
300 000,00
200 000,00
100 000,00
2003

2004

2005

2006

March Central (millions dh)

2007

2008

2009

2010

2011

March des Blocs (millions dh)


Source (moi-mme, 2012)

33

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

volume transaction sur le march central par catgorie 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

Pers Morale Marocaine

OPCVM

Personne Morale Etrangre

Personne Physique Etrangre

Personne Physique Marocaine

Rseau bancaire

Source (moi-mme, 2012)

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.

2.2 EVOLUTION DE LA LIQUIDITE :


Le ratio de liquidit est lun des indicateurs de la bonne sant dun march financier, il est
calcul en divisant le volume de transaction sur el march central des actions sur la
capitalisation boursire.
La liquidit d'un march financier reprsente la capacit acheter ou vendre rapidement les
actifs qui y sont cots sans que cela ait d'effet majeur sur les prix. Plus un march est liquide,

14

Les donnes concernant 2012 rapportent celle du premier trimestre.

34

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
plus il est ais, rapide et peu coteux d'y raliser des transactions. Une bourse de valeurs
liquide est une bourse de bonne qualit.
Lvolution de la liquidit du march boursier marocain est globalement en amlioration et
cest d lamlioration continue des facteurs fondamentaux savoir :
Le nombre dintervenants.
La diversit des anticipations.
Le degr daversion au risque des investisseurs.
La vulgarisation du march boursier.
Le flottant des socits cotes.
La diversification de loffre (sectorielle, taille des entreprises, degr maturit).
Figure 9:Ratio de liquidit du march des actions
900 000,00
800 000,00
700 000,00
600 000,00
500 000,00
400 000,00
300 000,00
200 000,00
100 000,00
-

2003

2004

2005

2006

2007

VOLUME TRANSACTION (MC-actions)

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

Source (moi-mme, 2012)

35

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Cependant daprs le graphique ci-dessus on remarque un recul entre 2007 et 2009, d aux
crises survenues (subprimes) qui ont obliges un grand nombre dtrangers europens
dsinvestir.

3. EVOLUTION DU FINANCEMENT DIRECT PAR LE MARCHE


Le financement par les marchs, alternative au financement bancaire, est encore peu
dvelopp au Maroc, mais son volution rgulire est encourageante, le principal metteur est
le Trsor.
Le financement par augmentation de capital est lindicateur cl au recours aux marchs
financiers pour se financer :
Figure 10:Evolution du financement par le march des capitaux

financement par Augmentation de capital


20,00
15,00
10,00
5,00
2011

2010

2009

2008

2007

2006

2005

2004

2003

Source (moi-mme, 2012)

On voit bien quil est en continuelle augmentation ce qui traduit lvolution de lattractivit
du march des capitaux.

4. CONTRIBUTION DANS LECONOMIE MAROCAINE


4.1 EVOLUTION DU NOMBRE DE SOCIETES COTEES :
Lattractivit du march boursier est bien soutenue mais connait depuis 2007 progression trs
lente allant de 73 entreprises la mme anne 79 en 2012.

36

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Figure 11:Introductions en bourse

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)

Figure 12:nombre de socits cotes en Bourse

Maroc
55

53

52

56

2002

2003

2004

2005

65

74

77

78

73

75

79

2006

2007

2008

2009

2010

2011

2012

Source (moi-mme, 2012)

4.2 APPEL PUBLIC A LEPARGNE


La contribution de la Bourse de Casablanca au financement de linvestissement sest
amliore progressivement ces dernires annes, chose observe par les fonds levs travers
lappel public lpargne et on a remarqu aussi forte prpondrance des leves de fonds
effectues par les banques et le secteur de limmobilier, parmi les rsultats attendus du
dveloppement du march boursier au Maroc et qui devraient stimuler son expansion, figurent
les possibilits quil doit offrir aux entreprises pour lever de nouveaux fonds et dvelopper par
consquent son activit :
Aprs une chute en 2005 on voit une vraie reprise maintenue jusqu lapoge ralise en
2010 avec 10455 millions de dirhams dappel doffre, suivi dune autre chute en 2011.

37

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Figure 13:Appel d'offre public

Appel public l'pargne(millions DH)


10 759,80

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

Source (moi-mme, 2012)

4.3 RECETTES FISCALES VERSES A LETAT :


Dans la structure des rentres dimpt et une grande part du dynamisme de recettes fiscales
tient celui de lIS. Lan dernier, ses recettes avaient enregistr une hausse de 14,5%, soit
trois fois plus que la croissance du PIB.
Entre Mars 2011 et Mars 2012, lIS a connu au Maroc une augmentation de 4.1%, sachant
que plus de 70% du chiffre ralis provient des socits cotes en Bourse.
En 2010 les recettes de lIS verses par les 74 socits cotes la Bourse se sont leves
10,4 milliards de dirhams, soit une hausse de 2,4% aprs 2,6% en 2009 et 1,8% en 2008. En
consquence, la part des socits cotes dans les recettes totales de lIS est passe 29,6% en
2010 contre 24% en 2009 et 21,4% en 2008.
Lanalyse de la rpartition sectorielle des recettes verses par les socits cotes en 2010
montre que 69% proviennent du secteur des tlcommunications (reprsent par Maroc
Telecom avec une part de 35,1%), du secteur bancaire (reprsent par Attijari Wafa, BCP,
BMCI et BMCE avec 26,4%), du btiment et matriaux de construction (reprsent par
Lafarj-Ciment et Ciment du Maroc avec 7,5%).
Les banques cotes ont gnr 2,5 milliards de dirhams de recettes fiscales, reprsentant
25,2% des recettes totales verses par les socits cotes.

38

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

IV.

ENVIRONNEMENT REGIONAL ET INTERNATIONAL


1. AU NIVEAU REGIONAL
1.1 CONTEXTE GENERAL

Le Maroc fait partie de la rgion MENA15, depuis 2011 cette rgion est confront un
ensemble de dfis :

Baisse de la croissance

Difficults de transition politique (printemps Arabe)

Dgradation de la situation financire et budgtaire

Pressions inflationniste

la flambe des cours de ptrole

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.

1.2 ENVIRONNEMENT BOURSIER


Figure 14: Evolution de la capitalisation boursire

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

Moyen orient nord Afrique

39

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
2011 et continuer baisser cause du printemps Arabe qui a dstabilis son conomie
nationale, sauf le Maroc et la Tunisie qui ont maintenue leurs niveau malgr le climat
turbulent qui rgne sur la rgion.
Figure 15:Evolution du nombre de socits cotes

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

Marocains rsidents ltranger

40

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Sans oublier les rapprochements continus traves des plan daction tel que la PEV : la
politique europenne de voisinage qui vise un accompagnement financier.

2.2 CONTEXTE BOURSIER


Figure 16:Evolution de la capitalisation pays dEurope

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.

Figure 17:Evolution du nombre de socits cotes

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Cette partie a pass en revue les dfinitions et les concepts fondamentaux du monde de la
Bourse, jai ainsi prsent les proprits de la Bourse des valeurs marocaines qui est en pleine
expansion qui avance doucement mais srement malgr le nombre limit de participants.
Jai galement introduit les indices boursiers les plus importants en me focalisant sur leur
mthode de calcul, jai aussi analyse le march financier marocain travers les agrgats les
plus reprsentatif de son volution.
Pour conclure on peut dire qu cause de la faiblesse des investissements trangers la
Bourse de Casablanca, le Maroc na pas t vritablement affect par la crise, si lon met de
ct limpact sur lconomie relle qui, lui, est rel. Il est significatif dailleurs de noter que la
part du flottant dtenu par les trangers et les MRE la Bourse de Casablanca ne dpassent
pas 3% de la capitalisation en 2011 dans la mesure o le march de la Bourse et de la dette
existe, en principe pour apporter des financements aux entreprises qui en ont besoin.
Pour encourager lpargne et dynamiser les oprations de bourse, la loi de finances 2011 a
introduit lexonration totale des revenus et profits des capitaux mobiliers raliss dans le
cadre dun PEA alors que les dividendes et les plus values sur cession dactions ont t taxs
respectivement 10% et 15%. Nanmoins, pour bnficier de ces exonrations, la loi de
finances propose comme condition que les versements et produits capitaliss affrents au PEA
doivent tre conservs pendant au moins une priode de 5 ans partir de la date d'ouverture
du dit plan et que le montant des versements effectus par le contribuable dans le PEA ne
dpasse pas 600.000 dirhams.

42

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

PARTIE II : LA METHODE BOX-JENKINS POUR LA


PREVISION DUNE SERIE CHRONOLOGIQUE

INTRODUCTION PARTIE II

La dmarche conomtrique consiste reprsenter laide dquations le comportement dun


phnomne observ et estimer les coefficients des quations en recourant lhistorique du
phnomne et ceci dans le but de le comprendre, de lexpliquer, de le reproduire et de le
prvoir.
Lapproche de George BOX et Gwilym JENKINS deux statisticiens (1970), consiste en une
mthodologie dtude systmatique des

sries chronologiques partir de leurs

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Les observations peuvent correspondre des niveaux : sries enregistres instantanment


(prix, stocks, indice), ou des flux : sries cumules sur un intervalle de temps (revenu,
consommation). Lorsquon analyse une srie de flux, il est important de tenir compte de
lintervalle de temps considr.
Lanalyse dune chronique a deux objectifs :
1- la modlisation (dvelopper des modles permettant de dcrire le comportement de la
srie, mettre au point une mthodologie pour spcifier, estimer, valider (juger) un
modle appropri pour des donnes particulires)
2- la prvision (valuer une valeur non observe, XT+h)

1.2 DECOMPOSITION DUNE SERIE CHRONOLOGIQUE


Pour ltude de sries temporelles conomique la dcomposition analytique est :

Chronique = tendance + variations priodiques (saisonnalit) + variations


rsiduelles alatoires (+ cycle conomique ventuel).
Xt = ft + St + t
Le cas particulier tant celui des tendances boursires, tudies dans le cadre de l'analyse
technique et sur lesquelles se greffent des mouvements statistiquement imprvisibles.

44

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
La tendance
La tendance (trend) traduit lvolution moyen terme du phnomne. On parle aussi de
mouvement conjoncturel ou mouvement extra-saisonnier. La srie correspondante, note ft,
(t =1T), est une fonction variation lente. Elle est le plus souvent estime sous forme
paramtrique (polynme, exponentielle,...) ou comme le rsultat dune opration de lissage17.
La saisonnalit,
La composante saisonnire ou mouvement saisonnier reprsente des effets priodiques de
priode connue p qui se reproduisent de faon plus ou moins identique dune priode sur
lautre. La chronique correspondante est note St, (t = 1..T). Elle est gnralement suppose
rigoureusement priodique : St+p = St, et les valeurs Sj = (Sij), j = 1p dune priode sont
appeles coefficients saisonnier .
Le bilan de leffet saisonnier sur une priode doit tre nul car il est pris en compte dans la
tendance. La composante saisonnire permet simplement de distinguer lintrieur dune
mme priode une rpartition stable dans le temps deffets positifs ou ngatifs qui se
compensent sur lensemble de la priode.
La composante rsiduelle
La composante rsiduelle ou variations accidentelles est la partie non structure du
phnomne. Elle est modlise par une suite de variables alatoires

(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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
march et les fondamentaux conomiques qui justifient rationnellement la valorisation de
l'actif considr.
Pastre (2002)18 trouve cette dfinition rationnelle seulement en apparence et surtout
uniquement en statique. Son argument est que la volatilit n'a de sens et d'impact sur les
mcanismes conomiques qu'en dynamique. Selon Daly (1999)19, la volatilit peut tre
dfinie comme la variabilit de la variable sous considration. Plus la variable fluctue durant
une priode, plus elle est cense tre volatile. En effet, cette notion est associe l'imprvu,
l'incertain et le risque, communment exprime par un cart-type de la variation de la valeur
d'un actif pour une priode donne (gnralement un an). La volatilit peut donc aussi tre
perue comme le risque accept par l'investisseur lorsqu'il est expos cette variable ou cet
actif.
Toutefois, la volatilit reprsente bien plus que l'cart-type du prix d'un actif dans le temps.
C'est aussi une donne essentielle l'valuation des options et autres produits drivs. Ainsi,
les mesures de volatilit historiques et futures ont un impact sur les valuations et rendements
d'un trs large ventail de vhicules financiers, allant des taux d'intrt aux contrats terme
sur actions. Ces mesures sont aussi considres comme un baromtre de l'humeur des
investisseurs : un haut niveau de volatilit signale habituellement une grande nervosit, alors
qu'un faible niveau indique gnralement une tendance la prise de risque. De ce fait
lanalyse de ce paramtre permettra de mieux comprendre le march financier marocain
exprim par les deux indices boursiers MASI et MADEX dont on tudiera justement la
volatilit.
On peut distinguer entre deux types de volatilit :
La Volatilit Historique
Elle mesure les variations, les fluctuations erratiques dune action ou dune matire premire
telles quelles lont t dans le pass.
La volatilit historique est calcule partir des cours passs. Ainsi, pour estimer
empiriquement la volatilit du prix d'une action, nous devons observer le prix de l'action en
question dans des intervalles de temps fixe (exemple: chaque jour, chaque semaine ou chaque
mois).
18

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
La Volatilit Implicite,
Elle mesure les variations, les fluctuations erratiques dune action ou dune matire premire
telles quelles sont anticipes tre dans le futur. La volatilit future dun sous-jacent est
inconnue et doit tre estime. Elle est calcule partir du prix des options existant sur le sousjacent tudi (action, indice, etc.), on attribue parfois la volatilit implicite le rle
prdicateur puisque que la valeur du jour de la volatilit implicite annonce celle de la
volatilit historique venir.
Les investisseurs peuvent comparer la volatilit implicite la volatilit historique et faire
leur propre opinion sur la volatilit future du sous-jacent. La volatilit joue un rle crucial, et
cest llment le plus insaisissable, confus et difficile apprhender par tous les participants
de march. Le calcul de la volatilit est un problme difficile pour l'application mathmatique.
Il convient aussi de dfinir dautres types de volatilit et de variances :
La volatilit stochastique
La volatilit stochastique est utilise dans le cadre de la finance quantitative, pour valuer
des produits drivs, tels que des options. Le nom provient du fait que le modle traite la
volatilit du sous-jacent20 comme un processus alatoire, fonction de variable d'tats telles
que le prix du sous-jacent, la tendance qu' la volatilit, moyen terme, faire revenir le prix
vers une valeur moyenne, la variance du processus de la volatilit, etc.
Les modles de volatilit stochastiques prsentent l'une des approches pour rsoudre l'une des
lacunes du modle Black-Scholes21, qui ne prend pas en compte le fait que la volatilit sousjacente peut ne pas tre constante, pendant le temps de vie du produit driv, et que celui-ci
est affect par le changement de valeur du sous-jacent.
Cependant, ces modles ne peuvent expliquer certaines caractristiques bien connues de la
volatilit implicite, telles que le smile22 de volatilit, ou le biais de volatilit, qui indique que
la volatilit implicite a tendance varier en accord avec le prix d'exercice et la date
d'expiration du driv.
En supposant que la volatilit du prix du sous-jacent est un processus stochastique, plutt
qu'une constante, il devient possible de modliser les produits drivs avec plus de prcision.

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

2.2 CARACTERISTIQUES DE LA VOLATILITE :


Les sries financires sont caractrises par des priodes d'agitation suivies de priodes de
"relative" accalmie , lorsquun march est trs volatile, cela signifie quil est instable et il est
donc plus difficile de voir avec exactitude sil a atteint son maximum (et donc sil est possible
de lancer une opration de vente) ou bien son minimum (il est donc possible de lancer une
opration dachat). Do la ncessit de modliser la volatilit afin de prvoir ces
changements et prendre la bonne dcision au bon moment. Un point sur lequel les
conomistes se sont penchs et ont tablit cet effet un certain nombre de modles de types
conomtriques.
De ce fait, il convient de faire le point sur un ensemble de caractristiques que comporte la
volatilit pour pouvoir ensuite modliser ce phnomne, dans cette section il sera question
dintroduire quelques dfinitions primordiales avant de passer la technique de modlisation
dans la deuxime partie. La volatilit comporte certaines caractristiques quil est bon de
garder en mmoire:
Persistance
La persistance est la caractristique de la volatilit qui consiste continuer le mouvement
quelle a commenc le jour prcdent. Par exemple, si hier la volatilit tait en hausse, elle le
sera probablement encore aujourdhui, et vice versa. Si hier le march tait trs volatile, il le
sera certainement encore aujourdhui.
Figure 18:diffrence entre volatilit avec et sans persistance

AVEC

SANS

Source monde forex.com

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Regression vers la moyenne
Signifie substantiellement que, aprs avoir ajouter ses points minimum et maximum, la
volatilit tend se normaliser et rejoindre des valeurs dans la moyenne.
Htroscdasticit
En statistique, l'on parle d'htroscdasticit lorsque les variances des variables examines
sont diffrentes. Cette notion provient du grec et est compose du prfixe htro- ( autre ),
et de skedase ( dissipation).
La notion d'htroscdasticit s'oppose celle d'homoscdasticit, qui correspond au cas o la
variance de l'erreur (Var (i)) des variables est constante. Tandis que dans le cas
d'homoscdasticit, nous avons Var (i) = 2 i, nous avons dsormais Var (i) = i2, o i2
peut tre diffrent de j2, pour i j.
Phnomne de Clustering
Cest le phnomne connu sous le nom de regroupement de la volatilit , observ par
ManDelbrot (1963) quil rsume par une remarque clbre Large changes tend to be
followed by large changes_ of either sign_ and small changes tend to be followed by small
changes .
En effet, ce phnomne est troitement li la leptokurticit des distributions ce qui justifie le
recours aux modles rgressifs de la classe ARCH que je vais traiter ultrieurement.

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.

3.1 LES LIGNES DE TENDANCES


Les lignes de tendances sont considres la loi de base de toute analyse technique, elles
permettent de dceler le comportement dun titre et son volution.
Reprsentes dans la figure 6, on peut distinguer :
La ligne A : indique une tendance haussire, appele rsistance , elle est significative ds
quelle rejoint des sommets dau moins trois points, si les cours dpassent cette ligne cela
signifie quun changement significatif existe.

49

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
La ligne B : indique une tendance baissire, appele Support , elle bloque la chute des
cours si jamais elle est perc cest le signe dune dpression gnrale du march qui ont fait
un crash.
La ligne C : Appele, Trading Range , elle est trac en parallle avec les lignes A et B cette
lignes intermdiaires permet dvaluer le comportement des placements court terme de
quelques jours.
Cette mthode est pratique par des professionnels car ncessite une vraie exprience mais
reste essentielle toute analyse technique.
Figure 19:Les lignes de tendances

Source abcbourse.com

3.2 LES MOYENNES MOBILES


La moyenne mobile est un indicateur qui permet de lisser une srie chronologique (cours
boursiers) afin d'liminer les fluctuations les moins significatives. Elle donne la valeur
moyenne des cours sur une priode donne. On dit moyenne mobile d'ordre 1, d'ordre 2,
d'ordre 3, etc23.
Cette moyenne peut tre simple ou pondr dans ce cas on va affecter plus dimportance
certains cours. Ainsi, il existe plusieurs types de moyennes mobiles, les plus rpandu tant :
Moyenne mobile simple (ou arithmtique)
Moyenne mobile exponentielle
Moyenne mobile time series
Moyenne mobile triangulaire
Moyenne mobile variable

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Moyenne mobile ajuste par les volumes
Moyenne mobile pondre
La diffrence entre ces moyennes mobile vient seulement du poids attribu aux donnes sur la
priode.
La courbe de moyenne mobile peut tre utilise de diverses manires :
Figure 20: moyenne mobile

Source trader-workstation.com

Identifier une tendance : Si la moyenne mobile est relativement plate on est en


prsence d'un range, si la moyenne mobile crot ou dcrot il y a une tendance.
Gnrer des signaux : Nous pouvons observer la position relative du cours par
rapport la moyenne mobile. Si le cours est au dessus d'une moyenne mobile
croissante nous sommes en prsence d'une tendance haussire. Si le cours passe
alternativement au dessus et au dessous d'une moyenne mobile relativement plate, la
configuration en range est vidente.
Le calcul des moyennes mobiles :
* Moyenne mobile arithmtique MM
quation 3: calcul moyenne mobile simple

MM= somme des n cltures/ n 24


* Moyenne mobile exponentielle MME
quation 4: calcul moyenne mobile exponentielle

MME = MME [n-1] + (2/(Priode + 1)) * (Cours[n] - MME[n-1])25


24

n tant la priode de calcul de la moyenne mobile

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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.

3.3 AVERAGE TRUE RANGE26


LATR est un indicateur qui permet dapprcier la volatilit, qui mesure lexacte moyenne
entre les plus hauts et les plus bas cours. Il utilise la moyenne mobile arithmtique tandis que
la Volatilit Historique utilise une moyenne mobile exponentielle. De ce fait, Average True
Range est un indicateur moins ractif que lindicateur de volatilit historique. Un Average
True Range lev tmoigne d'une forte volatilit du march et un Average True Range faible
signifie faible volatilit de la valeur.
Pour calculer lATR on calcule dabord le True Range(TR):
TR = TrueHigh TrueLow27
Il donne la volatilit dune valeur entre deux journes savoir entre le dernier cours et le
cours de la veille en ralisant une moyenne de ces True Range on obtient lAverage
(moyenne) True Range :
Ensuite on calcule laide dExcel :
ATR = Moyenne (TR, priode)

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

M(t) = cours (t) cours (t-x)28

(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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Gnralement calcul sur une priode de 12jours.
Les Bollingers
Les bandes de moyennes mobiles de Bollinger 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.
Le Bollinger BandesWidth est un indicateur de volatilit qui mesure lcartement des bandes
de Bollinger en pourcentage de la moyenne mobile de Bollinger :
quation 6: calcul Bollinger Bandes Width

BBW = (Bande haute Bande basse)/MMB29

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Bta
Cet indicateur appel galement spread reprsente lcart des cours pondrs de deux
valeurs, implique dacheter lune des valeurs et de vendre lautre utilis beaucoup plus dans
les options.

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

Bta= (C1(j) * a) (C2(j) * b)

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

4.1 L'ECART TYPE


L'cart type est un outil trs utilis dans les tudes statistiques. Cet indicateur permet de
mesurer la volatilit d'un titre. L'cart type est gnralement utilis pour la construction
d'autres indicateurs (exemple : les bandes de Bollinger31).
Un cart type lev indique que les donnes sont disperses et donc qu'il y a une volatilit
importante. Cela montre gnralement un sentiment d'euphorie ou de crainte sur les marchs.
A l'inverse, un cart type faible tmoigne d'une faible volatilit et d'une bonne anticipation des
investisseurs (pas de surprise). Plus les cours s'loignent de leur moyenne c'est--dire plus la
diffrence entre les cours et la moyenne augmente, plus la volatilit est importante. L'cart
type correspond la racine carre de la variance. La variance est la moyenne des carts la
moyenne, le tout au carr.
L'cart type d'une action est calcul de la manire suivante :
quation 8 : calcul de lcart type dune action

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).

4.2 RENDEMENT ABSOLU


Techniquement la volatilit dun actif est lcart type du rendement considr comme une
variable alatoire, toujours relatif un intervalle de temps sous jacent t (jour, semaines,
annes).
De ce fait la notion du rendement absolue est une mesure de la volatilit qui est trs utilise :
On a les prix journaliers dune priode de 6 jours : pt-1, pt, pt+1, pt+2, pt+3 et pt+4. Les 5
rendements journaliers correspondant sont de yt yt+4 :
Le rendement dune semaine est gal la somme des rendements journaliers :
31

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

: Ecart-type ; N : Nombre d'observations ; xi : rendement de l'action de la t=i ;x : Moyenne mobile simple

55

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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).

4.3 LE MODELE ARCH


Les processus de type ARCH sont utiliss pour tenir compte de lhtroscdasticit (volatilit
variable) et de la leptokurticit33 des rentabilits. Le modle suit le raisonnement suivant :

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Soit Y un taux de rentabilit (ou toute autre variable soumise lhtroscdasticit). Par la
suite, ht sera la variance conditionnelle des erreurs (ht = t2 = Vt-1(t) = Et-1(t2)), c'est--dire
une prvision de la volatilit du choc pour la date t, compte tenu de la connaissance des
phnomnes passs (jusqu la date t-1). Par consquent, un processus ARCH(p) implique un
systme de deux quations:
quation 9 : processus ARCH(q)

= 0 +
Avec 0 >0 et

4.4 LE MODELE GARCH


Le modle ARCH a t introduit par Engle (1982), il prend en considration la variabilit de
la variance des erreurs de rgression. Bollerslev (1986) l'a dvelopp pour proposer le modle
GARCH qui a t trs utilis dans la littrature pour modliser la variabilit de la volatilit
des actifs financiers dans le temps. Bollerslev, Chou et Kroner (1992) ont prsent une large
revue de la littrature utilisant le modle GARCH pour modliser la volatilit des variables
financires tels que le taux de l'inflation, le taux de l'intrt, le taux de change, les produits
drives etc.
Le modle GARCH (p,q) sous sa forme gnrale se prsente comme suit:
quation 10: modle GARCH (p, q)

= 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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

II.

LES TROIS PHASES DE LA METHODE BOX-JENKINS

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 :

Le processus TS (Trend Stationary) scrit :


Xt = ft+t

(o ft est une fonction polynmiale, t lerreur du modle la date t)


Ce modle non stationnaire est dterministe et peut tre stationnaris par la mthode des
moindres carrs ordinaires.

Le processus DS (Differency Stationary) scrit :


Xt = Xt-1 ++t (avec drive)
Xt = Xt-1 +t

(sans drive)

Afin de stationnariser ce type de processus il suffit de passer aux diffrences premires.

1.1 TEST DE DICKEY-FULLER AUGMENTE


Le test DICKEY-FULLER augment dit ADF , ne suppose pas que t suit un bruit blanc, il
permet de savoir si une srie est stationnaire ou non et permet aussi de dterminer la bonne
manire de stationnariser la srie.
Les hypothses du test sont les suivants :
[H0]: processus non stationnaire, il correspond une des formes de non stationnarit
reprsente par les trois modles suivant :
quation 11 : Modle n 1 du test ADF

yt =yt-1 - p k=2 kyt-k+1 + t


Cest un modle sans constante et sans tendance

58

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
quation 12: Modle n 2 du test ADF

yt =yt-1 - p k=2 kyt-k+1 + c+t

Cest le modle sans tendance mais avec constante


quation 13: Modle n 3 du test ADF

yt =yt-1 - p k=2 kyt-k+1 + bt+ c +t


Cest le modle avec constante et tendance, cest celui avec lequel on commence.
O =0, 1=1 (avec yt = 1yt-1 +t)

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

valeur critique tDF de la table du DICKEY FULLER.*


*

Si

|t1| < tDF on accepte H0 la srie est donc non stationnaire.

Si

t > tDF on accepte H1 le coefficient de la variable explicative est

significativement diffrent de 0. On sarrte au modle [3] si le t du trend est >


tDF, et On sarrte au modle [2] si la constante est significativement diffrente
de 0.
NB : pour un chantillon >500 les valeurs critiques sont :
2,78 = 5% pour la tendance du modle [3]
2,52 pour la constante du modle [2]
-1,95 pour le paramtre 1

1.2 TEST DE PHILLIPS-PERRON


Ce test permet de prendre en compte la fois lautocorrlation et lhtroscdasticit des
erreurs. Il sappuie sur les mmes modles que ceux du test DF mais avec une correction nonparamtrique de la statistique

Il se droule en quatre tapes :


1- Estimation par les moindres carrs ordinaires des trois modles de base des tests DF et
calcul des statistiques associes, soit

le rsidu estim.

2- Estimation de la variance dite de court terme

59

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
3- Estimation dun facteur correctif

(appel variance de long terme) tabli partir de

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)

1.3 TEST DE KPSS


KWIATKOWSKI, PHILLIPS, SCHMIDT et SHIN proposent un test fond sur lhypothse
nulle de stationnarit o il faut calculer le multiplicateur de Lagrange (LM) :
LM =

Aprs estimation des modles n2 et n3, on calcule la somme partielle des rsidus (
et on estime la variance de long terme (

comme pour le test de PHILLIPS - PERRON.

Pour faire le test de KPSS, fond sur lhypothse nulle de stationnarit


La rgle de dcision :
Il faut comparer la statistique LM aux diffrentes valeurs critiques des diffrents seuils : 1, 5
et 10%, si LM est suprieure alors lhypothse de stationnarit de la srie est rejeter.

2. ESTIMATION DES PARAMETRES P ET Q DU MODELE ARMA


2.1 LE CORRELOGRAMME
Elle se fait par lanalyse des corrlogrammes simple et partiel, qui dans un premier temps
donne plusieurs ordres possibles.

60

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Lautocorrlation (AC)
Les observations dune srie chronologique ntant pas indpendantes, le corrlogramme
permet de dceler les liens entre elles. Il sagit de la reprsentation graphique de la fonction
dautocorrlation qui traduit la corrlation entre les observations un instant donn, Xt, et les
instants prcdents Xt-k, (o Xt est la srie tudie et k = 0n, un entier naturel, n tant le
nombre total dobservations).
Lautocovariance au dcalage k ou dordre k, not (k), est dfinie par :

Lautocorrlation au dcalage k, note (k) ou k, est dfinie par :

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 :

Ce qui est quivalent

Do

61

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Avec

Au seuil 5%, lautocorrlation au dcalage k est significatif si :


| (k) | > 1.96 /

2.2 MODELE ARIMA :


Lorsquon a une srie {yt} non stationnaire34, il convient de la modliser laide dun
processus ARIMA (p,d,q) Autoregressive Integrated Moving Average qui scrit sous la
forme :
quation 14: modle ARIMA(p,d,q)

(1-1 D - - p Dp) d yt = (1- 1 D - - p Dq) t


O

t est un bruit blanc {BB (0,)}

d= ordre de diffrenciation ou dintgration (d 0)

p et q les ordres de rgression

D loprateur de retard tel que Dyt = yt-1 - et Dp = yt-p

d est loprateur de diffrence de degr d

i et i sont les coefficients estimer

La srie wt =d yt est une srie stationnaire pour estimer yt il revient estimer wt par le
processus ARMA (p,q)

34

Reprsente une tendance ou une saisonnalit

62

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Modle AR(p)
prsente un corrlogramme simple caractris par une dcroissance gomtrique de ses termes
et un corrlogramme partiel caractris par ses p premiers termes diffrents de 0, il est dfini
par :
quation 15: modle AR(p)

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)

wt = t -1 t-1 - 2 t-2 - - q t-q


wt = (1- 1 B- - qBq) = t

Modle ARMA ( p , q)
vient combiner les deux critures, il scrit ainsi :
quation 17: modle ARMA (p , q)

wt - 1 wt-1 2wt-2 - - pwt-p = t -1 t-1 - 2 t-2 - - q t-q


(1-1D- - 1Dp) wt = (1- 1 D- - qDq) t
(D) wt = (D) t

t suit un BB(0,

Si la srie tudie est de type DS (stationnaire en diffrence), il convient de la stationnariser


par passage aux diffrences selon lordre dintgration I = d (le nombre de fois quil faut
diffrencier la srie pour la rendre stationnaire)
La srie est alors tudie selon les modles BOX-JENKINS (AR(p), MA(q) ou ARMA(p,q)).
On parle alors de modle Autoregressive Integrated Moving average dordre (p,d,q) et on note
ARIMA(p,d,q).
Puisque ces modles ne sont reprsentatifs que de chroniques :

63

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Stationnaires en tendance

Corrigs des variations saisonnires

2.3 CARACTERISTIQUES DES DES CORRELOGRAMMES DES PROCESSUS AR, MA ET


ARMA

Processus

AR(p)

Modle Fonction dautocorrlation

Fonction dautocorrlation

(ACF)

partielle (PACF)

Dcroissance

exponentielle

et/ou Pics significatifs seulement pour les p

sinusodale

MA(q)

premiers retards

Pics significatifs seulement pour les q Dcroissance

exponentielle

et/ou

premiers retards les autres coefficients sinusodale


nuls pour les retards >q
Dcroissance

exponentielle

ou Dcroissance

ARMA(p,q) sinusodale tronque aprs (q-p) retards

exponentielle

ou

sinusodale amortie tronque aprs (pq) retards

2.4 CHOIX DU MODELE


Pour prendre la dcision dans le choix du modle retenir on passe aux critres dits
dinformation : AIC, SIC et SER qui sont minimiser et les critres R ajust et log likelihood
sont maximiser.
Avec : T= nombre dobservations, = et,, k=nombre de coefficients
quation 18:Critre AKAIKE

AIC = -2l/ T+2k / T


quation 19: Critre SHWARZ

SC= _2l/T (klogT) / T


quation 20:Log vraisemblance

L= - (1+ log(2) + log(

/ T))

64

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
quation 21: Erreur standard de rgression

S=

quation 22: Coefficient de dtermination

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.

2.5 ESTIMATION DES PARAMETRES


Les mthodes destimation diffrent selon le type de processus diagnostiqu. Dans le cas dun
modle AR(p), il faut appliquer la mthode des moindres carrs.
Pour lestimation des paramtres dun modle ARMA (p,q) BOX et JENKINS suggrent une
procdure itrative de type balayage dcrit ainsi quil suit :

O D est loprateur dcalage dfini par DYt = Yt-1 et Ds Yt= Yt-s


Ceci revient crire

En posant

Il vient que

65

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

(1)

ce qui donne :
(2)

Initialisons la procdure de balayage en partant de deux valeurs plausibles pour ( 1,

2)

dun pas dincrmentation. Puis, pour chaque couple de valeurs ( 1,

2)

posons

=0 et

et

=0,

calculons les valeurs estimes de 1 partir de la relation (2):

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)

On retient les valeurs

1,

et 1, 2 qui rendent minimum la somme des carrs des rsidus

issue de la rgression de lquation (3).

3. TESTS DADEQUATION DE MODELE ET PREVISION


3.1 TEST DE SIGNIFICATIVITE DES COEFFICIENTS
Les paramtres du modle tant estims, il est essentiel dexaminer les rsultats
destimations :
Les coefficients du modle doivent tre significativement diffrents de 0, le test de tStudent > 1.96 (pour un risque de 5%) sapplique de manire classique. Si un coefficient
nest pas significativement diffrent de 0, on limine le terme correspondant dans la
formulation du modle.

3.2 LANALYSE DES RESIDUS


Aprs avoir dtermin les ordres p et q laide des corrlogrammes simple et partiel, il
convient prsent de les valider et les dpartager, la validation passe par lexamen des

66

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
coefficients estims (0) et par un examen des rsidus (doivent suivre un processus de bruit
blanc)

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:

Xt la srie chronologique initiale

67

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Yt la srie aprs stationnarisation de la srie initiale


Figure 22: Schma de la mthode BOX-JENKINS

Analyse du corrlogramme simple et partiel srie Xt

Dtermination et limination de la saisonnalit, la tendance et stabiliser la


variance(passer en log(Xt) de la srie chronologique

Test de stationnarit: ADF, PHILLIPS PERRON et KPSS


Rgression sur le temps si processus TS

Passage aux diffrences si processus


DS

srie stationnaire Yt

Dtermination des ordres p et q du modle ARMA: Analyse du corrlogramme


simple et partiel

Estimation des coefficients du modle

Test de student : les coefficients non significatifs sont supprims

Analyse des coefficients et des rsidus : sont-il des bruits blancs?


oui ==> Prvision par ARMA

Non==> Ajout d'un ordre p ou q


Source (conomtrie, Rgis Bourbonnais 2009, Dunod)

68

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

PARTIE III MODELISATION DES INDICES MASI ET


MADEX

INTRODUCTION PARTIE III

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

I.

CONSTRUCTION DUN MODELE ARIMA POUR LA SERIE MASI

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.

1. ANALYSE DU GRAPHIQUE ET DU CORRELOGRAMME


1.1 DESCRIPTION DU GRAPHIQUE
Figure 23: graphique de la srie MASI

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Figure 24: graphique de la srie (log(MASI))

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.

1.2 ANALYSE DU CORRELOGRAMME


On remarque ceci sur son corrlogramme o toutes les autocorrlations sont significativement
diffrentes de zro et diminuent lentement (AC) :
On va tester les hypothses suivantes :
H0 : i =0

contre

H1 : i 0

avec i=1, . ,30

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
La premire autocorrlation partielle est significativement diffrente de zro donc le nombre
de retards est = 1.
Tableau 1 : corrlogramme de LMAS

Date: 12/06/12 Time: 12:30


Sample: 23/09/1996 31/05/2012
Included observations: 4093
Autocorrelation
|**
|*
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

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.

1.3 ANALYSE DE LA SAISONNALITE


Pour analyser la saisonnalit et sassurer que je naurais pas besoins de la corriger je me vais
utiliser les donnes mensuelles :
Le tableau montre quil nexiste pas de tendance saisonnire effective dans lvolution.
(Annexe 2)

72

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

2.2 TEST PHILLIPS-PERRON


Je vais procder au test de PHILLIPS PERRON pour les 3 modles (ANNEXE 2), je vais
suivre la procdure habituelle et commencer par le modle le moins contraint, le modle n3,
pour finir avec le modle le plus contraint, le modle n1.
Modle n3
t = -1.094622> -3.410915
On accepte lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS
PERRON est suprieure la valeur critique calcule par EVIEWS. Je vais maintenant
mintresser au modle n2.
Modle n2
On accepte lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS
PERRON est suprieure la valeur critique calcule par EVIEWS.
t = -1.566786 >-2.862057
Modle n1
Je passe enfin au modle n1 :
t = 2.129564> -1.940902
On accepte encore une fois lhypothse H0
Conclusion du 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 de test que je
viens dexcuter concident avec les tests de DICKEY - FULLER. La srie tudie est donc
non stationnaire. Il sagt dun processus DS sans drive => I(1).

2.3 TEST KPSS


Test KPSS sur la srie LMAS : (ANNEXE 2)
Modle n3
Pour faire le test de KPSS, je vais calculer la statistique LM que je vais comparer par la suite
aux diffrentes valeurs critiques, les rsultats sont comme suit :

74

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
On peut remarquer que la statistique LM est suprieur toutes les valeurs critiques des
diffrents seuils : 1, 5 et 10%, par consquent lhypothse de stationnarit de la srie est
rejeter.
Modle n2
Voici les rsultats obtenus par EVIEWS 6 :
La mme remarque que pour le modle n3, on rejette lhypothse de stationnarit car la
statistique LM (ici = 0.929209) dpassent les valeurs critiques des trois seuils.
d-2 Conclusion du test KPSS:
Ainsi je peux dire que la srie LMAS est bien une marche au hasard sans drive I(1)
C'est--dire :

LMASt= LMASt-1 + t , avec t est un bruit blanc (BB)

3. STATIONNARISATION DE LA SERIE LMAS


La srie tudie est un processus de marche alatoire sans drive, pour stationnariser cette
srie, je vais utiliser les diffrences premires comme filtre. A noter quil est ncessaire de
stationnariser la srie afin dviter une ventuelle rgression fallacieuse (spurious regression).

3.1 LANALYSE DE LA SERIE STATIONNAIRE


DLMAS= LMASt -LMASt-1= log (LMASt/LMASt-1)
Je vais maintenant tudier le corrlogramme de la nouvelle srie DLM qui nest autre que le
log rendement de lindice MASI, afin de savoir si celle-ci est bien.
Les autocorrlations de la nouvelle srie ne sont pas statistiquement diffrentes de 0, les
probabilits critiques associes sont toutes significativement suprieures au seuil = 5%, de
plus, sur le graphique, on peut voir que les ralisations de la srie ne sortent pas de lintervalle
de confiance matrialis par des traits verticaux. On accepte lhypothse H0, dabsence
dautocorrlations. Jen conclue que la nouvelle srie est bien stationnaire. Je vais tudier la
reprsentation graphique de la srie DLMAS.

75

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Figure 25:graphique de la srie DLMAS

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.

3.2 VERIFICATION DE LORDRE DINTEGRATION


Dans le but de sassurer de lordre dintgration de la srie (le nombre de fois o il a fallu la
diffrencier pour la rendre stationnaire), je vais nouveau procder un test de PHILLIPS PERRON. (ANNEXE 2)
Cette technique permettra de confirmer la bonne stationnarisation de la srie. Je teste bien
entendu les hypothses suivantes :
H0 : = 0 ; H1 : < 0
Je vais faire la mme procdure quauparavant, il suffit de lappliquer au modle n1 et de
choisir le test en diffrences premires. Jobtiens le rsultat suivant
t =|-45.02504| > -1.940902
On rejette lhypothse H0 de racine unitaire au seuil de 5%, la statistique de PHILLIPS PERRON est infrieure la valeur critique calcule par EVIEWS. Par ailleurs, pour avoir une
confirmation, je vais faire le test DICKEY FULLER sur le modle n1 en choisissant le test
en diffrences premires. (ANNEXE 2)
Voici les rsultats obtenus:
t = |-3838.04534| > -1.940902
On rejette lhypothse H0 de racine unitaire au seuil de 5%, la statistique de DICKEY FULLER est suprieure la valeur critique calcule par EVIEWS.

76

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Dans les 2 cas, On a rejet lhypothse H0 de non stationnarit et de racine unitaire, autrement
dit cela signifie que la srie DLMAS est bien stationnaire, par consquent le cours de
lindice MASI est intgr dordre 1.

4. ANALYSE DU CORRELOGRAMME ET STATISTIQUES DE LJUNGBOX


Je vais procder lanalyse de la nouvelle srie. Je commence par r-analyser le
corrlogramme et tester les hypothses suivantes :
H0 : i = 0 H1 : i 0 avec i = 1, , 30
On peut tout dabord observer (ANNEXE 2) que tous les termes des fonctions
dautocorrlation simple et partielle ne sont pas significativement diffrents de 0. Ils sont tous
situs dans lintervalle de confiance matrialis par les traits verticaux. Par ailleurs, nous
pouvons observer que la probabilit critique de la statistique de LJUNG BOX est, pour tous
les retards suprieures, au seuil = 5%, de ce fait, on accepte lhypothse H0 dabsence
dautocorrlation, ce qui prouve que notre rsidu est correctement blanchi. De mme, on
peut affirmer que le corrlogramme de la srie LMAS filtre par les diffrences premires est
caractrise dun bruit blanc. On va maintenant effectuer un test de moyenne pour confirmer
cette hypothse.

4.1 TEST DE MOYENNE


A laide de EVIEWS on test lhypothse H0, autrement dit je vais tester la nullit de la
moyenne de la srie DLMAS, contre lhypothse alternative soit :
H0 : = 0 ; H1 : 0
la probabilit critique associe au test de nullit de la moyenne est de 0,0015 ce qui est
largement infrieur au seuil critique = 5%, par consquent on rejette lhypothse H0 de
nullit de la moyenne, on a donc un bruit blanc non centr. On va maintenant procder un
test de JARQUE BERA afin de voir si le bruit blanc est gaussien ou non - gaussien.
(ANNEXE 2)

77

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

4.2 TEST DE JARQUE-BERA


1,000

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

La probabilit critique associe au test de JARQUE - BERA, correspond la probabilit de se


tromper en rejetant lhypothse nulle (les donnes suivent une loi normale), ici elle est gale
0. Pour un seuil = 5%, on rejette donc lhypothse de normalit de la distribution. En effet,
la distribution est beaucoup trop aplatie pour suivre une loi normale (kurtosis : 9.400312),
avec une asymtrie galement trop forte (skewness : -0,212128). Ici, on qualifiera cette
distribution de leptokurtique dans la mesure o les queues de distribution sont plus paisses
que pour une loi normale, de mme on peut qualifier notre bruit blanc, de bruit blanc non
gaussien.

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).

5.2 ESTIMATION DES TROIS PROCESSUS


Ce tableau rsume la rgle de dcision des ordres p et q des modles destimation ;
On doit, en principe, choisir le SIC et le SER les plus petits et le R ajust le plus lev.
Tableau 2: Rsultats critre choix modle AR/MA

78

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Modle

SCHWARZ

ARMA

CITERION

AKAIKE INFO
CRITERION

Standard Error of

Adjusted

(p,q)

(SIC)

AIC

(1,0)

-7.073512

(0,1)
(1,1)

Log
likelihood

the Regression (SER)

-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).

5.3 VALIDATION DU MODELE


Daprs les diffrents rsultats obtenus par EVIEWS, on a une htroscdasticit des erreurs
avec les trois modles, je vais garder le modle ARMA(1,1) mais afin de modliser l
htroscdasticit, je vais utiliser un modle ARCH (p,q).

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

On garde le modle GARCH(1,1) pour la modlisation de la volatilit de la srie, car il


vrifie le maximum des critres reprsents dans le tableau ci-dessus.

7. PREVISION
Je vais gnrer la prvision laide de EVIEWS ce qui me donne :

79

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

7.1 LE MODELE ARIMA (1, 1) :


DLMAS = 0.00447565872447 + 0.256604586322*DLMAS (-1) + et + 0.0844735998803*et-1

7.2 LE MODELE GARCH(1,1)


= 1.61724839045 *10-6 +

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

Tableau 4: prvision jour par jour MASI

MASI rel
DATE

Log

ARMA( 1,1)

Valeur

Log

Valeur

GARCH(1,1)
log

Valeur

28/05/2012 9,226721466

10165,16

9,227387553 10171,93313 9,226920836 10167,18683

29/05/2012 9,232864782

10227,8

9,235181867 10251,52616 9,233064152 10229,83932

30/05/2012 9,238635269

10286,99

9,240685201 10308,09926 9,238834639 10289,04112

31/05/2012 9,233108207

10230,29

9,231323645

10212,0497 9,233307577 10232,32982

80

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

II.

CONSTRUCTION DUN MODELE ARIMA POUR LA SERIE


MADEX

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.

1. ANALYSE DU GRAPHIQUE ET DU CORRELOGRAMME


1.1 DESCRIPTION DU GRAPHIQUE
Figure 27: graphique de la srie MADEX

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

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 :
Figure 28: graphique de la srie (log(MADEX))

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

1.2 ANALYSE DU CORRELOGRAMME


Tableau 5:Corrlogramme du MADEX

Date: 24/06/12 Time: 20:44


Sample: 1/01/2002 1/03/2012
Included observations: 2601
Autocorrelation
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******
|*******

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Test ADF sur la srie LDEX (ANNEXE 3)
Modle n3
En comparant le t du coefficient du trend (tendance) avec la valeur donne par la table de
DICKEY-FULLER, je trouve :
t =0.019346 < 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 = 1.172859< 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 = 1.440086 > -1.940902
C ONCLUSION 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 :
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 :

LDEXt= LDEXt-1 + t , avec t est un bruit blanc (BB)


83

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

3. STATIONNARISATION DE LA SERIE LDEX


La srie tudie est un processus de marche alatoire sans drive, pour stationnariser cette
srie, je vais utiliser les diffrences premires comme filtre.

3.1 LANALYSE DE LA SERIE STATIONNAIRE


DLDEX= LDEXt -LDEXt-1= log (LDEXt/LDEXt-1)
Les autocorrlations de la nouvelle srie ne sont pas statistiquement diffrentes de 0, les
probabilits critiques associes sont toutes significativement suprieures au seuil = 5%, de
plus, sur le graphique, on peut voir que les ralisations de la srie ne sortent pas de lintervalle
de confiance matrialis par des traits verticaux. On accepte lhypothse H0, dabsence
dautocorrlations. Jen conclue que la nouvelle srie est bien stationnaire. Je vais tudier la
reprsentation graphique de la srie DLDEX.
Figure 29:graphique de la srie DLDEX

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.

3.2 VERIFICATION DE LORDRE DINTEGRATION


On a rejet lhypothse H0 de non stationnarit et de racine unitaire, autrement dit cela
signifie que la srie DLMAS est bien stationnaire, par consquent le cours de lindice
MASI est intgr dordre 1. (voir les rsultats des tests dans Annexe 2)

3.3 ANALYSE DU CORRELOGRAMME ET STATISTIQUES DE LJUNG-BOX


Daprs le corrlogramme de la srie en diffrence premire on voit bien que p=1 et q=1 :
Tableau 6:Le corrlogramme de la srie DLDEX

84

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Date: 24/06/12 Time: 21:56
Sample: 1/01/2002 1/03/2012
Included observations: 2600
Autocorrelation

|**
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

Partial Correlation

|**
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

AC

PAC

Q-Stat

Prob

1 0.306 0.306 244.27 0.000

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

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

Figure 30:Test de JARQUE-BERA

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

La probabilit critique associe au test de JARQUE BERA gale 0. Pour un seuil =


5%, on rejette donc lhypothse de normalit de la distribution car elle est beaucoup trop
aplatie pour suivre une loi normale (kurtosis : 7.403475), avec une asymtrie galement trop
forte (skewness : -0,301902), notre bruit blanc, de bruit blanc non gaussien.

85

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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).

4.2 ESTIMATION DES TROIS PROCESSUS


On doit, en principe, choisir le SIC et le SER les plus petits et le R ajust le plus lev.
Le modle qui vrifie le plus de critres est le modle ARMA(1,1). (voir ANNEXE 3).
Je vais gnrer la prvision laide de EVIEWS ce qui me donne :
Rsultats critre choix modle AR/MA

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

the Regression (SER)

-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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Tableau 7:Prvision court terme du MASI

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)

Tableau 8:prvision jour par jour MASI

MADEX rel
DATE

Log

Valeur

ARMA( 1,1)
Log

GARCH(1,1)
Valeur

log

Valeur

28/5/2012 9,02293672

8291.09

9.029631 8346,78056 9,023139289 8292,76967

29/5/2012 9,02524377

8310.24

9.025002

30/5/2012 9,03124361

8360.25

9.033213 8376,73214 9,031446176 8361,94368

31/5/2012 9,03732419

8411.24

9.038994 8425,30105 9,037526752 8412,94401

8308,2353 9,025446335 8311,92354

87

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

III.

INTERPRETATION DES RESULTATS

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

BIBLIOGRAPHIE
Lardic

S.

et

Mignon

V.

(2002),

Econometrie

des

sries

temporelles

Macroconomiques et Financires, Economica.


Bourbonnais R. (2000), Econometrie, DUNOD
Finance de march, Franck Moraux, Pearson Education France, 29 oct. 2010 - 288
pages
Arch Models for Financial Applications Evdokia Xekalaki, Stavros Degiannakis ,John
Wiley & Sons, 5 avr. 2010 - 558 pages
Rapports annuels de BKAM (de 2001 2011)
Annuaire statistique du Maroc (de 2001 2011)
A practical guide to Box-Jenkins forecasting, lifetime learning publications, 1983 ,
John C. Hoff
The Analysis of Time Series: An introduction, Christopher Chatfielf, 2004, 333 pages
Finance computationnelle et gestion des risqu : Ingnierie financire avec
applications VB et matlab, Franois Eric Racicot/Raymond Thoret , 2006, Quebec
The Econometrics of Financial markets - Campbell - Lo MacKinlay
Economtrie des sries temporelles Bresson Pirotte
Economtrie des sries temporelles macroconomiques et financires Lardic
Mignon
Journal of Economic Perspectives- Vol 15, Number 4-Fall 2001-P157-168 (the use of
GARCH MODELS in applied econometrics ROBERT ENGLE)
Introduction lconomtrie des sries temporelles, SEBASTIEN LECHEVALIER,
univ PARIS-I

90

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

ANNEXE 1

I NDICES

SECTORIELLES

:
Tableau 9: les indices sectoriels

Transport

Immobilier

Tlcommunications

Equipements lectroniques & lectriques

Sylviculture & papier

Socits de portefeuilles - holdings

Distributeurs

Socit de financement & autres activits financires

Services aux collectivits

Matriels, logiciels & services informatiques

Ptrole & gaz

Btiments & matriaux de construction

Mines

Ingnieries & biens dquipement industriels

Banques

Assurances

Loisirs et htels

Agroalimentaire / production

Chimie

Les indices en dollars et en euros

Industrie pharmaceutique
Boissons

92

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

TESTS DE STATIONNARITE SERIE

MASI

Tableau 11: Test ADF, srie LMAS, modle n3

Null Hypothesis: LM AS has a unit root


Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-1.090880
-3.960281
-3.410903
-3.127256

0.9291

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LM)
Method: Least Squares
Date: 12/06/12 Time: 12:31
Sample (adjusted): 25/09/1996 31/05/2012
Included observations: 4092 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

93

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.2754
0.0000
0.2118
0.7954
0.000372
0.007452
-7.076258
-7.070083
-7.074071
1.978144

Tableau 12: Test ADF, srie LMAS, modle n2

Null Hypothesis: LMAS has a unit root


Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-1.591884
-3.431764
-2.862050
-2.567085

0.4867

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LMAS)
Method: Least Squares
Date: 12/06/12 Time: 12:32
Sample (adjusted): 25/09/1996 31/05/2012
Included observations: 4092 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000372
0.007452
-7.076730
-7.072099
-7.075090
1.978088

Tableau 13: Test ADF, srie LMAS, modle n1

Null Hypothesis: LMAS has a unit root


Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

94

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

2.152615
-2.565527
-1.940901
-1.616648

0.9930

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LM)
Method: Least Squares
Date: 12/06/12 Time: 12:32
Sample (adjusted): 25/09/1996 31/05/2012
Included observations: 4092 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

0.000372
0.007452
-7.076488
-7.073401
-7.075395

Tableau 14:Test PHILLIPS-PERRON srie LMAS modle n3

Null Hypothesis: LMAS has a unit root


Exogenous: Constant, Linear Trend
Bandwidth: 18 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-1.094622
-3.960281
-3.410903
-3.127256

0.9285

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

5.55E-05
0.000111

Tableau 15:Test PHILLIPS-PERRON srie LMAS modle n2

Null Hypothesis: LMAS has a unit root


Exogenous: Constant
Bandwidth: 18 (Newey-West using Bartlett kernel)
Adj. t-Stat

Prob.*

95

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level

-1.566786
-3.431763
-2.862050
-2.567084

0.4996

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction)

5.55E-05

HAC corrected variance (Bartlett kernel)

0.000112

Tableau 16: Test PHILLIPS-PERRON srie LMAS modle n1

Null Hypothesis: LMAS has a unit root


Exogenous: None
Bandwidth: 19 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

2.129564
-2.565527
-1.940901
-1.616648

0.9925

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

5.55E-05
0.000113

Tableau 17:Test KPSS LMAS modle n3

Null Hypothesis: LM is stationary


Exogenous: Constant, Linear Trend
Bandwidth: 51 (Newey-West using Bartlett kernel)
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic
Asymptotic critical values*:
1% level
5% level
10% level

0.929209
0.216000
0.146000
0.119000

*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

0.087526
4.487489

KPSS Test Equation


Dependent Variable: LM
Method: Least Squares
Date: 12/06/12 Time: 12:33
Sample: 23/09/1996 31/05/2012

96

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Included observations: 4094
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

8.690343
0.538984
0.403032
0.406118
0.404125
0.000634

Tableau 18:Test KPSS LMAS modle n2

Null Hypothesis: LM is stationary


Exogenous: Constant
Bandwidth: 51 (Newey-West using Bartlett kernel)
LM-Stat.
6.016187
0.739000
0.463000
0.347000

Kwiatkowski-Phillips-Schmidt-Shin test statistic


Asymptotic critical values*:
1% level
5% level
10% level
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

0.290433
14.90964

KPSS Test Equation


Dependent Variable: LM
Method: Least Squares
Date: 12/06/12 Time: 12:34
Sample: 23/09/1996 31/05/2012
Included observations: 4094
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

8.690343
0.538984
1.601983
1.603526
1.602529

Tableau 19: corrlogramme DLMAS

Date: 12/06/12 Time: 12:30


Sample: 23/09/1996 31/05/2012

97

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Included observations: 4093
Autocorrelation
|**
|*
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

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

Tableau 20: test de moyenne sur la srie DLMAS

Hypothesis Testing for D(LMAS)


Date: 14/06/12 Time: 12:44
Sample (adjusted): 24/09/1996 31/05/2012
Included observations: 4093 after adjustments
Test of Hypothesis: Mean = 0.000000
Sample Mean = 0.000371
Sample Std. Dev. = 0.007451
Method
t-statistic

Value
3.186192

Probability
0.0015

Tableau 21: Test PHILLIPS PERRON sur DLMAS

Null Hypothesis: D(LMAS) has a unit root


Exogenous: None
Bandwidth: 9 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-45.02504
-2.565528
-1.940902
-1.616647

0.0001

*MacKinnon (1996) one-sided p-values.

98

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

4.95E-05
4.84E-05

Phillips-Perron Test Equation


Dependent Variable: D(LMAS,2)
Method: Least Squares
Date: 18/06/12 Time: 11:50
Sample (adjusted): 25/09/1996 24/05/2012
Included observations: 4087 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

3.18E-06
0.008616
-7.075348
-7.073802
-7.074800

Tableau 22:Test ADF sur la srie D(LMAS)

Null Hypothesis: D(LM) has a unit root


Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-38.04534
-2.565528
-1.940902
-1.616647

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LMAS,2)
Method: Least Squares
Date: 18/06/12 Time: 11:50
Sample (adjusted): 26/09/1996 24/05/2012
Included observations: 4086 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

2.75E-06
0.008617
-7.075586
-7.072495
-7.074491

99

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Tableau 23: Estimation modle AR(1)

Dependent Variable: D(LMAS)


Method: Least Squares
Date: 12/06/12 Time: 12:38
Sample (adjusted): 25/09/1996 31/05/2012
Included observations: 4092 after adjustments
Convergence achieved after 3 iterations
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000372
0.007452
-7.076599
-7.073512
-7.075506
1.978131

Tableau 24:Estimation modle MA(1)

Dependent Variable: D(LMAS)


Method: Least Squares
Date: 12/06/12 Time: 12:39
Sample (adjusted): 24/09/1996 31/05/2012
Included observations: 4093 after adjustments
Convergence achieved after 7 iterations
MA Backcast: 23/09/1996
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000371
0.007451
-7.069698
-7.066611
-7.068605
1.941582

-.31

Tableau 25:Estimation modle ARMA (1 ,1)


Dependent Variable: D(LMAS)
Method: Least Squares
Date: 12/06/12 Time: 12:39
Sample (adjusted): 25/09/1996 31/05/2012
Included observations: 4092 after adjustments
Convergence achieved after 8 iterations

100

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
MA Backcast: 24/09/1996
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000372
0.007452
-7.077038
-7.072407
-7.075398
1.998568

.26
-.08

101

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Tableau 27 : Test ADF srie LDEX, modle 3

Exogenous: Constant, Linear Trend


Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-0.478813
-3.961575
-3.411537
-3.127632

0.9845

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LDEX)
Method: Least Squares
Date: 24/06/12 Time: 20:47
Sample (adjusted): 3/01/2002 20/12/2011
Included observations: 2599 after adjustments
Variable

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

0.094367
0.093320
0.008618
0.192745
8669.471
90.13293
0.000000

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000365
0.009051
-6.668312
-6.659289
-6.665043
1.960705

Tableau 28:Test ADF modle 2 sur la srie LDEX

Null Hypothesis: LDEX has a unit root


Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-1.081279
-3.432673
-2.862452
-2.567301

0.7253

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LDEX)
Method: Least Squares
Date: 24/06/12 Time: 21:35
Sample (adjusted): 3/01/2002 20/12/2011
Included observations: 2599 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000365
0.009051
-6.669081
-6.662314
-6.666629
1.960713

Tableau 29:Test ADF modle 1 sur la srie LDEX

Null Hypothesis: LDEX has a unit root


Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

Augmented Dickey-Fuller test statistic

t-Statistic

Prob.*

1.440086

0.9632

103

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Test critical values:

-2.565852
-1.940946
-1.616618

1% level
5% level
10% level

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LDEX)
Method: Least Squares
Date: 24/06/12 Time: 21:36
Sample (adjusted): 3/01/2002 20/12/2011
Included observations: 2599 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

0.000365
0.009051
-6.669321
-6.664809
-6.667686

Tableau 30:Test PP modle 3 sur la srie LDEX

Null Hypothesis: LDEX has a unit root


Exogenous: Constant, Linear Trend
Bandwidth: 3 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-0.261430
-3.961573
-3.411536
-3.127631

0.9917

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

8.19E-05
0.000121

Phillips-Perron Test Equation


Dependent Variable: D(LDEX)
Method: Least Squares
Date: 24/06/12 Time: 21:52
Sample (adjusted): 2/01/2002 20/12/2011
Included observations: 2600 after adjustments
Variable

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

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000359
0.009055
-6.569780
-6.563014
-6.567328
1.387063

Tableau 31:Test PP modle 2 sur la srie LDEX


Null Hypothesis: LDEX has a unit root
Exogenous: Constant
Bandwidth: 4 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-1.031709
-3.432672
-2.862452
-2.567300

0.7439

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

8.19E-05
0.000124

Phillips-Perron Test Equation


Dependent Variable: D(LDEX)
Method: Least Squares
Date: 24/06/12 Time: 21:53
Sample (adjusted): 2/01/2002 20/12/2011
Included observations: 2600 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

0.000359
0.009055
-6.570366
-6.565855
-6.568731
1.386199

Tableau 32:Test PP modle 1 sur la srie LDEX

Null Hypothesis: LDEX has a unit root


Exogenous: None
Bandwidth: 4 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level

Adj. t-Stat

Prob.*

1.573462
-2.565852

0.9721

105

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
5% level
10% level

-1.940946
-1.616618

*MacKinnon (1996) one-sided p-values.

Tableau 33 : Test KPSS modle 3 sur la srie LDEX

Null Hypothesis: LDEX is stationary


Exogenous: Constant, Linear Trend
Bandwidth: 41 (Newey-West using Bartlett kernel)
LM-Stat.
1.025923
0.216000
0.146000
0.119000

Kwiatkowski-Phillips-Schmidt-Shin test statistic


Asymptotic critical values*:
1% level
5% level
10% level
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

0.061630
2.514721

Null Hypothesis: LDEX is stationary


Exogenous: Constant
Bandwidth: 41 (Newey-West using Bartlett kernel)
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic
Asymptotic critical values*:
1% level
5% level
10% level

5.424543
0.739000
0.463000
0.347000

*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

0.291927
12.16234

Tableau 34 : Test ADF modle 1 sur la srie DLDEX

Null Hypothesis: D(LDEX) has a unit root


Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=1)

Augmented Dickey-Fuller test statistic


Test critical values:
1% level
5% level
10% level

t-Statistic

Prob.*

-31.69683
-2.565852
-1.940946
-1.616618

0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

106

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Dependent Variable: D(LDEX,2)
Method: Least Squares
Date: 25/06/12 Time: 17:49
Sample (adjusted): 4/01/2002 20/12/2011
Included observations: 2598 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

-3.49E-06
0.010650
-6.672988
-6.668475
-6.671353

Tableau 35: Test PP modle 1 sur la srie DLDEX

Null Hypothesis: D(LDEX) has a unit root


Exogenous: None
Bandwidth: 11 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic


Test critical values:
1% level
5% level
10% level

Adj. t-Stat

Prob.*

-36.62248
-2.565852
-1.940946
-1.616618

0.0000

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

7.43E-05
6.76E-05

Phillips-Perron Test Equation


Dependent Variable: D(LDEX,2)
Method: Least Squares
Date: 25/06/12 Time: 17:50
Sample (adjusted): 3/01/2002 20/12/2011
Included observations: 2599 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

7.48E-06
0.010662
-6.669292
-6.667037
-6.668475

107

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Tableau 36: Test KPSS modle 2 sur la srie DLDEX

Null Hypothesis: D(LDEX) is stationary


Exogenous: Constant
Bandwidth: 4 (Newey-West using Bartlett kernel)
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic
Asymptotic critical values*:
1% level
5% level
10% level

0.413511
0.739000
0.463000
0.347000

*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction)


HAC corrected variance (Bartlett kernel)

8.20E-05
0.000124

KPSS Test Equation


Dependent Variable: D(LDEX)
Method: Least Squares
Date: 25/06/12 Time: 17:51
Sample (adjusted): 2/01/2002 20/12/2011
Included observations: 2600 after adjustments
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

0.000359
0.009055
-6.570711
-6.568455
-6.569893

Tableau 37: Modle AR(1) srie DLDEX

Dependent Variable: D(LDEX)


Method: Least Squares
Date: 24/06/12 Time: 22:23
Sample (adjusted): 3/01/2002 20/12/2011
Included observations: 2599 after adjustments
Convergence achieved after 2 iterations
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

0.000365
0.009051
-6.669292
-6.667037
-6.668475

108

Explication conomtrique du MASI et du MADEX et Modlisation de la volatilit CT


Master IAF 2011-2012
Durbin-Watson stat

1.961029

Inverted AR Roots

.31
Tableau 38: modle MA(1) srie DLDEX

Dependent Variable: D(LDEX)


Method: Least Squares
Date: 24/06/12 Time: 22:24
Sample (adjusted): 2/01/2002 20/12/2011
Included observations: 2600 after adjustments
Convergence achieved after 6 iterations
MA Backcast: 1/01/2002
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

0.000359
0.009055
-6.667406
-6.665151
-6.666589

-.30

Tableau 39:Modle ARMA(1,1) srie DLDEX

Dependent Variable: D(LDEX)


Method: Least Squares
Date: 24/06/12 Time: 22:25
Sample (adjusted): 3/01/2002 20/12/2011
Included observations: 2599 after adjustments
Convergence achieved after 10 iterations
MA Backcast: 2/01/2002
Variable

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.

0.000365
0.009051
-6.671488
-6.666977
-6.669854

.17
-.15

109