Vous êtes sur la page 1sur 29

Projet dconomtrie

Convergence du prix comptant et du prix terme


dans les marchs financiers
Cas dtude : march du ptrole

Zakaria Alkabbab & Thibaut Preval

TABLE DES MATIRES


1

Introduction.......................................................................................................... 4
1.1

Prsentation du sujet...................................................................................... 4

1.2

Donnes recueillies et Sries..........................................................................4

1.3

Source des donnes....................................................................................... 4

1.4

Logiciel dconomtrie................................................................................... 4

Etude Statistique.................................................................................................. 5
2.1

Cration des sries......................................................................................... 5

2.2

Analyse graphique.......................................................................................... 5

2.3

Statistiques descriptives................................................................................. 7

Etude Economtrique........................................................................................... 8
3.1

Spcification du modle................................................................................. 8

3.2

Tests de stationnarit..................................................................................... 8

3.2.1

Dickey Fuller Augment........................................................................... 8

3.2.2

Phillips-Perron........................................................................................... 9

3.2.3

KPSS....................................................................................................... 10

3.3

Stationnarisation des sries.........................................................................11

3.4

Vrification de lordre dintgration..............................................................13

3.4.1

ADF......................................................................................................... 13

3.4.2

Phillips-Perron......................................................................................... 14

3.4.3

KPSS....................................................................................................... 15

3.5

Identification des processus des variables DLSPOT et DLFUTURES..............15

3.5.1

Tests de significativit............................................................................ 15

3.6

Validation du processus................................................................................ 18

3.7

Test de Granger............................................................................................ 22

3.8

Test de cointgration dEngle et Granger.....................................................23

3.8.1

Explication de la mthode dEngle et Granger.......................................23

3.8.2

Application du test................................................................................. 23

3.9

Test de cointgration de Johansen................................................................26

3.9.1

Lapproche de Johansen.........................................................................26

3.9.2

Application du test de Johansen.............................................................27

3.10 Estimation dun modle VAR / VECM............................................................28


3.11 Tests de prvisions....................................................................................... 29
4

Conclusion.......................................................................................................... 30

1 Introduction
1.1 Prsentation du sujet
Lobjet de cette tude est de tester si l'intgration des informations contenues dans
un contrat future permettrait ou non de prvoir le prix futur d'un spot.

1.2 Donnes recueillies et Sries


Afin de btir notre projet, nous avons recueilli les donnes journalires du prix spot
et du prix terme du Ptrole Brut (WTI Crude Oil) du 2 janvier 1986 jusquau 27
dcembre 2012. Les prix sont en Dollars/Baril.

1.3 Source des donnes


Les donnes utilises dans notre tude ont t fournies par lagence U.S. EIA
(Energy Information Administration) :

Prix Spots : http://www.eia.gov/dnav/pet/pet_pri_spt_s1_d.htm


Prix Futures : http://www.eia.gov/dnav/pet/pet_pri_fut_s1_d.htm

1.4 Logiciel dconomtrie


Nous avons utilis le logiciel eViews, version 6.

2 Etude Statistique
2.1 Cration des sries
Grce aux donnes recueillies, nous avons cr deux sries :

La srie SPOT qui contient les prix spots du ptrole brut (WTI Crude Oil)
La srie FUTURES qui contient les prix terme du ptrole brut (WTI Crude
Oil)

Afin damliorer la stationnarit de la variance, nous transformons nos deux sries


en logarithme:

LSPOT = log(SPOT)
LFUTURES = log(FUTURES)

2.2 Analyse graphique


On remarque que les sries LSPOT et
LFUTURES voluent quasiment de la
mme faon pendant toute la priode.
Ainsi, on peut supposer quil y a une
convergence sur le long entre les deux
sries. Cest justement cette relation de
cointgration que nous allons tudier.
Pour cela, nous allons spcifier le
modle tudier.

Analyse des autocorrlations


On va tester les hypothses suivantes :
H0 : ri = 0

H1 : ri 0 avec i = 1, , 30

Sur ces graphiques, nous pouvons observer une dcroissance lente et progressive
des autocorrlations des deux sries LSPOT et LFUTURES, ce qui caractrise bien
des processus non stationnaires. Par ailleurs, nous pouvons nous appuyer sur la
statistique de LJUNG - BOX et la probabilit critique qui lui est associe. Ici, nous
pouvons observer que les autocorrlations sont toutes significativement diffrentes
de 0, car la probabilit critique est toujours infrieure au seuil = 5%. On peut
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. Ce qui
confirme encore une fois que les sries ne sont pas stationnaires.
Nous pouvons ajouter que les corrlogrammes laissent entrevoir un processus
AR(1), car on observe une dcroissance exponentielle de la FAC et un pic significatif
pour le premier retard de la FAP, dans les deux corrlogrammes. Cependant ces
AR(1) se sont pas stationnaires, il conviendra donc de stationnariser nos sries par
la suite. Nous allons maintenant procder lanalyse des statistiques descriptives
de notre srie.

2.3 Statistiques descriptives

Statistiques descriptives de LSPOT

Statistiques descriptives de LFUTURES

Toute dabord, nous pouvons observer que dans les deux cas, la valeur moyenne du
prix (spot ou terme) est assez proche du prix mdian. Graphiquement on constate
que notre srie nest pas asymtrique. Autre information que nous pouvons
interprter, la normalit de la distribution ; en effet, nous savons que pour une loi
normale, le coefficient dasymtrie (Skewness) doit tre gale 0 et le coefficient
daplatissement (Kurtosis) doit tre gale 3. Ici, on peut constater que la valeur du
coefficient dasymtrie, dans les deux graphiques, est assez proche de 0 avec
0,634902 pour LSPOT et 0,636133 pour LFUTURES, cependant le coefficient
daplatissement est gale 2,040434 pour LSPOT et 2,038573 pour LFUTURES ce
qui est bien diffrent de 3. Cela laisse prsager que les distributions des prix spot et
futures du ptrole brut ne suivent pas une loi normale. Pour confirmer cette ide
nous disposons de la statistique de JARQUE -BERA dont le test a pour vocation de
synthtiser les tests de symtrie et daplatissement, et de sa probabilit associe.
La probabilit fournie, correspond la probabilit de se tromper en rejetant
lhypothse nulle (les donnes suivent une loi normale), ici elle est gale nulle
dans les deux cas. Pour un seuil = 5%, on rejette lhypothse de normalit des
distributions.

3 Etude Economtrique
3.1 Spcification du modle
Afin dtudier la relation entre les deux sries, nous spcifions notre modle de la
faon suivante :

LSPOT = 0+ 1 LFUT URES


Nous allons maintenant effectuer les tests de stationnarit sur les sries LSPOT et
LFUTURES.

3.2 Tests de stationnarit


En vue dtudier la stationnarit des deux sries, nous allons raliser le test de
Dickey-Fuller Augment (ADF), celui de Phillips-Perron et le test KPSS.

3.2.1Dickey Fuller Augment


Ce test a t dvelopp en 1981 en se basant sur lhypothse de corrlation des
rsidus et sur lestimation par la mthode des moindres carrs ordinaires (MCO) des
3 modles suivants :

Sachant que les rsidus (et) sont indpendamment et identiquement distribus (iid).
Commenons par appliquer le test ADF aux sries LSPOT et LFUTURES en
niveau , nous obtenons les rsultats suivants :

Rsultat du test ADF sur LSPOT en


niveau

Rsultat du test ADF sur LFUTURES en


niveau

On constate que les valeurs calcules du t-statistique associes (-1.290402 pour


LSPOT et -1.042682 pour LFUTURES) sont suprieures aux valeurs critiques 1%,
5% et 10%, alors on accepte lhypothse nulle de non stationnarit pour les deux
sries LSPOT et LFUTURES en niveau .
Essayons maintenant le test Phillips-Perron

3.2.2Phillips-Perron
Phillips et Perron (1987, 1988) et Phillips (1987) proposent un autre test pour
dtecter la non-stationnarit dune srie temporelle. Ce test est une adaptation non
paramtrique du test de Dickey et Fuller. Lhypothse nulle du test est, comme pour
le test DF, la prsence dune racine unitaire.
En appliquant le test PP aux sries LSPOT et LFUTURES, on trouve les rsultats
suivants:

Rsultat du test PP sur LSPOT en


niveau

Rsultat du test PP sur LFUTURES en


niveau

On remarque que les valeurs calcules du t-statistique associes (-1.124986


pour LSPOT et -1.023702 pour LFUTURES) sont suprieures aux valeurs critiques
1%, 5% et 10%, alors on accepte lhypothse nulle de non stationnarit pour les
deux sries LSPOT et LFUTURES en niveau une deuxime fois.
Pour enlever le doute, nous allons appliquer le test KPSS sur les mmes sries.

3.2.3KPSS
La spcificit du test KPSS de Kwiatkowski et al. (1992) est de tester l'hypothse
nulle d'absence de racine unitaire contre l'hypothse alternative de prsence d'une
racine unitaire.
En appliquant le test KPSS aux sries LSPOT et LFUTURES, on trouve les rsultats
suivants:

Rsultat du test KPSS sur LSPOT en


niveau

Rsultat du test KPSS sur LFUTURES en


niveau

On remarque encore une fois que les valeurs LM-Stat (8.299028 pour LSPOT et
8.306610 pour LFUTURES) sont suprieures aux valeurs critiques 1%, 5% et 10%,
alors on rejette lhypothse nulle de stationnarit pour les deux sries LSPOT et
LFUTURES en niveau .
Les 3 tests confirment que les sries LSPOT et LFUTURES sont non-stationnaires en
niveau .

3.3 Stationnarisation des sries


Comme nous lavons vu, nos sries tudies sont des processus non-stationnaires
de marche alatoire sans drive. Pour stationnariser nos sries, nous allons utiliser
les diffrences premires comme filtre. A noter quil est ncessaire de stationnariser
nos sries afin dviter une ventuelle rgression fallacieuse (spurious regression).
Ainsi, nous avons cr les sries suivantes :

DLSPOT = LSPOT - LSPOT(-1)


DLFUTURES = DLFUTURES - DLFUTURES(-1)

Nous allons maintenant tudier le corrlogramme de notre nouvelle srie afin de


savoir si celle-ci est bien stationnaire et tester les hypothses suivantes :
H0 : i = 0

H1 : i 0 avec i = 1, , 30

Correlogramme de DLSPOT

Correlogramme de DLFUTURES

A partir des corrlogrammes, nous pouvons conclure que nos nouvelles sries sont
bien stationnaires. En effet, les corrlations ne diminuent pas lentement.
Nous pouvons prsent tudier la reprsentation graphique des sries DLSPOT et
DLFUTURES.

On voit bien que les deux sries fluctuent entre une valeur minimale et une valeur
maximale. Nos sries ont donc bien t stationnarises sur lensemble de la priode.

3.4 Vrification de lordre dintgration


Dans le but de sassurer de lordre dintgration des sries LSPOT et LFUTURES (le
nombre de fois o il a fallu la diffrencier pour la rendre stationnaire), nous allons
nouveau procder des tests de stationnarit (ADF, PP et KPSS). Cette technique
permettra de confirmer la bonne stationnarisation des sries. Nous testons bien
entendu les hypothses suivantes :
H0 : = 0

H1 : < 0

Nous allons faire la mme procdure quauparavant, les 3 tests aux sries DLSPOT
et DLFUTURES.

3.4.1ADF

Rsultat du test ADF appliqu


DLSPOT

Rsultat du test ADF appliqu


DLFUTURES

On remarque que les valeurs calcules du t-statistique associes (-39.88095


pour DLSPOT et -61.87179 pour DLFUTURES) sont infrieures aux valeurs critiques
1%, 5% et 10%, alors on rejette lhypothse nulle de non stationnarit pour les deux
sries LSPOT et LFUTURES en premire diffrence . Ainsi, on en conclut que les
sries LSPOT et LFUTURES sont stationnaires en premire diffrence.

3.4.2Phillips-Perron

Rsultat du test PP appliqu


DLSPOT

Rsultat du test PP appliqu


DLFUTURES

On remarque que les valeurs calcules du t-statistique associes (-83.36501


pour DLSPOT et -61.87179 pour DLFUTURES) sont infrieures aux valeurs critiques
1%, 5% et 10%, alors on rejette lhypothse nulle de non stationnarit pour les deux
sries LSPOT et LFUTURES en premire diffrence.

3.4.3KPSS

Rsultat du test KPSS appliqu


DLSPOT

Rsultat du test KPSS appliqu


DLFUTURES

On remarque encore une fois que les valeurs LM-Stat (0.084269 pour DLSPOT et
0.093851 pour DLFUTURES) sont infrieures aux valeurs critiques 1%, 5% et 10%,
alors on accepte lhypothse nulle de stationnarit pour les deux sries LSPOT et
LFUTURES en premire diffrence .
Les 3 tests confirment que les sries LSPOT et LFUTURES sont stationnaires en
premire diffrence . Elles sont donc I(1).

3.5 Identification des processus des variables DLSPOT et DLFUTURES


Dans la dernire section nous avons montr que les sries LSPOT et LFUTURES sont
stationnaires en premire diffrence, i.e. : elles sont I(1).
Nous allons prsent identifier les processus des variables stationnaires DLSPOT et
DLFUTURES. Nous allons dterminer sil sagit dun AR(1), dun MA(1) ou dun
ARMA(1,1).
Pour cela, nous allons raliser des tests de significativit pour les variables AR(1),
MA(1) et ARMA(1,1). Ces tests vont nous permettre de dterminer si les variables
explicatives sont pertinentes, cest--dire sil sagit bien dun processus AR(1), MA(1)
ou ARMA(1,1) pour chaque srie.

3.5.1Tests de significativit
On obtient les rsultats suivants :

AR(1)

Rsultat de test de significativit AR(1) sur


DLSPOT

Rsultat de test de significativit AR(1) sur


DLFUTURES

MA(1)
DLSPOT

Rsultat de test de significativit MA(1) sur


DLSPOT

DLFUTURES

Rsultat de test de significativit MA(1) sur


DLFUTURES

ARMA(1,1)

Rsultat de test de significativit ARMA(1,1)


sur DLSPOT

Rsultat de test de significativit


ARMA(1,1) sur DLFUTURES

Rcapitulatif des rsultats des tests de significativit pour DLSPOT


R2

AR(1)
0.000082

MA(1)
0.000090

ARMA(1,1)
0.003139

Test de Student

-0.746746

-0.819909

Test de Fisher

0.557630

0.612155

Log Likelihood

15158.55

15161.11

15168.92

Durbin Watson

2.000865

1.999045

1.963800

AIC

-4.477564

-4.477656

-4.480330

Schwarz

-4.475549

-4.475642

-4.477308

Hannan-Quinn

-4.476868

-4.476961

-4.479287

AR(1)

16.5027
0
MA(1)
18.7394
2
1.963800

Rcapitulatif des rsultats des tests de significativit pour DLFUTURES


R2

AR(1)
0.000125

MA(1)
0.000140

ARMA(1,1)
0.002962

Test de Student

-0.918423

-1.035239

Test de Fisher

0.843500

0.950597

Log Likelihood

15333.82

15336.45

15343.44

Durbin Watson

2.001298

1.998520

1.961214

AIC

-4.529342

-4.529448

-4.531889

Schwarz

-4.527327

-4.527433

-4.528867

Hannan- Quinn

-4.528647

-4.528753

-4.530846

AR(1)

11.5908
9
MA(1)
13.0461
7
10.05223

Les rcapitulatifs des rsultats des tests de significativits pour les sries DLSPOT et
DLFUTURES nous permettent de dduire que le processus ARMA(1,1) est celui qui
reprsente le mieux nos deux sries.

3.6 Validation du processus


Afin de nous assurer que le processus ARMA(1,1) est celui qui reprsente le mieux
nos sries, nous allons raliser des tests sur les rsidus des processus les plus
pertinents, cest--dire MA(1) et ARMA(1,1) pour les deux sries DLSPOT et
DLFUTURES.

Test dautocorrlation :

Corrlogramme des rsidus de


lestimation de DLSPOT par un
processus ARMA(1,1)

Corrlogramme des rsidus de


lestimation de DLFUTURES par
un processus ARMA(1,1)

Corrlogramme des rsidus de


lestimation de DLSPOT par un
processus MA(1)

Corrlogramme des rsidus de


lestimation de DLFUTURES par un
processus MA(1)

On peut observer que tous les termes des fonctions dautocorrlation simple et
partielle ne sont pas significativement diffrentes de 0. Par consquent, on ne
rejette pas lhypothse nulle de non corrlation des erreurs.

Test dhtroscdasticit

Rsultat du test dhtroscdasticit sur


lestimation de DLSPOT par un processus
ARMA(1,1)

Rsultat du test dhtroscdasticit sur


lestimation de DLSPOT par un processus
MA(1)

Rsultat du test dhtroscdasticit sur


lestimation de DLFUTURES par un
processus ARMA(1,1)

Rsultat du test dhtroscdasticit sur


lestimation de DLFUTURES par un
processus MA(1)

// remplir

Test de Jarque-Bera

Rsultat du test de Jarque-Bera sur


lestimation de DLSPOT par un processus
ARMA(1,1)
MA(1) DLSPOT

Rsultat du test de Jarque-Bera sur


lestimation de DLFUTURES par un
processus ARMA(1,1)
MA(1) DLFUTURES

Rsultat du test de Jarque-Bera sur


lestimation de DLSPOT par un processus
MA(1)

Rsultat du test de Jarque-Bera sur


lestimation de DLFUTURES par un
processus MA(1)

Les tests de Jarque-Bera nous montrent que pour un seuil = 5%, on rejette
lhypothse de normalit des distributions des erreurs.

3.7 Prvisions des modles MA(1) et ARMA(1,1)


Afin de comparer la pertinence des modles slectionns (MA(1) et ARMA(1,1)),
nous allons estimer les rsidus de ces modles par rapport nos sries LSPOT et
LFUTURES.
En comparant les graphiques, nous allons pouvoir identifier le modle qui reprsente
le mieux nos sries.
Les sries LSPOT et LFUTURES ayant les mmes caractristiques, nous allons nous
contenter des graphiques de lestimation de la srie LSPOT par un MA(1) et par un
ARMA(1,1).

Rsidus estims, srie observe et srie

Rsidus estims, srie observe et srie

ajuste avec un MA(1)

ajuste avec un ARMA(1,1)

On remarque quil y a beaucoup dcart entre la srie observe (LSPOT) et


lestimation de cette srie par le modle MA(1) (fitted), alors ces deux
reprsentations sont plus proches en estimant la srie LSPOT avec un modle
ARMA(1,1). Par consquent, le modle ARMA(1,1) est plus pertinent car ses rsidus
estims sont infrieurs ceux du modle MA(1).
A prsent, pour comparer la performance des deux modles, on sintresse aux
prvisions des modles MA(1) et ARMA(1,1) entre 2000 et 2012, et on obtient les
rsultats suivants :

Prvisions du modle MA(1,1) sur les 12


Prvisions du modle ARMA(1,1) sur les
dernires annes
12 dernires annes
On remarque que les deux premiers critres dvaluation RMSE et MAE sont
relativement faibles dans les deux cas, ils sont meilleurs avec une estimation
ARMA(1,1) (RMSE ARMA=0.615287 < RMSE MA=0.742304 et MAE ARMA=0.505284
< MAE MA=0.611397). Par ailleurs, il faut souligner que le coefficient MAPE est
relativement important (11.84746 pour le modle ARMA(1,1) et 14.33717 pour le
modle MA(1,1). Tous les autres critres dvaluation montrent que le modle
ARMA(1,1) est le meilleur. Toutefois, nous allons estimer nos sries LSPOT et
LFUTURES avec un modles MCE-GARCH pour obtenir de meilleurs rsultats.
Mais avant, nous allons effectuer des tests de causalit (Granger) et de
cointgration (Engle-Granger et Johansen) pour tudier la relation de cointgration
entre nos deux sries.

3.8 Test de causalit de Granger


// Dfinition du test de Granger
On applique le test de Granger sur les sries LSPOT et LFUTURES en 1 re diffrence
en faisant varier le nombre de retards de 1 3 et on obtient les rsultats suivants :

Lag=1

Lag=2

Lag=3

On sintresse linfluence des prix spot sur les prix terme et on teste lhypothse
nulle selon laquelle DLSPOT ninflue pas DLFUTURES.
Les valeurs sont significatives au seuil de 5%.
Dans le cas dun retard. La probabilit est de 0.00162. Elle est infrieure au seuil de
5%. Alors, on rejette lhypothse nulle.
On en conclut que les prix spots causent au sens de Granger les prix terme, et
vice-versa.
Tous les autres rsultats confirme quil existe une relation de causalit au sens de
Granger, entre les prix spot et les prix terme.
On peut donc effectuer les tests de causalit dEngle-Granger et de Johansen pour
savoir si on doit modliser nos sries avec un VAR ou avec un MCE.

3.9 Test de cointgration dEngle et Granger


// Explication du test de cointgration dEngle et Granger
Engle Granger first stage regression

Test aprs la cration des rsidus :

Engle Granger stage 2 regression D1

3.10 Test de cointgration de Johansen


// Explication de lapproche de Johansen

// Rsultats du test

3.11 Estimation dun modle VAR / VECM

3.12 Tests de prvisions

4 Conclusion